一小時27道追問的AI面試：恆生電子這場去人化招募，先省的是篩選成本那一欄

（事件日期：9月23日）牛客網上一則秋招面試記錄，近一週仍在發酵。原PO應聘恆生電子AI開發工程師崗位，面試由AI主導，全程約一小時，追問多達27題，內容從Python閉包、快取穿透擊穿雪崩，一路延伸到RAG多輪對話、LangGraph的Checkpoint機制與短板。留言區隨後追加更多細節：有人被強制交卷、有人質疑筆試與面試環節銜接混亂，另有求職者在boss直聘應徵C++崗位後，發現筆試題限定C/C++且採ACM模式，自陳四五年未寫C++，質問「貴司的招募流程是完全去人化了嗎」。

這則貼文的重點不在AI面試本身，而在它攤開了一本帳：當金融IT廠商把初篩與初面整段交給模型，招募漏鬥每一層的成本結構被重寫，誰受惠、誰承壓，帳要逐項算。

一小時27題：題單本身就是一張需求說明書

先把題目結構拆開。原PO列出的27題大致可分為四層。

第一層是背景與動機題，共兩題，自我介紹與投遞契機，對應傳統面試的破冰段。第二層是基礎八股，閉包的形成條件、外部變數為何不被回收、閉包記憶體洩漏的解法、快取三大問題、本地鎖在分散式場景失效的原因，共六題，屬於標準後端知識點。第三層是大模型工程實務，結構化JSON輸出穩定性、缺欄位處理、重生成糾錯在生產環境的副作用、RAG多輪對話、摘要壓縮遺漏細節、兩種檢索的排序差異，加上Agent與Workflow的取捨，共八題。第四層是專案深挖與開放判斷，涵蓋合規與越權的技術方案選擇、測試用例有效性指標、方案落地失效後的歸因排查、LangGraph選型理由與短板，共十一題。

題單比面試形式更值得讀。基礎八股與快取題佔比不到四分之一，大模型工程與專案歸因合計超過七成，且第四層的追問鏈設計（選了LangGraph，就追為何不選LangChain，再追Checkpoint解決了什麼，最後追短板）明顯是預設的樹狀結構。這份題單實質上是恆生電子對AI開發崗的能力規格書：要的不是會調API的應用層工程師，而是能在生產環境處理結構化輸出、檢索排序、狀態持久化與合規邊界的人。這與恆生電子的主業結構一致：作為中國金融IT系統的主要供應商，其產品線覆蓋證券、資管、財富管理的交易與風控系統，近兩年將大模型能力嵌入投研、客服、合規審查等場景，對應的工程需求自然落在RAG、Agent編排與輸出可靠性這幾個環節。

成本結構：去人化初面動的是漏鬥哪一層

把招募當成一條篩選流水線看，成本主要掛在三個環節：簡歷初篩、筆試與初面、終面與錄用決策。AI介入最深的是前兩段。

傳統模式下，一家員工規模上萬的金融IT廠商，秋招收到數萬份簡歷，初面通常由業務線工程師或HR兼職執行。以每場初面30至60分鐘計，加上評估與記錄，一名工程師每篩選一百名候選人，消耗的工時約等於其數個工作日的產出。這筆成本在公司財報上不顯形，它以「業務部門配合招募」的形式沉沒在專案排程裡。AI面試把這筆隱性成本換成了算力與平臺費用，邊際成本近乎為零，一小時27題的追問密度，對人類面試官而言幾乎不可能維持，對模型而言只是上下文長度問題。

留言區的抱怨恰好暴露了這條流水線的薄弱處。追問過多導致候選人「時間不夠強行被交卷」，說明題單時長與作答時長未做匹配校驗；筆試崗位與候選人技能錯配（應徵者自陳無C++經驗卻收到限定C/C++的ACM題），顯示前置的崗位調整流程沒有人工覆核節點。去人化省下的是篩選成本，新增的是流程設計與異常處理成本，這兩筆帳目前看來只算了前一筆。

這個取捨結構，與我們先前分析過的醫療AI覆核成本掛在誰的報表上是同一套邏輯：模型上線省下的 labor cost，會以另一種形式轉嫁為例外事件的處理成本，差別只在招募場景的例外是「候選人體驗受損」，醫療場景的例外是責任歸屬。

影響推演：誰受惠，誰承壓

受惠方有三類。首先是招募平臺與AI面試服務商。牛客網本身承擔了社區討論與流程承接的角色，而市面上提供AI面試SaaS的廠商，在金融、零售、製造業校招場景的滲透率這兩年快速上升，恆生電子這類規模客戶的採購本身就是市場擴張的訊號。其次是應聘準備充分者。追問鏈固定、題目結構可預期，意味著面試的可準備性提高，刷題與專案敘事打磨的投資報酬率上升。第三是模型與算力供應商，面試是高頻、可標準化的推理場景，屬於穩定的token消耗來源。

承壓方同樣清晰。一是表達型候選人。AI面試對「說話」的要求極高，原PO自述感冒狀態下面了一小時，「說到缺氧頭昏」，面完昏睡兩小時；口語表達、臨場組織與身體狀態的方差，在長時程口語作答模式下被放大，不善言辭但工程能力紮實的候選人系統性喫虧。二是中遊院校求職者。當初篩全面去人化，演算法對簡歷與筆試分數的權重上升，履歷光環的邊際影響力提高而非降低，這與去人化承諾的公平性方向相反。三是HR與初階工程師的面試工時雖被釋放，但其在招募決策鏈中的位置也被壓縮，終面官拿到的已是模型預篩後的樣本，對樣本上遊的偏差失去感知。

傳導機制值得點明：招募漏鬥的去人化，會向上遊傳導至培訓市場（AI面試模擬、題庫服務需求增加），向下遊傳導至入職品質（篩選指標若與實際工作表現相關性不足，試用期淘汰成本後移）。

收束判斷

恆生電子這場一小時的AI面試，形式上是招募工具的更替，實質上是金融IT產業自身技術敘事的一次內部對帳：賣大模型解決方案給券商與銀行的廠商，用自己的招募流程驗證模型在長時程多輪追問下的穩定性，候選人同時是使用者與受測者。

從成本帳看，去人化初面在廠商端幾乎必然擴散，因為省下的工時是真實的，體驗的折損是不入帳的。但留言區的另一則質問，「貴司的招募流程是完全去人化了嗎」，點出了這條路徑的邊界：篩選可以交給模型，崗位匹配與例外處理目前還不行。哪一家廠商先把例外處理節點補回流程裡，哪一家就能在同等成本下拿到更好的候選人池，這筆差額，就是現階段去人化招募真正的競爭變數。