本週行為面試練習
故事框架:用 AI 工具加速實作,但自己抓出它漏掉的 edge case
情境:你在開發一個 retrieval-augmented 系統的 ranking 模組,用 AI coding assistant 先生成一版相似度計算的實作,想省下手刻的時間。這段程式在你本機的小規模測試資料上跑得很順,但你心裡知道 production 的向量規模跟資料分佈完全不一樣——這正是面試官最愛設的陷阱:AI 給的第一版程式「看起來對」,但有沒有踩到它沒處理過的 edge case,就看你有沒有真的讀懂它寫的東西。2026 年下半年起,「說一次你工作中怎麼用 AI 工具」已經變成跟「說一次你帶團隊處理衝突」一樣標準的行為面試題——因為會不會用 AI 寫 code 已經不是門檻,門檻是你有沒有判斷力知道什麼時候該信任它、什麼時候該自己動手查。
任務:你被期待展示兩件同時成立的事:你能有效運用 AI 工具加速產出,不是在抗拒新工具;但你也沒有把 AI 的輸出當成正確答案直接上線,你有能力找出它漏掉或想錯的地方。
行動:先講你怎麼讓 AI 產生第一版實作——你給的 prompt 不是「幫我寫相似度計算」,而是先講清楚輸入的資料形狀、regular batch size、以及你預期的時間複雜度上限,讓 AI 一開始就在對的約束裡寫。拿到輸出後,你沒有直接跑測試就收工,而是先自己讀一遍邏輯,你發現它對 zero-norm 向量(例如某筆資料的 embedding 因上游失敗變成全零)沒有做除零保護,而這種髒資料在你們的 pipeline 裡每天都會出現幾筆;你也發現它把整個 batch 的相似度矩陣一次攤平成記憶體,在你們實際的 batch size 下會直接 OOM。接著講你怎麼「追問」而不是「重寫」——你把這兩個問題分別描述給 AI,要求它先解釋為什麼原本的寫法會在這兩種情況下壞掉,再給出修正版,並順手要它幫你補上對應的單元測試(zero-norm 向量輸入、超大 batch 輸入),這樣你不是只靠自己口頭確認,而是有可以重複執行的驗證。
結果:量化整個流程花了幾次來回(例如「從第一版到可以上線總共三輪,比我自己從零手刻省了大概一個下午」),抓到幾個 AI 沒處理好的 edge case(兩個:除零、記憶體爆量),以及這段程式上線後的穩定性(例如「上線三週沒有因為這兩類輸入觸發過 alert」)。同時講清楚你從這次經驗抽出的習慣:以後讓 AI 生成任何涉及數值運算的程式,你一定先問自己「這段邏輯在輸入是空的/極端大的時候會怎樣」,這個檢查清單後來變成你 code review 別人 PR 時也會用的習慣。
怎麼講這個故事
- Dos:把故事的重心放在「你怎麼讀懂並挑出 AI 的錯」,不是「AI 幫我做了什麼」——面試官要聽的是你的判斷力,不是工具多厲害。
- Dos:講具體的技術細節(除零、OOM 這類真實會發生的 bug),而不是抽象地說「我有仔細 review」。
- Dos:提到你怎麼用「追問+要求補測試」把 AI 的輸出變成可驗證的東西,這是跟 junior 候選人拉開差距的地方——迭代次數少、每次迭代都更精準,本身就是訊號。
- Don'ts:不要把故事講成「AI 全部搞定,我只是點了確認」,這樣面試官會懷疑你有沒有真的看懂程式碼。
- Don'ts:也不要走另一個極端說你完全不用 AI 工具——2026 年的面試官反而會覺得你跟現場工作方式脫節。
本週回顧
| 星期 | 主題 | 練了什麼 | 自評 |
|---|---|---|---|
| Mon | ML Fundamentals | 詐騙率只有 0.1% 時 accuracy 為什麼會失真、precision/recall 的業務取捨、ROC-AUC 在極端不平衡下會比實際情況好看,改用 precision-recall curve,取自 Pensero AI Engineer 面試準備指南 | {待自填} |
| Tue | Deep Learning & NLP | {本週二未產出,無紀錄} | {待自填} |
| Wed | ML System Design | {本週三未產出,無紀錄} | {待自填} |
| Thu | LLM & Agent Engineering | {本週四未產出,無紀錄} | {待自填} |
| Fri | Coding | 用 NumPy 幫 Grouped-Query Attention 補上一個 decode step 的 KV cache,練分組索引 kv_idx = i // queries_per_group 跟 cache 形狀為什麼是 (n_kv_heads, …),取自 Amazon onsite 面試(經 1Point3Acres 收錄) | {待自填} |
| Sat | Paper Reading | 精讀 DISCERN(arXiv:2611.15729):企業 agent 記憶的真正缺口不是檢索、是解析——寫入時只保留不合併,讀取時才用導航迴圈判斷回答/更新/澄清/拒答,拒答 F1 0.924 遠勝基線最高 0.802 | {待自填} |
下週預告
下週輪替主題不變(Mon ML Fundamentals → Tue Deep Learning & NLP → Wed ML System Design → Thu LLM & Agent Engineering → Fri Coding → Sat Paper Reading → Sun Behavioral),但每天搜尋到的題目和資源都會換新。本週二到週四連續三天沒有產出紀錄,如果你覺得 Deep Learning & NLP、ML System Design、LLM & Agent Engineering 這三個主題是弱項,可以把 src/data/interview-focus.json 裡對應的權重調到 2-3,讓 routine 在固定日之外額外加練;目前所有主題權重都還是 1,沒有特別加練哪個。
參考資料
- Companies That Let You Use AI in Interviews and What They're Testing — 對應今日主題:這篇點出 2026 年 AI Engineer 的 behavioral 面試裡,「說一次你工作中怎麼用 AI」已經跟領導力、衝突這類行為問題一樣常見,以及為什麼迭代次數本身是訊號
- How to Conduct an Effective AI Coding Interview — 對應故事「行動」段落:junior 候選人常被 AI 給的方向帶偏,資深 AI Engineer 候選人展現的是守住技術判斷、能抓出 AI 沒處理的部分
- Engineering Manager Interview Questions: leadership stories under the microscope — 對應「怎麼講這個故事」中「用具體技術細節取代抽象描述」、建立可重複使用的故事庫的建議,這類 behavioral 面試的故事框架同樣適用於 AI Engineer