科技初创公司增设AI思维面试筛选非程序员岗位

科技初创公司增设AI思维面试筛选非程序员岗位 仅会操作AI工具已无法构成职场竞争优势，新时代企业更看重员工能否通过将隐性判断力转化为AI显性资产来放大团队复利。 视频深入拆解了非程序员在AI Native公司面试中脱颖而出的三大核心思维框架。第一层是用AI走进代码本质，做出更逼近业务与用户真相的“真实”产品；第二层是在AI原生组织中，通过跨角色共建活的原型，实现超高效率的端到端真实迭代；第三层则是将个人的隐性知识与判断力显性化并传授给AI，从而放大个人杠杆并为团队沉淀复利。主讲人强调，新时代的真正竞争力在于掌握AI背后的全新工作与组织方式，而非单纯掌握Cursor或Claude Code等工具的使用。 许多明星初创企业和AI Native公司在面试中增设了“AI mindset”环节，重点考察候选人的AI原生思维和高效协同能力。 (0:00) 针对非程序员岗位的AI Native核心逻辑可概括为“我不只是会用AI，我还能……”，仅停留于使用Cursor或Claude Code等工具已失去竞争优势。 (0:00) 第一层思维：用AI做出更真实的东西，即追求通过代码这种真实的构建材料来逼近软件的交互和业务真相，而非停留在像素切片或表面工具的使用上。 (2:09) 第二层思维：在AI原生组织中实现高效的端到端迭代，传统的多环节开会交接转变为多角色从第一天起就基于AI共同拥有并迭代真实原型。 (3:52) 在AI Native组织的高效协作中，不同岗位承担新职责：设计师提供审美与精准Prompt，数据科学家提供数据直觉和快速观测，产品经理提供愿景，而工程师担任指挥家进行架构设计。 (3:52)

主讲人指出，当前明星初创及 AI Native 企业在招聘非工程岗位时普遍增设了“AI Mindset”考核环节，重点评估候选人如何超越工具操作层面，利用 AI 实现认知求真、端到端协作以及知识资产化。 考核重点转移与非工程岗位的竞争壁垒 (0:00) 主讲人观察到，在企业培训与行业交流中，越来越多 AI Native 初创公司设立了专门的“AI Mindset”面试环节。该环节的核心目标在于检验候选人是否具备 AI 原生思维、能否高效协同并用好 AI。这一考察主要面向设计师、数据科学家、产品经理及市场项目经理等非程序员群体。 面对当前招聘环境，单纯提及使用过 Cursor 或 Claude Code 等工具已无法构成差异化优势。与硅谷将程序员定位为负责编排与架构的“指挥家（Conductor）”不同，非技术岗位需要向面试官系统性证明自身超越常规工具使用、能利用 AI 深度重塑工作流的思维层级。 以代码为构建材料：追求真实而非单纯求快 (2:09) 第一层思维的核心在于“用 AI 做出更真实的东西”。主讲人援引设计师 RYO 从 Figma 转向 Cursor 的案例指出，软件的真实构建材料是具备交互与动态属性的代码，而非平面的像素切片。设计师只有深入代码材料，才能真正触及软件本身的真实状态。 这种“求真”逻辑同样延伸至数据科学家与产品经理。主讲人以其在 Pinterest 开展的数据科学研讨为例说明，利用 AI 的关键在于穿透表象以逼近事实真相（Truth）与业务洞见。相较于单维度的效率提升，候选人展现出的对真实业务与用户实际体验的追求，更具说服力。 打破职能壁垒：端到端闭环与敏捷求证 (3:52) 第二层思维聚焦于理解并融入 AI Native 组织的协作模式。在传统模式中，设计原型经复杂分支交接后往往固化难改；而新型团队在第一天便由各角色共同通过 AI Coding 搭建出可交互的活原型，实现对产品的端到端共同拥有。 在此协作链条中，设计师提供审美与提示词，数据科学家负责增长直觉、实验与看板监测，产品经理确立用户愿景，工程师则扮演架构与 Agent 调度者。主讲人指出，鉴于人类脑海中的设想往往有约 80% 存在偏差，将流程从数周压缩至数分钟的核心价值，在于能够以极低成本将真实原型交由用户检验并快速迭代数十次。 沉淀个人判断力：将隐性经验转化为显性资产 (7:05) 第三层思维要求候选人能够“把个人的判断力教给 AI”，以最大化个人杠杆。用人单位不再仅以日常作图或分析报告的产出数量来衡量生产力，而是看重员工能否将脑海中的隐性经验（Tacit Information）转化为 AI 可直接调用的显性资产与复利系统。 例如，设计师应将设计系统与品牌指南封装为 AI 的技能或上下文管理系统；数据科学家与产品经理则需将分析框架和决策逻辑模板化。主讲人建议，若候选人所在组织缺乏相应环境，可通过深度副业项目（Side Project）自主实践，通过攻克真实技术挑战来沉淀 AI 原生经验。 主讲人总结强调，将 AI 局限于搜索引擎或简单提示词调优已失去竞争力；职场人必须理解新型工作与组织模式背后的 Mindset 和架构，通过体系化输出生产力建立新壁垒。

