Google 內部數據承認：「面試與績效零相關。」

我們陷入了一個集體迷思：相信「解謎能力」等於「工程實戰力」。

我在外商的 15 年間，我們早就懷疑『聰明的謎題』根本篩不出好工程師。而 Google 後來的內部數據，完美證實了我們的懷疑：前人力營運資深副總裁 Laszlo Bock 公開揭露，在分析了數以萬計的面試數據後，這類問題與候選人的實際工作績效之間，顯示的相關性為「零」[P1]。

Fig. 2: They serve primarily to make the interviewer feel smart

為什麼？因為 LeetCode 測驗的是在「完美、封閉環境中」找到「單一最優解」的能力。更糟的是，這根本是錯誤的測量儀器。NC State 的研究證實，傳統技術面試帶來的壓力，會讓候選人的表現僅僅因為「被觀看」，就驟降超過 50%。

我還記得有一次，我面試一位極度資深的工程師，他在白板前緊張到發抖，連一個簡單的 for-loop 都寫錯。但我把他拉到旁邊的會議室，只給他紙筆，半小時後，他畫出了一套我見過最優雅的系統。

Fig. 3: Anxiety

而真正的戰場需要的是什麼？關鍵在於「處理模糊性 (Handling ambiguity)」。根據 Microsoft Research 的診斷 [P2]，這意味著高效能工程師必須同時具備「自立 (Self-reliant)」— 在有限指導下獨立解決複雜問題——以及「執行力 (Executes; no analysis paralysis)」，知道何時該停止分析、開始行動，以避免陷入「分析癱瘓」。

LeetCode 獎勵的是「分析癱瘓」前的完美解；而真實世界獎勵的是在模糊中「避免分析癱瘓」並交付成果的執行力。這證實了這個機制不是在篩選「實戰者」，而是在獎勵「解謎演員」。

我的建議是：停止用「演算法劇場」來篩選人才。我們需要的不是「演員」，而是「職人(Craftsman)」。

Fig. 4: Actor vs. Craftsman

我提倡的解決方案，是轉向模擬真實工作情境的「實戰力鑑別」。數據的對比是震撼的。傳統的「非結構化面試」，其預測效度低得可憐，相關係數僅有 r = 0.20-0.38 [KRQ-2]。

這對我來說一點也不意外。因為後者（Take-Home）測量的是『工藝 (Craft)』，而前者（LeetCode）測量的只是『記憶 (Memory)』。

該研究甚至發現，程式碼品質指標與「可維護的生產程式碼」相關性高達 r = 0.67 [S1]。

這向我證實了：越接近實際工作情境的測驗，預測力越強。我所建立的鑑別模型的核心，就是「非同步項目」、「Debugging 挑戰」與「權衡對話」。

這些機制之所以有效，是因為它們刻意模擬了真實工作中的「不確定性」、「模糊需求」和「溝通成本」，迫使候選人走出白板的真空環境，真正展示他們在壓力下的「權衡決策能力」與「工程心態」，這才是「Ownership」的真實樣貌。

這對你意味著什麼？這意味著你不必再玩這場「記憶」遊戲。你的時間應該花在打造「工藝 (Craft)」，而不是刷題。

這套機制篩選出的，是那些「知道『做事』和『正確做事』區別」的人。他們「不走捷徑」，對自己的產出感到自豪。更關鍵的是，他們在程式碼 commit 後「不會停止關心」，會將 Ownership 延伸到部署和維護。

這，就是我定義的 A 級人才。

Fig. 5: A-Player definition

這才是你真正的 ROI：證明你的價值不必通過「解謎」，而是通過交付「高維護性的程式碼」。當你遇到一個懂得用「實戰鑑別」的面試官（像我）時，你就會立刻勝出。

我的核心信念是：企業最大的招募成本不是「錯招 (False Positives)」，而是「錯殺 (False Negatives)」。

作為一個「實戰者」，你的挑戰不是去背誦答案，而是去找到「能鑑別你實戰力」的舞台。

你是否也曾是「Max Howell」？你是否也因為一個爛問題，而錯失一個好機會？

歡迎在評論區分享你的故事。Reskill Lab 的使命，就是幫助像你一樣的 A 級人才，停止被「錯殺」，並拿回你應得的價值。

這篇文章為你揭示了外商面試的「隱藏規則」。當你準備好將這些理論轉化為行動時，這裡有三種方式可以幫助你：