1. 恐慌是真的但先别急着把题本扔掉1.1 打开ChatGPT让它做题的那一刻我有点恍惚从GPT-4发布那天起我身边不少准备跳槽的朋友就开始焦虑。有人把LeetCode账号悄悄注销了有人把收藏夹里存了三年的Java面试题PDF删了口号空前统一以后面试不考这个了吧我理解这种情绪。我自己试过把一道中等难度的算法题原封不动丢给GPT-4它几秒钟就给了最优解时间复杂度、空间复杂度、边界条件讲得比大多数候选人清楚。那一刻确实会产生一种“我这两年的题白刷了”的虚无感。别说算法题了你让它背个HashMap源码、让你讲讲Kafka为什么能支撑百万并发它也能答得头头是道。但问题是面试官为什么要问这些东西如果面试官要的只是一个“正确答案”那GPT-4确实是个满分候选人了。可面试官要的从来就不只是正确答案。1.2 真正被冲击的不是“会不会解题”而是“背答案”这个行为我做了几年技术面试官面过的人没有几百也有几十。说实话大部分候选人在算法题和八股文上的表现本来就没达到“理解原理”的程度更多是“背下了思路和结论”。以前这招还管用——因为面试官也没法在半小时内完全验证你是真懂还是假懂。多问几轮、追问几个“为什么”也就勉强能筛个大概。GPT-4出现之后答案变得极其廉价。过去需要花三个月刷题才能掌握的解题模板现在把题目粘贴进去附一句“请你给出最优解并解释思路”答案就躺在那里了。更关键的是它讲解得比大多数网上题解清晰。这带来一个很直接的结果只会“背”的那批人和真正理解问题本质的那批人差距会被无限放大。因为当答案不再稀缺稀缺的就变成了提问能力、判断能力和迁移能力。所以我的观点是算法题和八股文不会消失但它们作为“筛选工具”的方式会发生巨大变化。与其问“还要不要刷”不如问“怎么刷才能不被GPT-4替代”。2. GPT-4到底能替代哪部分“算法题能力”2.1 标准题的“标准解”确实不再值钱先说个比较残酷的事实LeetCode上那些高频题GPT-4基本都能给出接近最优的解。动态规划、贪心、滑动窗口、并查集它都能处理得不错。你让我背的那些板子它全都“知道”。这意味着什么意味着纯粹考察“你见没见过这道题、记不记得这个套路”的面试题考察效力正在下降。因为面试官无法确定屏幕对面坐着的这个人是真的理解了这道题还是提前拿GPT-4把这道题跑了一遍把结论背下来了。我甚至听说有些同学在准备面试时已经不再刷题而是把目标公司的面经题汇总一条条丢给GPT-4让它生成“标准答案”和“追问应对口径”然后像背政治大题一样背下来。这事能不能成短期看在部分面试里能成。但长期看很危险。原因很简单面试官也在用GPT-4。他们会把候选人写的解法丢给GPT-4看会让AI对候选人的答案挑刺会问出更多“这个解法在什么条件下退化”这种以前懒得问的问题。当一方拿着AI作弊另一方拿着AI防作弊游戏规则就变了。变来变去核心没变你得真的理解。2.2 但问题描述稍微歪一点AI的“自信错解”会坑到谁这里我必须聊聊GPT-4在算法题上的短板因为它恰恰解释了“人”的价值在哪里。我做过一个实验把一道经典的“查找旋转排序数组中的最小值”问题去掉“旋转”这个关键词改成“数组被从某个位置切了一刀并交换了前后两段”让它重新做题。GPT-4依然能够在输入输出样例的引导下给出正确答案但如果我故意不给样例只给一段模糊的业务描述它的表现就开始不稳定了。有的版本会直接套用二分忽略我们需要先定位切点的前提有的版本会把一个O(n)的解法包装成“高效解法”理由听起来还挺充分。这就有意思了GPT-4擅长解决“描述清晰、边界明确”的问题但一旦问题本身含混、需要人来挖掘约束条件它就很容易给出“自信的错解”。