AI 时代如何招前端工程师（一）：能力模型重构

这是系列的第一篇。在动手出题之前，先解决一个更根本的问题：当 AI 已经能写出能跑、甚至不算难看的代码时，你到底还在招一个什么样的人？ 如果这个问题没想清楚，你出的题越"经典"，越容易招进一个明天就会被 AI 替代的人。

一、先承认一个让人不舒服的事实

Claude 5.0、GPT、Gemini 这一代前沿模型，已经能稳定完成下面这些事：

把一个 Figma 稿还原成像样的 React/Vue 组件；
写出带类型、带基本测试、带边界处理的工具函数；
实现一个分页表格、一个表单校验、一个防抖节流；
解释绝大多数"八股文"——事件循环、闭包、原型链、BFC、HTTP 缓存，比很多候选人背得还顺。

这意味着一件事："能把需求翻译成语法"这个能力，正在以肉眼可见的速度贬值。 而过去十年，绝大多数前端面试考的恰恰就是这个。

所以如果你还在用 2018 年的题库——手写一个 Promise.all、问 var/let/const 区别、让候选人默写 flex 属性——你筛出来的，正是 AI 最擅长替代的那批人。

面试官要做的第一个转变是：

不要再问"你会不会写"，要问"你能不能判断写得对不对、好不好、该不该这么写"。

二、一张表：哪些能力贬值，哪些能力升值

我把前端的能力拆成 6 层，标注它们在 AI 时代的"估值变化"：

层级	能力	AI 时代估值	说明
L0	语法 / API 记忆	📉 大幅贬值	AI 随手就来，背 API 毫无意义
L1	实现常见组件 / 页面	📉 贬值	AI 一次成型，人只需描述与微调
L2	调试 / 定位真实问题	📈 升值	线上 bug、性能、诡异兼容，AI 给方向但难闭环
L3	架构 / 系统设计 / 技术选型	📈 升值	约束、取舍、演进，AI 是助手不是决策者
L4	工程判断与代码品味（taste）	📈📈 大幅升值	知道什么是"好"，能在 AI 的 N 个方案里选对
L5	产品理解 / 沟通 / 协作	📈 升值	把模糊需求变成清晰约束，是喂给 AI 的前提

再叠加一个全新的横向维度，它会乘到上面每一层上：

L×：AI 协作力 = 上下文工程 + 提示表达 + 审查验证 + 边界判断。

一个 L2 的工程师如果 AI 协作力强，实际产出可能超过一个 AI 协作力为零的 L3。这就是为什么"会不会用 AI、怎么用 AI"必须进面试考察范围——它不是加分项，它是新的基本盘。

三、面试官的核心心智：从"打字员筛选器"到"判断力探测器"

传统面试本质是一台打字员筛选器：在白板/编辑器里看你能不能在 40 分钟内把代码敲出来。

AI 时代，这台机器要换成判断力探测器，探测三件事：

理解深度——你是真懂原理，还是只会复述结论？（区分手段：追问"为什么"和"如果……会怎样"。）
判断质量——给你三个能跑的方案，你能不能说清各自代价、选哪个、为什么？
把关能力——给你一段 AI 写的、看似正确实则有坑的代码，你能不能揪出来？

记住一句话：

AI 把"产出代码"变成了商品，把"判断代码"变成了稀缺品。面试要考的就是稀缺品。

四、三档人才画像（AI 时代版）

不要再用"会几个框架"定级。用下面这套画像。

初级（Junior）—— 看"地基"和"可塑性"

AI 时代对初级最大的风险是：用 AI 糊出了作品集，但地基是空的。 所以初级反而要更狠地考基础内功和学习方式：

✅ 能讲清浏览器渲染、事件循环、HTTP、作用域这些"不会变"的东西，并能解释"为什么"；
✅ 用 AI，但能解释 AI 生成的每一行在干什么；
✅ 出 bug 时有定位的方法论，而不是"再问一遍 AI"；
❌ 危险信号：离开 AI 寸步难行，被追问原理就崩。

中级（Mid）—— 看"独立闭环"和"工程化"

✅ 能独立把一个中等需求从设计到上线闭环，包括异常、边界、性能、可维护性；
✅ 有自己的工程化主张（目录结构、状态管理、测试策略、CI）；
✅ 会用 AI 提速，但能为产出质量负责、能 review AI 的代码；
❌ 危险信号：只会按图施工，一遇到没见过的问题就卡死。

高级 / 资深（Senior+）—— 看"判断力""架构"和"放大效应"

✅ 技术选型能讲清约束与取舍，能预判演进与坑；
✅ 有明确的"代码品味"，能定义团队的"好代码"标准；
✅ 能把 AI 变成团队的放大器（规范、模板、rules、评审护栏），而不只是自己用得爽；
✅ 能识别 AI 的系统性风险（幻觉、安全、过度抽象、隐蔽性能问题）；
❌ 危险信号：技术很强但所有判断都是"我喜欢"，给不出可迁移的理由。

五、正向信号 vs 危险信号（贴在你工位上的清单）

正向信号 ✅

对 AI 的态度是"强力工具 + 默认不信任"，先用后验；
讲方案时主动说"代价是什么""什么场景不适用";
能把模糊问题拆成清晰的约束和验收标准；
被指出错误时，关注的是"哪里想错了"，而不是面子；
能读懂并批判别人（或 AI）的代码，而不只是会自己写。

危险信号 🚩

全程"这个 AI 能搞定"，但说不清 AI 会怎么搞、可能错在哪；
另一个极端：完全排斥 AI，强调"纯手写才靠谱"，本质是不肯进化；
只会背结论，一问"为什么/换个场景"就卡壳；
把"用了很多新技术"当成优点，说不出解决了什么真实问题；
简历/作品集很炫，但当场让他讲某个实现细节就露馅（AI 缝合怪）。

六、给面试官的三条原则

考"不会被 AI 替代"的能力：判断、调试、架构、品味、沟通——而不是记忆与默写。
把 AI 请进面试间：与其防着候选人用 AI，不如直接观察他"怎么用、怎么把关"。下一篇会专门讲怎么设计这种环节。
基础不是用来刁难，是用来照妖：在 AI 缝合怪面前，扎实的原理追问是最高效的"打假"手段——但要问"为什么"，不要问"是什么"。

下一篇进入实操：考察范围与面试流程设计——8 大考察维度怎么排布、几轮面试各自抓什么、以及 AI 时代最关键的命题：到底是"闭卷考内功"还是"开卷考协作"，怎么设计一个让 AI 缝合怪无所遁形的现场环节。