[1:00] 我不只是会用 AI，我还能：…… [1:00] 仅仅宣称自己用过 Cursor 或 Claude Code 已无法构成竞争优势，必须展现出深层的 AI 原生思维才能打动面试官。 [2:09] 我不只是会用 AI，还能用 AI 去做出更真实的东西 [2:09] RYO: 软件的构建材料（Building Material）本质上是代码（Code），而不是像素。 [2:09] RYO: 一个优秀的设计师不应满足于只在视觉上看软件，因为那是“假的东西”，必须走进代码这一构建材料，才能更真实地面对软件本身。 [3:52] 我能在新的协作方式里边更高效的工作 [3:52] 端到端（End-to-End）地共同拥有（Own）一个产品，从而形成闭环并让飞轮快速运转。 [3:52] 在实际产品开发中，人类脑海中想象的假设（Hypothesis）有 80% 都是错的，人其实非常不善于预测真实世界和用户的真实想法。 [7:05] 我能把我的判断力教给 AI [7:05] 新一代公司关心的不再是员工每天能出多少张图、做多少个分析，而是你加入后能否通过将个人知识转化给 AI，为整个系统持续带来复利。 [8:37] 框架只能表达案例，不能替你创造案例 [10:16] 会用 AI 当工具、当搜索引擎，或者 Prompt 玩得有些花活，在当前时代都不构成核心竞争力。

[0:00] 我在做企业培训和跟行业的朋友交流的时候 [0:03] 就发现2026年很多公司 [0:05] 尤其是那些明星的 startup [0:07] 或者说是 AI Native 的 startup [0:09] 他们就会有一个专门的面试环节 [0:11] 叫做 AI mindset 的环节 [0:13] 这个环节就是用来考察候选人 [0:15] 是不是真的具备 AI 原生的思维 [0:17] 是不是真的可以跟 AI 非常有效地协作 [0:20] 是不是真的能把 AI 用好 [0:22] 那我们怎么样子在这个环节里面出彩 [0:24] 怎么样子拿到我们想要的 [0:26] 那些下一个时代的岗位呢 [0:27] 我在这里边给大家总结了3个框架 [0:30] 这个框架其实是我在 [0:31] 朋友身上已经使用过 [0:33] 并且拿到很好的结果 [0:34] 帮助她拿到 offer 的 [0:35] 因为我平时不接 mock interview [0:37] 所以说这期视频就把这些框架 [0:39] 完整的给大家分析起来 [0:41] 欢迎大家自己拿去使用 [0:42] 在这里有一个说明啊 [0:43] 就是这些框架其实 [0:45] 大多数针对的是非程序员 [0:47] 对于程序员来说有一个更高的要求 [0:49] 也就是说这个框架针对的是 [0:51] 设计师、Data Scientist、PM、Data Analyst [0:54] 或者 Marketing Project Manager 这样的职位 [0:56] 对于程序员的话 [0:57] 他们其实硅谷现在的热词叫做 Conductor [1:01] 其实就是我们所说的 AI Architect [1:03] 如果大家去看我们的胜任力模型的话 [1:05] AI Architect 的关键词是 orchestration [1:07] Conductor 也是 orchestration [1:09] 就是这个编排这个词而来的 [1:11] 那我们关于程序员的面试要求 [1:13] 我们可以未来再说 [1:14] 今天我们就来解读一下 [1:16] 非程序员的 AI Native mindset [1:18] 到底要怎么证明你很厉害 [1:20] 在这里边给大家分了三个点 [1:22] 每个点的开始都是 [1:23] “我不只是会用 AI，我还能：...” [1:26] 因为在今天这个时代啊 [1:28] 就是你说我用过 Cursor [1:29] 我用过 Claude Code [1:30] 它不构成一个竞争优势 [1:31] 所以说你要去说 [1:33] 你除了用这些之外 [1:34] 你到底有什么 AI 原生的思维方式 [1:36] 才能打动面试官 [1:37] 那这三个思维方式分别是 [1:39] 我还能用 AI 做出更真实的东西 [1:41] 我能在新的协作方式里边 [1:44] 更高效的工作 [1:45] 和我能把我的判断力教给 AI [1:47] 我一个一个来拆解啊 [1:48] 然后绝大多数人其实大家会发现 [1:50] 根本连第一层都没有跨过 [1:52] 所以说你如果能把这3层掌握 [1:54] 在工作中和 side project 中积累足够的案例 [1:57] 那我相信你拿下这样的面试是完全不成问题的 [2:00] 甚至他因为你这个面试表现的太好 [2:02] 还可以弥补你其他环节的一些不够优秀的点 [2:05] 因为企业对这样的人才 [2:07] 实在是太求贤若渴了 [2:09] 那第一点 [2:09] 什么叫做我不只是会用 AI [2:12] 还能用 AI 去做出更真实的东西呢 [2:15] 这里边的原理是我采访 RYO 