而现实世界的业务问题恰恰都是含混的。用户提一句“把这个列表按热度排一下”热度是什么是点击量还是转化率时间窗口是多长是否要过滤垃圾数据这些问题AI不会替你问它只会基于自己的假设往下做。而工程师的工作很大一部分就是“明确问题边界”。所以算法题的真正价值从来就不是背答案。是训练你在信息不全、条件模糊的情况下一步步把问题拆清楚、找到瓶颈、设计出可验证方案的能力。这个能力GPT-4短期替代不了。3. 八股文背的不是答案是工程常识的索引3.1 当年骂八股现在发现它是沟通黑话八股文这个词在程序员圈子里是贬义的指那些面试必考但平时写代码根本用不到的问题比如HashMap在JDK 1.8里什么时候从链表转红黑树ConcurrentHashMap怎么保证线程安全Kafka为什么能支撑百万并发Spring Bean的生命周期是啥索引为什么用B树不用B树以前我面别人的时候也会问这些问题。但说实话我问的目的不是考察你背没背而是考察两件事第一你有没有认真读过源码或靠谱的技术资料第二你跟我有没有共同语言。日常工作中你和同事讨论“这个接口为什么要加幂等”如果对方连“分布式系统的CAP”都不了解沟通效率会非常低。你和他聊“这条SQL为什么慢”他连“覆盖索引”都没概念你们就得从最基础的概念开始补课。八股文是这种沟通的“最低共识”它不是用来让你显得很厉害的是用来让同一个团队的人能站在同一个知识平面对话的。这也是为什么“Java八股文”“C八股文”“嵌入式八股文”这种关键词会持续热门。大家骂归骂但面试前还是要看。因为没人敢赌“这轮面试官不讲八股”。3.2 被GPT-4淘汰的知识类型和稀缺的知识类型GPT-4对八股文的冲击是显而易见的——它几乎是一部活着的八股真题库。你问它“HashMap和Hashtable有什么区别”“Kafka为什么快”它答得滴水不漏甚至还贴心地给出“如果面试官追问存储层你应该怎么扩展”的提示。在“知识获取”这个层面上八股文确实贬值了。以前需要花大量时间整理的面试题集现在一个聊天窗口就全搞定了。但当知识变得唾手可得“理解”就变得更加值钱。我举个例子很多人背过“Kafka为什么能支撑百万并发”这个答案——顺序写盘、页缓存、零拷贝、分区并行。但真正被问到“如果你的Kafka集群出现消费堆积你从哪几个层面排查”时很多人就答不上来了。因为这个问题没有标准答案。它需要你把零拷贝、页缓存、分区分配、消费者Rebalance、提交偏移量时机这些点串成一个完整的排查链路。而“串成链路”这个能力恰恰是GPT-4目前最不擅长的。GPT-4擅长把你抽出来的知识点补齐成段落但它不擅长替你判断“在真实系统里哪个知识点才是问题根因”。而这正是高薪工程师和普通工程师的分水岭。所以我依然建议背八股但背诵的目标变了不求原封不动复述而是借助这些“骨架题”去建立一张完整的知识网然后用“如果这个环节出问题会有什么现象”来反复拷问自己。你会发现真正在面试中拉开差距的不是谁背得全而是谁能在背过的基础上再往前多走一步。4. 算法题和八股文的真正“检验对象”是什么4.1 面试官想通过白板题看到的四层能力我做过一段时间面试官也设计了技术面试的流程。我跟不少同行交流过大家其实都有一个共识白板题不是考“你会不会做这道题”而是通过这道题快速考察以下四层能力第一层问题拆解能力。给你一个题目你是不是能够快速识别出“这是排序问题”“这其实是查找问题”“这里需要去重、那里需要合并区间”。这种抽象能力是写业务代码时天天都在用的。第二层数据结构和算法的“肌肉记忆”。不是说你要背下每个API而是当你看到“前K个最大元素”能立刻想到堆当你看到“检测链表有没有环”能立刻想到快慢指针。