Процесс инженерного собеседования Tolan с использованием искусственного интеллекта

Tolan переработал свой процесс инженерного собеседования, чтобы отразить то, как инженеры на самом деле работают с ИИ-агентами для программирования. Вместо традиционных алгоритмических вопросов они сосредотачиваются на практических навыках, которые важны, когда ИИ пишет большую часть продакшен-кода.
Структура собеседования
Кандидаты проводят утро в офисе Tolan в Сан-Франциско, работая над небольшой задачей, которую компания уже решала сама. Задача основана на базовом файле Figma или кратком описании, обычно представляющем простой процесс или легковесную функцию, на создание которой в обычных условиях ушло бы день или два.
У кандидатов есть всего несколько часов на работу над задачей, чего недостаточно для создания отполированного продукта. Это ограничение намеренное — они хотят увидеть, как кандидаты работают в рамках ограничений.
Использование ИИ-инструментов поощряется
Кандидатов прямо поощряют использовать ИИ для решения задачи. Tolan предоставляет лицензии на Claude, Codex, Cursor или Gemini при необходимости. Ключевое ожидание — кандидаты должны балансировать между кодом, сгенерированным LLM, и собственным суждением. Даже если они не пишут код сами, они несут ответственность за результат.
Что они ищут:
- Как кандидаты подходят к проблеме
- Как они структурируют решение
- Как они обдумывают ограничения
- Как они решают, что на самом деле важно
Критерии оценки
После рабочей сессии следует 20–30-минутное обсуждение созданного. Интервьюеры спрашивают, что кандидаты улучшили бы, если бы у них было больше времени, что они изменили бы перед отправкой на ревью и что — перед релизом.
Тревожные сигналы включают:
- Кандидатов, которые используют LLM для обдумывания того, как должен быть выполнен проект (например, делают скриншот Figma и просят Claude решить задачу)
- Кандидатов, которые не задают вопросов по неясным спецификациям
- Кандидатов, которые говорят «Я всё ещё не уверен, что делает эта часть», но не стали бы ничего менять перед человеческим ревью
Положительные сигналы включают:
- Уточнение формулировок задач и исследование крайних случаев
- Распознавание компромиссов
- Указание на то, что что-то кажется странным или неправильным
- Проявление креативности (например, создание мини-игры для развлечения пользователей во время ожидания ответа LLM)
- Понимание, когда работа недостаточно хороша, и знание, как её улучшить
Основная философия: в мире, где реализация становится проще, важнее всего — суждение. Рабочий код — это не финишная черта; понимание и поддержка кода — вот что важно.
📖 Read the full source: HN AI Agents
👀 Смотрите также

Модели с открытым исходным кодом соответствуют или превосходят Claude Opus 4.6 по тестовым показателям.
DeepSeek V3.2, DeepSeek R1, Kimi K2.5 и MiniMax M2.5 превосходят Claude Opus 4.6 по 4 из 5 основных тестов, включая MMLU-Pro, скорость, использование инструментов и логическое мышление, при этом будучи значительно дешевле.

Различия между использованием Claude через GitHub Copilot и в качестве расширения для VS Code
Исследуйте различия между использованием Claude AI через сессии GitHub Copilot и в виде расширения для VS Code на основе их интеграции и функциональности.

Hershey's Multi-Agent AI запускает моделирование маркетингового микса ежемесячно вместо ежеквартально
Hershey использует Mutinex (многоагентная система на базе Claude/Gemini) и Tracer для автоматизации MMM, сокращая циклы анализа с ежегодных до ежемесячных для маркетинговых расходов в $2 млрд.

Использование API артефактов Claude учитывается в квоте чата, а не в биллинге API.
Использование артефактов Claude внутри Claude приводит к обычным API-вызовам, которые перехватываются Anthropic и аутентифицируются через активную сессию, засчитываясь в квоту чата плана, а не в API-биллинг. Пользователи могут проверить это, протестировав артефакты и убедившись, что использование API в Claude Console остаётся нулевым.