全文速览图
现在找工作，面试还没开始，公司就先找你要两样东西：一张 Token 消耗截图，一个 GitHub 主页链接。
我带的学员里，好几个都碰到了。要截图的公司什么类型都有，有的要周消耗，有的要月消耗，看你是轻度用户还是中度用户。标准每家都不一样，但结果是一样的，有学员就因为 Token 量不达标，或者干脆太少，在面试前就被卡掉了。
人还没见到，先看你用了多少 AI。
第一次听学员说的时候，我其实没太意外。这件事在公司内部已经走了一年多，现在只是走到了招聘这一步。
这一年多，公司是怎么一步步逼人用 AI 的
最早是表态。
去年春天，Shopify 的 CEO 把一份内部信直接发到了网上，大意是，现在下意识地用 AI 是对每个人的基本要求。AI 用得怎么样写进了绩效，团队想加人，得先证明这活 AI 干不了。
紧接着微软、Duolingo 这些公司也跟上了，说法都差不多，用 AI 不再是可选项。
最狠的是 Coinbase。CEO 要求所有工程师一周之内开通 AI 编程工具，到了周六开会，几个没开通、也说不出理由的人，直接被开了。他自己事后也承认，这做法是有点粗暴。
然后是排行榜。
今年上半年，几家大厂开始在内部数 Token。亚马逊给开发者定了每周用 AI 的目标，还在内部排行榜上统计每个人的 Token 消耗。Meta 有人搞了个 Token 排行榜，挂出前 250 名，还发 “Token 传奇” 这种徽章。
榜上第一名，一个人 30 天用了 2810 亿 Token。
卧槽，看到这个数我是真愣了一下。我自己每天用 Claude Code 写书、写文章，已经算用得很多的了，跟这个比完全不是一个量级。
国内也差不多是这个节奏。
我之前在昆仑万维。今年 1 月，公司就要求内部按 AI 来考核：设计师必须会用最顶尖的模型，开发团队写代码必须用 Cursor 这类 AI IDE，产品必须会用 AI 画原型。
后来和在大厂的朋友聊，他们公司内部也有 AI 考核，还有硬性的 Token 用量要求，每个人得用够多少。上个月老东家又发了一份内部通知，讲业务调整，里面把 AI 业务写成了公司的重中之重。
小公司就更夸张了。海外有一家只有 10 个人的游戏公司，每个月花在 Token 上的钱，是全员工资的 30 倍。公司里每一块业务，从游戏引擎到财务，都交给一个常驻的 AI agent 管。
从表态、进绩效，到排行榜，再到面试前就要截图，前后也就一年多。公司愿意拿一个数字来筛人，说明这股浪已经很大了，很多公司是真的开始在意 AI。
Token 是要花钱买的，而且真不便宜。
重度用户一天烧掉几百块钱的 Token 很正常，一年下来，在有的国家够发一个工程师的工资了。
钱花得也快。Uber 按团队给 AI 工具的用量排名，结果四个月就把一整年的 AI 编程预算花完了。
钱都花出去了，公司当然要看人到底用没用。买了工具没人用，这钱就打水漂了。
招聘是同一个道理。人进来以后要用 AI 干活，公司会先看他平时用不用。面试官没法在一小时里看出你用了半年 AI 的功夫，一张周消耗截图倒是一眼就能看到。
Token 能刷出来，也证明不了你会用
Token 量能造假，本身也说明不了太多。
排行榜一出来，刷量的人马上就来了。亚马逊有员工用内部的 agent 工具自动跑一些没必要的任务，专门把 Token 刷上去。公司说这不进绩效，可员工说经理都在看。
微软后来给工程师发了封邮件，把刷量的手法列得清清楚楚：让 agent 空转着不关，问模型一些自己早就知道答案的问题，一件事硬拆成好多轮来做。
看到这几条我笑出声了，这不就是上学时候写作文凑字数吗。
就算不是故意刷，用得多也不代表用得好。越不会用的人，Token 可能烧得越多。提示词写不清楚，就一遍遍重来；任务拆不开，就让模型反复返工；一个对话窗口里塞满了前面没用的东西，每问一句都要把这些再带一遍。