这种肌肉记忆只有通过大量练习才能形成看再多的题解都没有用。第三层代码表达的清晰度。变量命名、边界条件、循环终止条件、判空……这些细节直接暴露一个人的工程素养。一个能把边界条件写干净的候选人写业务代码的时候通常也不会埋太多坑。第四层沟通与协作能力。候选人会不会主动讲解自己的思路、会不会在遇到瓶颈时请求提示、能不能在反馈后修正方向这些都是白板题能看出来的。这四层能力没有哪一层是靠GPT-4能“背”出来的。你可以让AI帮你解出一道题但你无法让AI帮你在面试现场把你的思考过程演出来。4.2 八股背后的系统设计思维那才是AI暂时替代不了的八股文看着零散但归纳下来无非是几大块语言特性、集合与并发、JVM、数据库、消息队列、缓存、网络协议、操作系统。这些东西不是用来背的是用来建立“系统设计直觉”的素材。你理解了B树才知道“为什么数据库索引不能无限建”你理解了零拷贝才知道“为什么Kafka吞吐量大”你理解了TCP三次握手和四次挥手才知道“为什么连接池要设置超时时间”。我以前带过一个新人他背八股很厉害各种概念问起来都对答如流。但有一次排查线上问题Redis响应变慢我让他去看看是否出现了大Key。他愣了半天没想明白“大Key”跟“面试八股”有什么关系。后来我给他讲了讲大Key会导致Redis阻塞、会导致持久化时主线程卡顿、会导致集群间数据倾斜这些现象背后是“Redis是单线程模型”“持久化策略”“内存分配”这些知识点。而那张知识网恰好就是八股文帮他织起来的。从这个角度看八股文像是系统设计思维的地基。你背它的时候可能觉得枯燥但真正到了战场上它就是你判断问题的抓手。GPT-4可以帮你把地基里的每一块砖解释清楚但“选用哪块砖去堵哪个窟窿”这件事得靠你自己的直觉。而这种直觉只能靠场景和实践喂出来。5. 新的学习策略把AI变成私教而不是替身5.1 用GPT-4学算法和背八股的三个高效姿势聊了这么多“为什么还要学”也该聊聊“怎么高效地学”了。既然GPT-4已经那么强我建议大家换个思路把它当成一个随叫随到、永不厌烦的私教而不是替你做作业的工具。我自己的使用姿势有三个。第一个姿势是“先做后问”。拿到一道算法题先自己独立思考至少二十分钟哪怕只能想到暴力解也要先把代码写出来。然后再把题目和自己的解法一起丢给GPT-4让它点评让它给出更优解法并解释优化点在哪。这个过程的重点是“对照”而不是“索取”。如果你一开始就问你只会得到一个标准答案自己的思维链路完全没有被练到。而面试的时候没有人会给你标准答案。第二个姿势是“假装面试官”。让GPT-4扮演一个非常喜欢追问的面试官专门问你八股文里的“为什么”和“如果”。比如你让它问“Kafka为什么能支撑百万并发”你回答之后它继续追问“如果磁盘满了会怎样”“如果消费者消费速度跟不上呢”。这种连问模式能很有效地暴露你知识结构里的薄弱环节。我实测下来它的追问质量比大部分真人面试官还要高因为它的知识面广能从一个点随机跳到另一个点。第三个姿势是“让AI生成场景题”。很多时候我们背了知识点但不知道它会以什么形态出现在面试里。这时候可以让GPT-4替你把知识点改写成场景题“请给我出三个关于数据库索引失效的业务场景并附上考察要点。”它能给出意想不到的角度让你对同一个知识点的理解更立体。但这里有个关键前提——你必须先把基础概念掌握到一定水平再来用这些姿势。否则你会陷入“AI讲得都对、但我什么都没学会”的境地因为你自己没有可对齐的锚点。5.2 哪些练习仍然必须“裸做”哪些可以直接交给AI很多人会问既然AI这么强哪些练习可以省了我的建议因人而异但大致可以按下面的逻辑来分类必须“裸做”的是那些训练核心脑力的练习。