面试被问“你用AI写代码吗”，别只答“用”

消息提到，有人用大模型从0实现向量数据库，并以数据库性能计分。在这个测试里，Fable-5.1仍是SOTA，写出的向量数据库性能是第二名的2倍；但它三次得分是21191.51、11915.19、7998.93，波动很大。相比之下，GPT6-Astra三次得分12985.28、12134.83、10676.74，接近得多。作者据此认为，从省token角度更推荐GPT6-Astra，因为发挥稳定、不需要重复抽卡。

注意，这只是该测试的结论，测试环境、硬件配置和完整评测方法都未说明，不能直接推导到真实企业项目。但它对面试表达很有启发：与其说“我用AI”，不如说“我按任务复杂度选工具”。

波动大，对排期意味着什么

假设一个模拟场景：你要写一个带索引和查询接口的小型存储组件。用高上限但波动大的模型，可能一次生成很漂亮的实现，也可能三次里两次跑不通；用稳定型模型，单次上限略低，但结果更可预期。

两种做法对应两种排期。前者适合探索性任务，但要预留验证和重试时间，不能把单次高分当成稳定产出能力；后者适合交付路径清晰的任务，省下的重复尝试时间本身就是成本。面试里可以这样讲：我会先判断任务是“探索型”还是“交付型”，再决定用哪类模型，并说明验证步骤。

把“省token”翻译成面试语言

省token不只是省钱，本质是省重复尝试的时间。作者推荐GPT6-Astra的理由是稳定、不用反复抽卡，这个判断可以转化为你对开发效率和结果可预期性的理解。

但别把它当成全行业结论。面试官更想听的是：你如何核查一个工具在目标岗位上的实际价值。可以准备一个具体例子，比如同一段接口代码用两类模型各跑一次，记录通过率、返工次数和验证耗时，用[实际记录]这类占位提醒自己：只有真实做过的数据才能写进简历。 延伸阅读：后端开发工程师简历撰写指南：从技术栈到项目亮点的完美呈现

一个实际可做的小建议：下次写代码前，先给任务标上“探索”或“交付”，再选模型，并记下这次选择的结果。面试时你就有话可说，而不是空谈“AI提效”。