还有个研究挺扎心的。找了一批资深的程序员，在他们自己的项目上做真实任务，结果用了 AI 以后反而慢了差不多两成。可做完以后问他们，他们觉得自己快了两成。
用了 AI，还自以为快了，实际是慢了。Token 照样烧了，截图照样好看。
Token 只是投入。投入多了不一定有产出，有了产出也不一定有结果。
海外一些大厂里，大部分代码已经是 AI 写的，提交的代码量翻了好几倍，一年的 AI 预算几个月就烧完了。可公司收入没涨那么多，App 看起来也和半年前差不多。多写出来的代码里，有的上线出了事故被回滚，有的只是给内部工具换了个皮。最后呢，Token 的钱涨上来了，收入没跟上，只能裁员，从人头里省。
Token 用得多，公司不一定满意。公司最后要看的，是这些 Token 换回了什么。
但 Token 为零，起码说明你不会用
我觉得公司要截图这件事挺好。
Token 一点都没有，起码说明你不会用 AI。
Token 现在就是一层筛选。它筛不出谁是 AI 人才，但能先把完全没用过的人挡在外面。用量高不一定能过，用量为零基本过不了。
Coinbase 开除人那次，要求其实很低，只是开通账号。连账号都没开，后面的事就不用谈了。
有人这样总结这一轮排行榜，我很认同。这个指标本身可以用，出问题的地方在于，公司把一个入门指标拿去当了绩效指标。
用来判断你有没有入门，Token 够用。用来判断你有多强，它就不够了。
公司内部其实已经在往回收了。Meta 那个排行榜上线没几天就关了，亚马逊撤了内部的 Token 看板，Duolingo 也把绩效里的 AI 使用这一项拿掉了。
内部在往回收，招聘这边才刚开始要截图。我觉得 Token 截图只是现阶段的手段，以后肯定会有更好的办法看一个人会不会用 AI。在那之前，各家公司会先用这个最省事的数。
AI 帮不上忙，只是暂时的
还有一种说法，亚马逊就是这么跟工程师讲的。如果现在的 AI 对你的工作没帮助，这是一个发现，不是你的失职，把原因写下来，去找领导谈。
这句我不太认同。
至少在生产力这一块，我不觉得有哪件事 AI 一点忙都帮不上。就算现在有，也只是暂时的。
今年 5 月出过一个很难的编程测试，给 AI 一个编译好的程序和说明文档，让它把整个程序重新写出来，题目里有数据库、压缩工具这些。刚出来的时候，所有模型都是 0 分。
半年过去，最好的模型已经能完整做对快两成，大部分题都能过九成以上的测试。
前面那个程序员变慢的研究，用的也是去年初的模型。
半年前还是 “AI 帮不上忙” 的事，现在已经帮上一大半了。你的工作里如果有一件事现在 AI 做不好，我会把它当成下一个要去试的地方，而不是可以不用 AI 的理由。
门槛已经从截图走到了当场做
Token 截图只是第一道。过了这一道，越来越多的公司开始让你当场做给他们看。
Canva 去年就改了面试，候选人必须用 AI，题目也换成了需求很模糊的真实问题。他们发现，AI 用得少的人很吃力。这些人代码会写，可不知道怎么指挥 AI，也看不出 AI 给的方案哪里不对。
这和我学员因为 Token 太少被卡，是同一个逻辑。平时不怎么用的人，到了面试现场是装不出来的。
Sierra 今年干脆把编程题和算法题都取消了。现在的面试是先和面试官一起定要做个什么产品，再用自己顺手的 AI 工具做两个小时，最后演示、过代码，面试官会一直追问你 AI 是怎么用的。
DigitalOcean 也差不多，给三个小时，用什么 AI 工具都行，把一个原型设计出来、搭好、部署上线，再讲清楚中间的取舍。他们说得很直白，代码 AI 肯定写得出来，他们要看的是你怎么做决定：哪些交给 AI、哪些自己写，怎么给 AI 下指令，哪些结果会去验证，还有 AI 很自信地给了你一个跑不通的东西时，你怎么办。
最后这条我太有体会了。AI 一本正经地跟你说 “已经修好了”，一跑还是报错，这种事我一天能碰上好几回。
