别再用 LeetCode 刷题招人了，AI 时代程序员的核心竞争力早已变了

现在很多公司的面试流程还停留在让候选人在白板上写二叉树翻转或者快速排序，但如果你观察现在的工程现状，会发现这种考核方式已经严重脱节。在 AI Agent 普及的今天，一个成熟团队的 PR（Pull Request）数量可能翻了三倍，但工程师手动敲代码的次数反而下降了。现在的核心矛盾不再是“能不能写出能跑的代码”，而是“能不能审出 AI 写的代码里的坑”。

在这种背景下，死磕算法输出而忽略工程判断力，简直是南辕北辙。最近我关注到一个叫 Merge 的工具，它把面试逻辑从“代码输出”切换到了“代码评审（Reviewer）”，这种切入点非常符合现在的开发节奏。

具体的实操流程其实是在模拟一个真实的异步协作场景：候选人面对的不是一个空白编辑器，而是一个小型代码库。他需要阅读一个具体的 PR，并针对其中的潜在问题提出修改意见或评论。最硬核的地方在于，这个流程不是静态的，而是一个 AI Agent 会模拟真实工程师的行为，针对候选人的评论进行代码修改，甚至会像真实的同事一样进行“回怼”。

这个过程会进入一个反复迭代的循环。候选人必须在有限的资源下达成目标，直到用完 5 次修改机会或者时间截止。这种设定其实是在考验候选人的沟通效率和技术洞察力，因为在真实工作中，一个优秀的 Reviewer 能够通过精准的评论让代码快速迭代，而不是在琐碎的细节上浪费时间。

最让我惊喜的是，这个平台给出的评估指标极其“实用主义”，它完全抛弃了传统的正确率，而是从三个维度进行量化：

首先是覆盖率，这直接决定了候选人的技术底线，即他到底揪出了多少个实际的 Bug 或安全漏洞。其次是沟通质量，判断反馈是否具有建设性，能否高效地驱动代码向正确方向演进。

最关键的第三个指标是资源效率。它竟然把 Token 消耗量纳入了评估体系，重点关注候选人经过了几轮修订才达成目标，以及在这个过程中消耗了多少 Token。在 LLM 驱动的开发环境下，这是一个极其硬核的指标。因为在实际工程中，能够用最少的 Token 沟通、用最少的迭代次数让 PR 快速通过的工程师，才是真正的高效能选手。

对比之下，传统的 LeetCode 模式其实是在考核一种“单机能力”，而现在的开发环境是“人机协作”。如果一个候选人能背出所有算法模板，但在面对一个 AI 生成的、带有隐蔽逻辑漏洞的 PR 时毫无察觉，那么他进入团队后大概率会成为 AI 产生 Bug 的掩护者，而不是把关者。

这种模拟真实工作流的考核方式，实际上是在筛选那些具备“工程判断力”的人。在 Agent 时代，写代码的门槛被极大地降低了，但定义正确方向、识别潜在风险以及高效驱动 AI 产出高质量代码的能力，反而成了最稀缺的竞争力。