DeepSeek式面试走红:程序员“八股文”还能管用吗?

一句话看点: 围绕 DeepSeek 面试方式的讨论 , 正在把程序员招聘中的一个老问题重新摆上台面: 背题、刷面经能否证明工程能力? 从多位求职者和技术博主的描述看,DeepSeek 更强调代码实践、线上问题处理和技术判断, 而不是标准答案式问答。

📌 DeepSeek 面试为何引发关注

近期, 有技术从业者在社交平台分享称,DeepSeek 的技术面试对代码能力要求较高 , 面试过程会围绕候选人的项目经历连续追问, 并涉及会话记忆、Redis 存储、并发冲突、向量检索等实际工程问题。

据相关分享, 部分面试并不会花大量时间在自我介绍或概念背诵上 , 而是很快进入项目细节: 为什么这样设计? 线上如何取舍? 出现故障后改了哪里? 效果如何验证? 这些问题往往没有统一模板答案, 更依赖候选人是否真正做过、踩过坑。

🔍“八股文面试”的局限被放大

过去多年, 程序员面试形成了相对成熟的备考体系 。常见题库、面经整理、算法刷题和培训课程, 让不少候选人可以通过集中准备提升通过率。HashMap 原理、JVM 模型、锁机制、常见算法题等内容, 也因此被业内戏称为“八股文”。

这种方式并非完全无效, 它能快速考察基础知识 , 也降低了面试官筛选成本。但问题在于, 标准题目一旦被反复整理和传播, 就容易演变为“会背不等于会做”。候选人可能熟悉答案, 却未必能处理真实系统中的容量、延迟、并发、数据一致性和用户体验问题。

💡 代码与线上经验成为更硬的门槛

• 会话上下文按消息条数截断, 还是按 token 长度控制?
• Redis 中的会话数据保留多久, 如何平衡成本与体验?
• 多端同时写入同一会话时, 如何避免状态覆盖或脏读?
• 长期记忆进入向量库后, 数据变多导致召回不准, 如何优化?

📊 不同大厂的招聘哲学并不相同

材料中也提到, 字节跳动、腾讯等公司在 AI 岗位招聘中各有侧重 。字节的流程通常更强调算法题、模型原理和工程系统知识, 部分内容可以通过系统复习提前准备; 腾讯则更体现层级递进, 从基础理解、项目匹配到潜力和战略适配逐步展开。

相比之下,DeepSeek 被讨论最多的是“代码先行”。这种方式的优势在于筛选直接, 能减少简历包装和面试话术带来的干扰; 但代码也并非评价人才的全部。公开分享中也提到, 后续面试仍可能关注候选人对 Agent、产品方向、团队建设等问题的认知。

🚀 行业观察:AI 公司更需要真实工程能力

• 少一点机械背诵: 基础知识仍重要, 但不能停留在概念层面。
• 多复盘项目细节: 设计依据、性能指标、故障处理都要讲得清。
• 重视线上经验: 并发、成本、稳定性、数据质量会越来越常被追问。