Anthropic 有一位招聘经理，上个月也把他团队面试里的编程题取消了。他发了条推，说编程面试已经死了。理由是现在再出一道小编程题，和考人写汇编一样没意义，这两样 Claude 都比人做得好。
这股风也不只刮在程序员身上。海外招聘网站上，标题里带 AI 的岗位越来越多，其中一大半都不是技术岗，销售、HR、法务、客服都有。
光会说、光有作品集，已经不够了
以前转 AI，准备的东西主要是两样：面试时能聊，手里有一份作品集。
现在多了几道不写在 JD 里的门槛：Token 截图看你平时用不用，GitHub 主页看你到底做过什么，现场做题看你是不是真的会。
岗位本身也在变少，尤其是大厂的应届岗。产品经理和设计岗缩得比工程师还厉害。
岗位少了，公司要的人也变了。那位取消编程题的招聘经理，对新人反而挺乐观。以前一个新人有想法，得先写需求文档、找人拍板、排设计和开发的时间，熬到有点资历，公司才愿意押注他的想法。现在做出东西的成本低了，一个新人一个周末就能做出能跑的原型，直接拿给领导看，这些流程全跳过了。
他举过一个例子。Claude Code 一开始只有命令行，团队里的老员工都用惯了，没觉得这是个问题。是两个新来的工程师花了一个周末做出了图形界面的原型，一周多以后就上线了。
能聊、会讲道理，面试一小时谁都能准备。作品集也可以面试前突击做一份。可周消耗、月消耗、GitHub 上的项目，还有现场做题时那份熟练，只能平时一天天攒出来。公司要的就是这些攒不出假的东西。
现在到底要什么样的人
Token 记录和 GitHub 主页，是公司能看到的两个结果。可这两样只是表面，背后公司在找的是另一种人。
把这段时间看到的放在一起，我觉得大概是下面这几种特质。
有极客属性，先用起来
AI 这东西，看再多教程都不如自己上手用一遍。
哈佛商学院有位教授叫 Lakhani，专门研究企业怎么用 AI。他说这是靠亲身体验获得的东西，不是我讲给你，你就能学会的，必须持续用这些工具，自己摸索。
他给高管上课，经常听到一句 “我们已经了解 AI 了”。他就让每个高管花 90 分钟，给自己的业务动手做一个应用。很多人做完初版才发现，过去提了好几年的需求，现在自己就能搭出来。
我也是这个感受。用 AI 有点像打游戏开地图，你多去试它的边界，地图就越开越大。今天做不到的事，过两个月换个模型可能就做到了，不一直用着根本不知道。
怎么判断自己有没有这种极客属性？问自己一句，最近一个月，AI 新帮你干成了哪件以前干不了的事？一件都说不出来，说明你用得还是太少，或者一直在用它干同样的几件事。
有研究能力，不接受第一个答案
光用还不够，还得会怀疑它。
Lakhani 和同事研究过两百多个 BCG 顾问用 AI 的方式，大概分成三类人。第一类一边干活一边跟 AI 来回讨论，补信息、质疑它、再调方案。第二类分工很清楚，知道哪些交给 AI，拿回来自己再检查一遍。第三类就是按个启动键，等着一个能交差的结果。
学得最差的就是第三类，因为他们已经不思考了。
他自己的习惯是 “我从不接受第一个答案”，要么提前让 AI 给几个替代方案，要么自己接着追问。他还开除过一个人，那人解释工作结果时说的是：“这是 AI 给我的。”
卧槽，这句话我在学员身上也听过，只不过没那么直接。问他这个方案为什么这么设计，他说 AI 就是这么给的。
AI 最麻烦的地方是它很少一眼就错。它说得头头是道，你质疑它，它还能给错的答案再编一套更有说服力的理由。所以要让它反驳你，让它列出哪些地方不确定，再拿这些去查资料。
Lakhani 给了一个自测办法，我觉得特别好用。找一件这周用 AI 做完的事，不看聊天记录，讲清楚当时为什么这么判断，采纳了什么，否掉了什么。讲不清楚，就从讲不清的那里开始补。
有自己的作品，有从 0 到 1 的经验
这一点前面说了很多，Token 截图、GitHub 主页、面试当场做原型，查的都是这个。
连哈佛商学院都在改。Lakhani 说，他们的 MBA 课期末考核已经改成动手项目，近千个学生用 AI 编程做解决方案。他的原话是，我们不能只在商学院里谈 AI，必须动手做 AI。
