Coinbase 用一年时间重建工程面试，应对 AI 编码时代

加密货币交易所 Coinbase 近日发文，公开了过去一年在 AI 生成代码已成主流背景下，如何系统性重建工程岗位面试的全过程。文章用具体数据记录了代码生产方式的剧变，并分享了三阶段改造的方法与早期结论。

代码生成比例一年内突破 50%

Coinbase 给出的关键数据显示了变化的剧烈程度：2025 年第一季度，AI 生成的代码仅占其合并入代码库总量的 5.7%；到 2025 年第四季度，这一比例首次跨越 50% 门槛。所有代码仍由人类审查，审查覆盖率达到接近 100%，并未因此牺牲质量与合规护栏；与此同时，纯人工撰写的代码份额随着后台 agent 生成代码的上升而显著下滑。

这一转变重塑了工程师的工作内容：从白纸写代码，转向编写规格说明、指挥 AI 生成实现、审查 AI 产出的 PR、捕捉模型自信引入的架构错误，以及在权衡、回滚风险、系统边界上做出 AI 仍无法可靠完成的判断。Coinbase 工程负责人对此的概括是：当构建成本趋近于零，识别该构建什么、验证其正确性并安全发布的成本，就成了新的瓶颈。

旧面试模式的三个问题

传统工程面试为「架构知识稀缺」的时代设计，「设计一个短链服务」「搭建一个消息队列」这类题目考察的是候选人能否在压力下回忆出缓存策略、分片方案、一致性权衡等经典模式。但在 AI 工具普及后，任何称职的工程师都能在一分钟内从 AI 助手那里拿到一份在技术上站得住脚的参考架构，这道门槛失去了区分度。

Coinbase 内部分析指出，旧面试流程还存在两类反向的失败模式：

• 假阳性：刷题充分、能复述短链服务与分布式队列标准答案的候选人通过流程，但展示出的判断力远低于岗位真实所需，信号来自准备而非能力。
• 假阴性：架构判断力强但模式记忆弱的候选人，被面向回忆设计的题目卡住，而他们恰恰最可能在 AI 原生环境里如鱼得水。

此外，两轮面试之间呈现出 84% 的相关性，意味着两轮成本不菲的考核产出了几乎相同的信号，却没有衡量公司当下最需要的维度——候选人实际如何使用 AI 工具。

三阶段重建过程

Coinbase 没有一次性推翻整套面试，而是按工程项目的方式推进：先试点，按退出标准衡量，再用数据决定是否扩展。

第一阶段：2025 年下半年，前端试点

团队首先意识到，不能简单地在现有面试中开启 AI 辅助就算「AI 原生化」——在标准前端编码题里开放完整 AI 能力后，AI 直接解出了大多数题目，这些题目原本是为衡量人类工作记忆而设计的。

于是团队从零重写题目：开放 AI 工具，场景更贴近真实工程，但把有意义的信号集中到候选人如何使用 AI 上——提示词质量、如何评估输出、如何捕捉错误、如何迭代。让 AI 生成一个解很容易；生成一个好的解，知道何时信任、何时反驳，则需要真正的能力。试点在面试官效率与候选人反馈两项指标上均得到改善。

第二阶段：2026 年 1 月，扩展到后端

后端面试无法靠改造旧题完成，团队开发了基于真实代码库的全新题目：候选人在贴近生产的代码环境里调试问题、审查代码的正确性与性能、推演回滚场景，全程可使用 AI 工具。这种形式直接对应工程师的日常工作——不再是白纸写码，而是在已有代码上与 AI 协作、对抗。

第三阶段（原文摘录到此中断）

按 Coinbase 的三阶段框架推演，第三阶段通常涉及将改造推广至更广泛岗位（包括工程经理面试，原文提到该面试已两年未做实质性更新），并基于积累的数据评估整体改造效果、面试官校准与候选人体验等维度。

对行业的启示

Coinbase 的实践指向一个清晰信号：当 AI 接管了代码生成，面试的考察重心必须从「能否回忆出标准答案」转向「能否指挥 AI、评估其输出、并在模型不足处施加判断」。对正在重塑技术招聘的更多公司而言，这篇文章的价值在于提供了分阶段、可量化、以数据驱动决策的改造样本，而非只停留在理念层面。