比如写代码时的手感包括边界条件处理、变量命名、逻辑表达刷高频算法题时的思考过程尤其是第一遍接触新题型时系统设计中的权衡分析比如“为什么要用消息队列”“为什么选Redis而不是本地缓存”面试中的模拟表达你要真的开口讲一遍而不是在心里默念可以直接交给AI的是那些重复性、整理性的工作。比如把面试题分类汇总成知识清单生成一个知识点的思维导图框架解析一道复杂题目并给出带注释的解法把某个框架启动流程整理成时间线说实话我自己现在准备一个陌生技术领域的面试时也会先把该领域的Top 20高频题丢给GPT-4让它帮我画出知识点脉络我再去逐个深挖。这个过程以前可能要花好几天现在一天就能完成。节省下来的时间我会全部用来做“裸做类”练习因为这个环节没有捷径。6. 面试形式会怎么变看到题感的未来6.1 从“解题”到“审题”的考察迁移随着GPT-4的普及我判断算法题和八股文的考察形式会出现几个明显变化。第一从“给一道题让你解”变成“给一个模糊需求让你澄清”。题目不会再是“求数组中和为K的最长子数组长度”而是“系统收到大量用户行为日志需要快速统计不同来源的占比而且来源字段可能为空你打算怎么设计”。这种题目没有唯一答案考察的是你如何澄清需求、如何定义边界、如何取舍。第二从“背结论”变成“追踪过程”。面试官会用“你当时是怎么想到用这个方案的”“有没有考虑过其他方案”来考察你的思维过程。这意味着你必须真正理解每一个决策背后的收益和代价。只背结论、不理解原理的人在接下来的面试环境里会越来越吃亏。第三从“笔试手写”变成“结合工具协作”。未来的编程测试可能会允许候选人现场使用AI辅助但面试官会更关注“你怎么提问、怎么验证AI的输出、怎么发现AI的问题”。这种考察方式其实更接近真实工作场景——你未来在写代码的时候不可能是关掉AI凭记忆硬写的。6.2 我观察到的一些已经开始发生的变化我最近已经看到不少公司在调整面试风格。有些公司不再执着于LeetCode Hard压轴而是改成了“给一张真实系统的线上拓扑让候选人去排查故障”有些公司把八股问答改成了“给你一个线上事件你自己复述排查链路”还有一些公司干脆把面试中的编程环节改成了“利用AI完成一个功能模块然后解释你的实现”。这些都是好现象因为它们考察的东西终于和真实工作能力对齐了。但这不意味着基础功不重要了。恰恰相反越是切换到这种考察模式算法和基础知识的重要性就越凸显。因为你只有在理解底层原理的时候才能判断AI给出的方案是不是掉进了隐藏的坑里。想象一下你让AI帮你写一个“防止库存超卖”的接口方案它给你一个基于乐观锁的实现。如果你不懂数据库事务隔离级别、不懂CAS的ABA问题、不懂高并发下的锁竞争你根本不知道该怎么校验这个方案可不可行也不知道面试官追问“如果库存只剩一个并发下会不会超卖”时该怎么回答。所以我的态度很明确算法题和八股文不但要继续刷、继续背而且要刷得比GPT-4更聪明。你要把每一道题都当作建立自己“思维索引”的素材而不是单纯为了应付某个面试。我个人最近的一个习惯是每刷完一道题都会问自己一句——如果让GPT-4来做这道题我和它最大的差别会在哪如果答案是“它做得比我快还好”那我会想想我在这道题上的时间花得值不值如果答案是“我能提出它没想到的边界条件或业务场景”那这道题就真的被我吃透了。在这个AI能力快速膨胀的时代你真正的竞争力不取决于你“知道”多少而取决于你在知道之外是否还拥有提问、判断、权衡和落地执行的能力。算法题和八股文恰好就是最低成本的训练这些能力的方式。它们没有过时只是不再适合用“背”的方式来对待了。 GPT-4时代，算法题和八股文还值得刷吗？
