一篇发表于2026年8月22日的博客文章丢出一个狠论断:软件工程需要一道"硬门槛"——正规计算机科学学位加算法刷题能力,才配得上拿AI这把"手术刀"写代码。作者拿自己经历的几个反面典型说事:强迫团队按字母排序import的工程师、迷信tabs还是spaces却让自建邮件服务天天丢邮件的人、只认一门框架的"专家"、答不上基础问题的"伪Linux行家"。结论听着解气,但细查会发现,这句话的出处本身都站不住脚,而支撑"算法面试能筛出好工程师"的证据,比行业默认设定薄弱得多。
论证靠的是轶事,不是数据
作者的举证方式很典型:一串职场反面人物,外加一个手术刀的比喻。逻辑是"这些人技术烂,而且都没学历没刷过题,所以学历和刷题很重要"。
问题在于,这种归因方式没排除幸存者偏差。作者身边也一定有学历齐全、算法过硬却照样写出屎山代码的人,只是没写进文章。个案能说明"存在这种人",不能说明"因为缺什么才导致这种人"。
这句标题式论断,可能不是原话
更值得警惕的是溯源。检索显示,"正规学位与算法解题是答案"这句标题式表述,找不到确切原始出处。同一作者(疑似HN用户Kaizeras)在7月26日发表的前一篇博客里,主张的是AI让刻意练习算法更重要,并没有说"正规学位是答案"。这句更绝对的表述,更像是把作者本人观点和另一位论坛评论者的说法拼接而成。
这不是文字游戏。一篇文章的权威感很大程度上来自"这话是谁说的、说得多确定",一旦锚点松动,整篇论证的底气就跟着打折。
算法面试筛出的到底是什么
行业默认"leetcode等于能力"由来已久,大厂多年靠算法面试筛人,某种程度上把这套流程本身变成了合法性来源——大家都这么做,所以这么做是对的。
但公开研究给出的画面没那么笃定。微软研究院一项针对优秀工程师特质的观察研究,识别出54项与"优秀工程师"相关的属性,算法解题只是其中很小一块。经典人才测评研究(Schmidt & Hunter, 1998)的效度估计,在后续重新分析中被下调,结构化面试反而跃升为综合效度最高的通用方法。换句话说,"封闭题目限时解题"测的更可能是考试技巧、抗压能力和近期刷题量,而不是真实工作里调试、维护、权衡取舍的能力——这就是所谓的构念错配:面试测的和岗位要的,不是同一件事。
AI没有让答案更简单
原文的潜台词是:AI时代基础功更重要,所以门槛该更高。但实证数据没有站在这一边。
三项针对4867名开发者的实地实验显示,AI代码补全让任务完成量提升约26%,经验较浅的开发者获益更明显。另一项针对16位经验丰富的开源维护者、在他们熟悉的成熟代码库中做的对照研究却发现,AI工具反而让完成时间增加约19%。同一种工具,新手用了提速,老手在熟悉的地盘上用了拖慢。
这说明"AI放大差距,所以门槛更该收紧"不是铁律,而是要看任务类型和对代码库的熟悉度。新人靠AI补短板,老手在自己地盘上反而可能被AI的建议带偏。
门槛论听起来是常识,支撑它的证据却单薄得多
谁该在意这件事
- 提醒.如果一家公司只把"算法面试通过率"当作技术判断力的代理指标,它筛掉的可能不是能力差的人,而是不擅长限时闭卷考试的人。
对正在求职的自学或转行程序员来说,这意味着门槛论调不该照单全收——它更像行业信念的延续,而不是被验证过的招聘方法。对正在设计面试流程的技术负责人来说,更现实的问题是:算法题之外,有没有用真实代码库做过工作样本测评?有没有测过AI辅助场景下候选人的调试和判断力,而不只是手写实现的速度?
原文里"基础知识用来验证AI输出、排查故障、判断系统边界"这部分依然站得住——AI写得越快,越需要人判断对错。但"必须有学位、必须刷题"这种排他性门槛,目前找不到扎实证据支撑。真正值得盯的,不是要不要刷题,而是招聘方有没有认真验证过,自己那套面试流程,到底测中了没有。