从 0 到 1 做过一个东西，和只会在别人搭好的东西上改改，差别很大。你得自己想清楚做什么，自己判断做到什么程度能上线，碰到问题也没人能问。
会定义问题，会验收结果
写代码、做 PPT、出图这些执行的活，越来越多交给 AI 了。人的价值就剩两头，开头把问题定义清楚，结尾判断做得对不对、好不好。
定义问题，是想清楚到底要做什么，再把它拆成 AI 刚好能做好的一小块一小块。验收靠的是品味。有位做 AI 产品的人说过，他看过很好的 AI 视频，想法他也有，可两个视频摆在面前，他分不出哪个好，所以他到现在都做不好 AI 视频。
这两头以前是资深员工的活，现在越来越多压到了新人身上。海外有家公司，大概 80 个工程师只配 1 个产品经理，每个工程师都得自己想清楚要做什么。反过来，产品经理也越来越多自己动手搭原型，直接拿给客户看，不再写一份 PRD 扔给研发就完事。
品味没有捷径，就是多看、多上手。好的差的看多了，自己做过几遍，自然就知道什么叫好。
判断标准也简单，两份 AI 的产出摆在你面前，你能不能分出哪个更好，还能说出好在哪。
能把经验写下来，再分享出去
最后一种特质，我觉得最容易被忽略。
做一个项目是一个小循环：想清楚要做什么，让 AI 做出来，自己验收。把做的过程写出来、讲出去，是一个大循环。写的时候你会发现自己哪里没想清楚，发出去还能拿到别人的反馈，反馈又让你回头改。
我自己就是这么过来的。日更公众号、写书、上课，很多东西是写着写着才想明白的。
你不一定要做自媒体。写一份项目复盘、在团队里做一次分享、在 GitHub 上把 README 写清楚，都是在做这件事。面试时能把一个项目从头讲到尾，讲清楚哪里卡过、怎么解决的，本身就是一种证明。
怎么准备：疯狂做项目
上面这几种特质，听起来像要练很久，其实一个办法就能一起练：疯狂做项目。
我现在带学员就是这么干的。项目做起来，Token 自然就用上去了，GitHub 上也会一个个多出能点开的项目，到了现场做题也不会手生。几道门槛一起过，不用专门去刷。
做什么项目呢？我反而劝他们别太功利。
很多人一上来就想做一个很重的产品，交付要完整，商业模式要想清楚，最好上线就能挣钱。想得太完美，最后往往一个都做不出来。
AI 把做东西的门槛拉平以后，大家拼的就是想象力。你看前段时间火起来的小猫补光灯，还有之前在抖音上很火的那个音乐播放器，做的人也没想着商业化，就是好玩，结果大家特别买账。
做一个小小的工具、一个小项目就够了。能证明你可以用 AI 把一个东西从想法做出来，这件事本身就很牛逼。产品本身牛不牛逼，反而没那么重要。
另外两点也可以注意：
- 先从自己身边的事下手。做产品的就拿 AI 画原型、写 PRD，做设计的就拿最新的模型出图，做运营的就让 AI 帮你搭一个自动化流程。自己天天碰到的事，你最清楚哪里难受，也最知道做出来好不好用。
- 一个项目只做一件事。新手容易把好几个想法塞进同一个项目，最后哪个都没做完。别人点进你的 GitHub，最好一眼就能看出这个项目是干什么的。
每做完一个项目，可以拿面试官会问的那几件事问自己一遍：
- 这个项目要做什么，是你自己定的，还是照着教程做的？
- 哪些部分交给了 AI，哪些是你自己写或者自己改的？
- AI 给的结果，你验证过哪些？怎么验证的？
- 中间 AI 有没有给过跑不通、但看起来很像对的东西？你是怎么发现、怎么处理的？
- 不看聊天记录，你能不能讲清楚每个关键决定为什么这么做？
这几个问题都答得上来，Token 就是真用出来的，GitHub 上的项目也经得起追问。
面试前，再按这两条自查一遍：
- Token 记录：不能是零，也不能少到一眼看出是面试前临时用的。具体多少算达标，每家公司标准不一样，这里不给数。
- GitHub 主页：上面有能点开的真实项目，README 写清楚了做什么、为什么做，别人点进去能看明白。