1. 恐慌是真的但先别急着把题本扔掉1.1 打开ChatGPT让它做题的那一刻我有点恍惚从GPT-4发布那天起我身边不少准备跳槽的朋友就开始焦虑。有人把LeetCode账号悄悄注销了有人把收藏夹里存了三年的Java面试题PDF删了口号空前统一以后面试不考这个了吧我理解这种情绪。我自己试过把一道中等难度的算法题原封不动丢给GPT-4它几秒钟就给了最优解时间复杂度、空间复杂度、边界条件讲得比大多数候选人清楚。那一刻确实会产生一种“我这两年的题白刷了”的虚无感。别说算法题了你让它背个HashMap源码、让你讲讲Kafka为什么能支撑百万并发它也能答得头头是道。但问题是面试官为什么要问这些东西如果面试官要的只是一个“正确答案”那GPT-4确实是个满分候选人了。可面试官要的从来就不只是正确答案。1.2 真正被冲击的不是“会不会解题”而是“背答案”这个行为我做了几年技术面试官面过的人没有几百也有几十。说实话大部分候选人在算法题和八股文上的表现本来就没达到“理解原理”的程度更多是“背下了思路和结论”。以前这招还管用——因为面试官也没法在半小时内完全验证你是真懂还是假懂。多问几轮、追问几个“为什么”也就勉强能筛个大概。GPT-4出现之后答案变得极其廉价。过去需要花三个月刷题才能掌握的解题模板现在把题目粘贴进去附一句“请你给出最优解并解释思路”答案就躺在那里了。更关键的是它讲解得比大多数网上题解清晰。这带来一个很直接的结果只会“背”的那批人和真正理解问题本质的那批人差距会被无限放大。因为当答案不再稀缺稀缺的就变成了提问能力、判断能力和迁移能力。所以我的观点是算法题和八股文不会消失但它们作为“筛选工具”的方式会发生巨大变化。与其问“还要不要刷”不如问“怎么刷才能不被GPT-4替代”。2. GPT-4到底能替代哪部分“算法题能力”2.1 标准题的“标准解”确实不再值钱先说个比较残酷的事实LeetCode上那些高频题GPT-4基本都能给出接近最优的解。动态规划、贪心、滑动窗口、并查集它都能处理得不错。你让我背的那些板子它全都“知道”。这意味着什么意味着纯粹考察“你见没见过这道题、记不记得这个套路”的面试题考察效力正在下降。因为面试官无法确定屏幕对面坐着的这个人是真的理解了这道题还是提前拿GPT-4把这道题跑了一遍把结论背下来了。我甚至听说有些同学在准备面试时已经不再刷题而是把目标公司的面经题汇总一条条丢给GPT-4让它生成“标准答案”和“追问应对口径”然后像背政治大题一样背下来。这事能不能成短期看在部分面试里能成。但长期看很危险。原因很简单面试官也在用GPT-4。他们会把候选人写的解法丢给GPT-4看会让AI对候选人的答案挑刺会问出更多“这个解法在什么条件下退化”这种以前懒得问的问题。当一方拿着AI作弊另一方拿着AI防作弊游戏规则就变了。变来变去核心没变你得真的理解。2.2 但问题描述稍微歪一点AI的“自信错解”会坑到谁这里我必须聊聊GPT-4在算法题上的短板因为它恰恰解释了“人”的价值在哪里。我做过一个实验把一道经典的“查找旋转排序数组中的最小值”问题去掉“旋转”这个关键词改成“数组被从某个位置切了一刀并交换了前后两段”让它重新做题。GPT-4依然能够在输入输出样例的引导下给出正确答案但如果我故意不给样例只给一段模糊的业务描述它的表现就开始不稳定了。有的版本会直接套用二分忽略我们需要先定位切点的前提有的版本会把一个O(n)的解法包装成“高效解法”理由听起来还挺充分。这就有意思了GPT-4擅长解决“描述清晰、边界明确”的问题但一旦问题本身含混、需要人来挖掘约束条件它就很容易给出“自信的错解”。