整個流程大約 60 分鐘，一道大題拆成 2–3 個子任務，在 CoderPad 環境完成。關鍵點是：這一輪允許使用 AI。聽起來像降難度，但實際上只是把難點換了方向。
面試形式解析
Meta 新型 AI Coding 面試的核心特徵：
- 時長：60 分鐘
- 題目結構：一道大題，拆成 2–3 個遞進子任務
- 環境：CoderPad（可即時執行程式碼）
- 特殊規則：可使用 AI 輔助工具
允許用 AI，不代表更簡單——只是考核維度改變。面試官不再只看你會不會背演算法，而是看你會不會正確使用 AI、能不能判斷 AI 輸出是否可靠、出錯時能不能自己收斂回正確方向。
子任務一：修復 valid_recommend 函式
題目背景
給一個既有的 valid_recommend 函式，要求通過既有 test case。面試官直接說：這題不建議用 AI。
快速定位 Bug
我快速掃過程式後發現：
- 輸入是
user+user_list - 函式目的是判斷推薦是否合法
- 但函式內沒有檢查
user_list是否包含user自己 - 導致可能出現「自己推薦自己」，因此測試失敗
修復方式
def valid_recommend(user, user_list):
# 補充：過濾自己
if user in user_list:
return False
# ... 原有邏輯
return True
大概兩行，直接修掉。
這題在考什麼
| 考點 | 說明 |
|---|---|
| 快速讀碼能力 | 能否在陌生程式中迅速抓核心 |
| 精準定位 bug | 能否從失敗測試反推根因 |
| 不 over-engineer | 兩行可解就不要重構整套 |
子任務二：實作 random_recommend
題目背景
在 valid_recommend 基礎上，實作 random_recommend：給定一個使用者，從合法候選中隨機回傳一位推薦對象。
常見錯誤：直接讓 AI 生整段程式
一開始我也是典型做法：直接把需求給 AI，貼上完整程式後執行。結果直接出錯。
原因是 AI 不理解當前程式庫的資料結構，假設了不存在的欄位，邏輯也和既有實作衝突。
調整策略：先自己想清楚，再讓 AI 補局部
後來改成：
先自己理清主流程：
- 取得所有使用者
- 用
valid_recommend過濾不合法候選（包含自己、已是好友） - 從剩餘名單隨機選一個
只把局部機械邏輯交給 AI：
import random def random_recommend(user, all_users): candidates = [ u for u in all_users if valid_recommend(user, [u]) # 重用既有校驗邏輯 ] if not candidates: return None return random.choice(candidates)和 AI 反覆迭代幾輪，修掉邊界情況（候選為空、型別一致性）
這題的核心
你不能完全相信 AI，必須具備判斷與修正能力。
AI 是效率工具，不是外包對象。
子任務三：評估推薦演算法效果（開放題）
題目背景
開放問題：如何衡量好友推薦演算法的效果？
第一反應：先讓 AI 列常見指標
AI 給了 precision、recall、CTR 等常見指標。
面試官很快提醒：要結合當前資料結構。
回到資料約束
這題的 User class 實際上只有：
class User:
def __init__(self, id, current_friends):
self.id = id
self.current_friends = current_friends # List[User]
只有 id 與 currentFriends，沒有使用者屬性、行為資料、點擊資料。
所以很多常規推薦指標其實無法落地。
收斂到可落地指標
| 指標 | 計算方式 | 說明 |
|---|---|---|
| 共同好友數（Mutual Friends） | 兩人好友集合交集大小 | 直接可從現有資料算出 |
| 推薦後連結率 | 推薦後是否真的建立好友關係 | 評估實際轉化效果 |
| 推薦多樣性 | 推薦結果與既有好友圈重疊程度 | 避免資訊繭房 |
| 圖密度變化 | 接受推薦後社交圖連通性變化 | 從圖結構衡量品質 |
這題本質在考
不是你會不會背指標，而是：
- 有沒有資料約束意識：什麼能算、什麼不能算
- 能不能把抽象概念落地：從理論到可執行計算
總結：Meta AI Coding 面試真正考什麼
傳統 Coding 面試：會不會演算法
Meta AI Coding 面試：會不會用 AI + 能不能判斷正誤 + 是否能在約束下收斂
三道題共同考察：
- 讀碼能力：快速理解陌生程式結構與意圖
- AI 協作能力：知道何時用 AI、如何用、如何驗證
- 約束意識：在給定資料與條件下做有效解法
OA / 面試卡關怎麼辦？
很多同學現在卡住的不是演算法，而是這種新型面試形式：
- 不知道何時該用 AI
- 不知道如何問 AI
- AI 給了程式但自己不會判斷對錯
這類 AI Coding 面試可以透過針對性訓練快速提升。
Programhelp 近期帶過不少類似 case，主要做：
- ✅ 真實流程 mock（還原 CoderPad）
- ✅ AI 使用方式訓練（何時用、怎麼用、怎麼驗證）
- ✅ VO 實戰助攻
很多同學只要跑過一兩次完整流程，表現就能顯著穩定。
💬 需要 OA/VO 輔助？
聯繫方式：微信 Coding0201
- 即時遠端輔助
- 題目講解與思路梳理
- 模擬面試與復盤
- AI Coding 專項訓練