柏林初创公司 Konvo AI 的工程负责人 Gerard 最近谈及一个招人时的隐秘现实：团队默认候选人在笔试中必须使用大模型辅助编码，但他很快意识到，一个处于零收入状态的失业工程师，正被这种考核要求推入持续的财务失血。
找工作向来是概率游戏，候选人一周可能要应对五家公司的技术测试。如果每家公司都默认你调用顶尖智能体解决问题，那么求职者就必须自掏腰包购买高阶订阅或充值 API。以往人们总说求职需要买正装、坐地铁，但交通和衣物具备通用生活价值；大模型在几小时考核中燃烧的 Token 纯属即时消耗，一旦被拒，这些真金白银便彻底化为泡影。
考核若演变成工具军备竞赛，筛选的就不再是工程师的潜质，而是求职者的钱包厚度。
阶梯定价筑起的算力高墙
今天的辅助编程已不再是单一对话框里的代码补全，而是演化为具有深层上下文的智能体系统。这类工具已经建立了极具区隔度的付费阶梯，免费层级与高阶付费方案在实际工程产出上有着天然鸿沟。
一个使用 GitHub Copilot 免费额度的候选人，只有每月 2,000 次代码补全和极其受限的信用点；而另一个每月支付 200 美元 使用 Cursor Ultra 或每月 100 美元 订阅 Claude Max 的求职者，能在整套复杂仓库中流畅地发起自动化重构。Claude Code 甚至从未开放免费入口。当耗时数小时的居家大作业（take-home challenge）砸下来时，免费用户可能在调试中途就耗尽了额度，而高阶付费用户凭借周额度池游刃有余。
- 风险.技术考核在无形中把模型性能与个人工程能力深度绑定，缺乏充裕算力支撑的候选人会在起跑线上被系统性淘汰。
巨头的双标与制度的空白
面对这种隐性不公，科技界目前几乎处于制度真空中。行业里看似开放 AI 考核的公司，并未真正为候选人分担算力风险。
Shopify 在技术面试中探索了屏幕共享下允许使用 AI 的方案，评估候选人识别和修正生成缺陷的能力，并逐步演进出禁止、可选、强制 AI 的分级任务框架。然而，其内部员工享有的无限 Token 资源并没有对面试者开放，企业并没有设立任何针对求职者的垫付或报销机制。
处于技术源头的机构则更为严苛。Anthropic 在 2025 年 7 月发布的公开求职指引中明确要求，除非得到考官授权，否则在居家笔试和现场考核中一律禁止使用 AI，同样没有向候选人报销或提供付费工具的安排。
企业不愿提供支持，背后有着现实的权责困境。直接给外部求职者分配企业账号，不仅存在安全合规风险，还可能带来模型越权滥用或侵犯第三方知识产权的连带责任。若采用事后报销模式，这笔零散的个人订阅支出在财务合规上很难归类，企业也无从验证这笔 Token 究竟是用于本公司的笔试，还是被候选人拿去刷了其他五家公司的面试题。
拆解门槛的四个实操支点
如果企业无法直接替候选人埋单，唯一能动手术的地方就是面试流程本身。Konvo AI 摸索出的路径并非完全推翻大模型考核，而是通过压缩测试敞口，把算力损耗从候选人身上移走。
这套方案首先要求把代码挑战移至招聘后段。不应该让任何求职者在连负责人都没见到的初筛阶段，就为一个海投机会耗尽 API 额度。只有当团队对候选人建立真实意向后，才进入测试环节。
其次是极度压缩测试范围。一个需要顶级模型持续运行数小时的题目，考的不是工程素养，而是计算预算。把试题缩减到依托免费额度也能完成的小型闭环场景，留出更多时间探讨设计思路，信息增量反而更大。
最为彻底的变革是以结对替代脱机作业。不再下发无监督的 take-home 试题，而是由面试官发起屏幕协作：运行环境在企业端，调用企业自购的高阶账号，候选人只需扮演驾驶员。没有法律争议，无需事后报销，考官还能直观捕捉候选人在模型给错答案时的应激反应。
最后是重估代码产物的权重。大模型已能熟练吞吐常规样板代码，纯粹的代码量无法真实映射开发者的技术底色。系统的边界划分、技术方案的取舍逻辑以及上线交付的工程常识，远比屏幕上的语法块更有信息量，而探讨这些架构思辨不花费候选人一分钱。
- 建议.技术团队在引入 AI 考核前，应主动测试题目在各平台免费配额下的完成度，避免无意中构建出高昂的筛选门槛。
世人常谓工欲善其事，必先利其器。然而，当招聘方既渴望考察候选人操纵神兵利器的能力，又默认由身处困顿的求职者自备昂贵行头时，这种考核本身就已经偏离了审视才干的初衷。