而现实世界的业务问题恰恰都是含混的。用户提一句“把这个列表按热度排一下”热度是什么是点击量还是转化率时间窗口是多长是否要过滤垃圾数据这些问题AI不会替你问它只会基于自己的假设往下做。而工程师的工作很大一部分就是“明确问题边界”。所以算法题的真正价值从来就不是背答案。是训练你在信息不全、条件模糊的情况下一步步把问题拆清楚、找到瓶颈、设计出可验证方案的能力。这个能力GPT-4短期替代不了。3. 八股文背的不是答案是工程常识的索引3.1 当年骂八股现在发现它是沟通黑话八股文这个词在程序员圈子里是贬义的指那些面试必考但平时写代码根本用不到的问题比如HashMap在JDK 1.8里什么时候从链表转红黑树ConcurrentHashMap怎么保证线程安全Kafka为什么能支撑百万并发Spring Bean的生命周期是啥索引为什么用B树不用B树以前我面别人的时候也会问这些问题。但说实话我问的目的不是考察你背没背而是考察两件事第一你有没有认真读过源码或靠谱的技术资料第二你跟我有没有共同语言。日常工作中你和同事讨论“这个接口为什么要加幂等”如果对方连“分布式系统的CAP”都不了解沟通效率会非常低。你和他聊“这条SQL为什么慢”他连“覆盖索引”都没概念你们就得从最基础的概念开始补课。八股文是这种沟通的“最低共识”它不是用来让你显得很厉害的是用来让同一个团队的人能站在同一个知识平面对话的。这也是为什么“Java八股文”“C八股文”“嵌入式八股文”这种关键词会持续热门。大家骂归骂但面试前还是要看。因为没人敢赌“这轮面试官不讲八股”。3.2 被GPT-4淘汰的知识类型和稀缺的知识类型GPT-4对八股文的冲击是显而易见的——它几乎是一部活着的八股真题库。你问它“HashMap和Hashtable有什么区别”“Kafka为什么快”它答得滴水不漏甚至还贴心地给出“如果面试官追问存储层你应该怎么扩展”的提示。在“知识获取”这个层面上八股文确实贬值了。以前需要花大量时间整理的面试题集现在一个聊天窗口就全搞定了。但当知识变得唾手可得“理解”就变得更加值钱。我举个例子很多人背过“Kafka为什么能支撑百万并发”这个答案——顺序写盘、页缓存、零拷贝、分区并行。但真正被问到“如果你的Kafka集群出现消费堆积你从哪几个层面排查”时很多人就答不上来了。因为这个问题没有标准答案。它需要你把零拷贝、页缓存、分区分配、消费者Rebalance、提交偏移量时机这些点串成一个完整的排查链路。而“串成链路”这个能力恰恰是GPT-4目前最不擅长的。GPT-4擅长把你抽出来的知识点补齐成段落但它不擅长替你判断“在真实系统里哪个知识点才是问题根因”。而这正是高薪工程师和普通工程师的分水岭。所以我依然建议背八股但背诵的目标变了不求原封不动复述而是借助这些“骨架题”去建立一张完整的知识网然后用“如果这个环节出问题会有什么现象”来反复拷问自己。你会发现真正在面试中拉开差距的不是谁背得全而是谁能在背过的基础上再往前多走一步。4. 算法题和八股文的真正“检验对象”是什么4.1 面试官想通过白板题看到的四层能力我做过一段时间面试官也设计了技术面试的流程。我跟不少同行交流过大家其实都有一个共识白板题不是考“你会不会做这道题”而是通过这道题快速考察以下四层能力第一层问题拆解能力。给你一个题目你是不是能够快速识别出“这是排序问题”“这其实是查找问题”“这里需要去重、那里需要合并区间”。这种抽象能力是写业务代码时天天都在用的。第二层数据结构和算法的“肌肉记忆”。不是说你要背下每个API而是当你看到“前K个最大元素”能立刻想到堆当你看到“检测链表有没有环”能立刻想到快慢指针。这种肌肉记忆只有通过大量练习才能形成看再多的题解都没有用。第三层代码表达的清晰度。变量命名、边界条件、循环终止条件、判空……这些细节直接暴露一个人的工程素养。一个能把边界条件写干净的候选人写业务代码的时候通常也不会埋太多坑。第四层沟通与协作能力。候选人会不会主动讲解自己的思路、会不会在遇到瓶颈时请求提示、能不能在反馈后修正方向这些都是白板题能看出来的。这四层能力没有哪一层是靠GPT-4能“背”出来的。你可以让AI帮你解出一道题但你无法让AI帮你在面试现场把你的思考过程演出来。4.2 八股背后的系统设计思维那才是AI暂时替代不了的八股文看着零散但归纳下来无非是几大块语言特性、集合与并发、JVM、数据库、消息队列、缓存、网络协议、操作系统。这些东西不是用来背的是用来建立“系统设计直觉”的素材。你理解了B树才知道“为什么数据库索引不能无限建”你理解了零拷贝才知道“为什么Kafka吞吐量大”你理解了TCP三次握手和四次挥手才知道“为什么连接池要设置超时时间”。我以前带过一个新人他背八股很厉害各种概念问起来都对答如流。但有一次排查线上问题Redis响应变慢我让他去看看是否出现了大Key。他愣了半天没想明白“大Key”跟“面试八股”有什么关系。后来我给他讲了讲大Key会导致Redis阻塞、会导致持久化时主线程卡顿、会导致集群间数据倾斜这些现象背后是“Redis是单线程模型”“持久化策略”“内存分配”这些知识点。而那张知识网恰好就是八股文帮他织起来的。从这个角度看八股文像是系统设计思维的地基。你背它的时候可能觉得枯燥但真正到了战场上它就是你判断问题的抓手。GPT-4可以帮你把地基里的每一块砖解释清楚但“选用哪块砖去堵哪个窟窿”这件事得靠你自己的直觉。而这种直觉只能靠场景和实践喂出来。5. 新的学习策略把AI变成私教而不是替身5.1 用GPT-4学算法和背八股的三个高效姿势聊了这么多“为什么还要学”也该聊聊“怎么高效地学”了。既然GPT-4已经那么强我建议大家换个思路把它当成一个随叫随到、永不厌烦的私教而不是替你做作业的工具。我自己的使用姿势有三个。第一个姿势是“先做后问”。拿到一道算法题先自己独立思考至少二十分钟哪怕只能想到暴力解也要先把代码写出来。然后再把题目和自己的解法一起丢给GPT-4让它点评让它给出更优解法并解释优化点在哪。这个过程的重点是“对照”而不是“索取”。如果你一开始就问你只会得到一个标准答案自己的思维链路完全没有被练到。而面试的时候没有人会给你标准答案。第二个姿势是“假装面试官”。让GPT-4扮演一个非常喜欢追问的面试官专门问你八股文里的“为什么”和“如果”。比如你让它问“Kafka为什么能支撑百万并发”你回答之后它继续追问“如果磁盘满了会怎样”“如果消费者消费速度跟不上呢”。这种连问模式能很有效地暴露你知识结构里的薄弱环节。我实测下来它的追问质量比大部分真人面试官还要高因为它的知识面广能从一个点随机跳到另一个点。第三个姿势是“让AI生成场景题”。很多时候我们背了知识点但不知道它会以什么形态出现在面试里。这时候可以让GPT-4替你把知识点改写成场景题“请给我出三个关于数据库索引失效的业务场景并附上考察要点。”它能给出意想不到的角度让你对同一个知识点的理解更立体。但这里有个关键前提——你必须先把基础概念掌握到一定水平再来用这些姿势。否则你会陷入“AI讲得都对、但我什么都没学会”的境地因为你自己没有可对齐的锚点。5.2 哪些练习仍然必须“裸做”哪些可以直接交给AI很多人会问既然AI这么强哪些练习可以省了我的建议因人而异但大致可以按下面的逻辑来分类必须“裸做”的是那些训练核心脑力的练习。比如写代码时的手感包括边界条件处理、变量命名、逻辑表达刷高频算法题时的思考过程尤其是第一遍接触新题型时系统设计中的权衡分析比如“为什么要用消息队列”“为什么选Redis而不是本地缓存”面试中的模拟表达你要真的开口讲一遍而不是在心里默念可以直接交给AI的是那些重复性、整理性的工作。比如把面试题分类汇总成知识清单生成一个知识点的思维导图框架解析一道复杂题目并给出带注释的解法把某个框架启动流程整理成时间线说实话我自己现在准备一个陌生技术领域的面试时也会先把该领域的Top 20高频题丢给GPT-4让它帮我画出知识点脉络我再去逐个深挖。这个过程以前可能要花好几天现在一天就能完成。节省下来的时间我会全部用来做“裸做类”练习因为这个环节没有捷径。6. 面试形式会怎么变看到题感的未来6.1 从“解题”到“审题”的考察迁移随着GPT-4的普及我判断算法题和八股文的考察形式会出现几个明显变化。第一从“给一道题让你解”变成“给一个模糊需求让你澄清”。题目不会再是“求数组中和为K的最长子数组长度”而是“系统收到大量用户行为日志需要快速统计不同来源的占比而且来源字段可能为空你打算怎么设计”。这种题目没有唯一答案考察的是你如何澄清需求、如何定义边界、如何取舍。第二从“背结论”变成“追踪过程”。面试官会用“你当时是怎么想到用这个方案的”“有没有考虑过其他方案”来考察你的思维过程。这意味着你必须真正理解每一个决策背后的收益和代价。只背结论、不理解原理的人在接下来的面试环境里会越来越吃亏。第三从“笔试手写”变成“结合工具协作”。未来的编程测试可能会允许候选人现场使用AI辅助但面试官会更关注“你怎么提问、怎么验证AI的输出、怎么发现AI的问题”。这种考察方式其实更接近真实工作场景——你未来在写代码的时候不可能是关掉AI凭记忆硬写的。6.2 我观察到的一些已经开始发生的变化我最近已经看到不少公司在调整面试风格。有些公司不再执着于LeetCode Hard压轴而是改成了“给一张真实系统的线上拓扑让候选人去排查故障”有些公司把八股问答改成了“给你一个线上事件你自己复述排查链路”还有一些公司干脆把面试中的编程环节改成了“利用AI完成一个功能模块然后解释你的实现”。这些都是好现象因为它们考察的东西终于和真实工作能力对齐了。但这不意味着基础功不重要了。恰恰相反越是切换到这种考察模式算法和基础知识的重要性就越凸显。因为你只有在理解底层原理的时候才能判断AI给出的方案是不是掉进了隐藏的坑里。想象一下你让AI帮你写一个“防止库存超卖”的接口方案它给你一个基于乐观锁的实现。如果你不懂数据库事务隔离级别、不懂CAS的ABA问题、不懂高并发下的锁竞争你根本不知道该怎么校验这个方案可不可行也不知道面试官追问“如果库存只剩一个并发下会不会超卖”时该怎么回答。所以我的态度很明确算法题和八股文不但要继续刷、继续背而且要刷得比GPT-4更聪明。你要把每一道题都当作建立自己“思维索引”的素材而不是单纯为了应付某个面试。我个人最近的一个习惯是每刷完一道题都会问自己一句——如果让GPT-4来做这道题我和它最大的差别会在哪如果答案是“它做得比我快还好”那我会想想我在这道题上的时间花得值不值如果答案是“我能提出它没想到的边界条件或业务场景”那这道题就真的被我吃透了。在这个AI能力快速膨胀的时代你真正的竞争力不取决于你“知道”多少而取决于你在知道之外是否还拥有提问、判断、权衡和落地执行的能力。算法题和八股文恰好就是最低成本的训练这些能力的方式。它们没有过时只是不再适合用“背”的方式来对待了。