的时候 [2:17] 他的思想 [2:18] 对于 RYO 这样的一个设计师来说啊 [2:20] 他讲他为什么放弃了 Figma 而去用 Cursor 了 [2:23] 因为我们去做软件的 [2:24] building material 就是代码 [2:26] 而不是像素 [2:27] 这个像素其实只不过是 [2:29] 我们对这个软件的一个视觉上的切片 [2:31] 而这个软件的本身其实是代码 [2:33] 这个软件本身是深的 [2:35] 是有交互的 [2:36] 是动态的 [2:37] 所以说你通过代码才能 [2:38] 更逼近这个软件的真实 [2:40] 那一个好的设计师当然不能 [2:42] 满足于只在视觉上去看这个软件 [2:44] 因为那样看出来的东西 [2:45] 永远是一个假的东西 [2:47] 他要去真正的去走进这个 building material [2:50] 走进 code [2:51] 才能更真实的去面向这个软件 [2:53] 大家可以想象啊 [2:54] 这个是对于设计师来说的 [2:55] 那你对于 PM [2:56] 对于 Data Scientist 来说也是这个样子 [2:58] 如果大家去我的 App Super Linear Academy 里边 [3:01] 有一个免费的公开课 [3:03] 其中有一个呢 [3:03] 就是我跟鸭哥跟 [3:05] Pinterest 全公司的 DS 做了一个讲座和 Demo [3:08] 那里边我们就专门讲了 [3:09] Data Scientist 们是怎么样子 [3:11] 可以更好地使用 AI [3:13] 去得到更真实的洞见 [3:14] 去更逼近 truth 的 [3:15] 如果说 Data Scientist [3:16] 你想就这个环节的细节进行准备的话 [3:19] 我非常推荐你去看那期免费的公开课 [3:21] 那个讲座本身在 Pinterest [3:22] 也是非常受到好评 [3:24] 那大家看到了吗 [3:25] 在这一层 [3:25] 你所体现的素质 [3:27] 不光是你会用 AI 这么简单 [3:28] 而是你对真实 [3:29] 对这个业务本身的追求 [3:31] 对消费者的真实体验的关心 [3:33] 这个点其实才是那个真正 [3:35] 非常打动面试官的那个点 [3:37] 然后这一层看起来简单啊 [3:38] 但是我所遇到的大多数人 [3:40] 尤其是比如说一个设计师 [3:42] 他是没有去用 Cursor 的 [3:43] 然后他是没有去真的去看代码的 [3:45] 所以说用起来 [3:46] 然后已经打败了更多人了 [3:47] 更不要说你还有一个更深层次的 [3:49] 非常加分的思考 [3:50] 那就是求真而不只是求快 [3:52] 第二点一个 AI Native 的人 [3:54] 一定是可以在一个 AI Native 的组织 [3:56] 去发挥更高的效果的 [3:58] 那你就要知道一个 AI Native 的组织 [4:00] 到底是怎么运转的 [4:01] 这个其实大家去看 RYO 的那个访谈里边 [4:04] 我有专门的去问 [4:05] 然后他有专门的回答 [4:06] 拿一个设计师来说吧 [4:07] 之前的设计师他需要 [4:08] 去在 Figma 里边 Ctrl + D 是吧 [4:10] 然后去做出来无数的分支 [4:12] 然后最后形成一个他觉得看着不错的 mock [4:14] 然后去跟程序员开会 [4:16] 然后开会对完了以后 [4:17] 程序员去把这个东西做出来 [4:18] 做完了以后基本上这个东西就不会再改变了 [4:21] 但是在 AI Native 的组织里边 [4:23] 程序员第一天就直接 [4:24] 跟设计师坐在一起 [4:25] 然后设计师直接和程序员 [4:27] 一起通过这些 AI coding 的工具 [4:30] 把第一个原型直接做出来 [4:31] 然后他们基于这个真实的原型上 [4:33] 一起去修改 [4:34] 那设计师在这里边可能提供 [4:36] 的是那些非常精确的 prompt [4:37] 以及他对这件事情的审美 [4:39] 他对这件事情的审核 [4:40] 那程序员提供的就是 Architect [4:42] 就是 Conductor [4:43] 程序员可以使用 agents 更高效更可控的 [4:46] 把设计师的意图给实现出来 [4:48] 那对于 Data Scientist 们也是的 [4:50] 他要能跟程序员坐在一起 [4:52] 用最高效的方式去最快的 [4:54] 比如说什么地方该有 logging [4:56] 然后我在什么地方 [4:57] 需要进行比较好的观测 [4:58] 我怎么样子去设置我们的实验 [5:00] 怎么样子用比较快的时间 [5:02] 我可以把这个实验给做出来 [5:03] 我在这个东西上线的过程中 [5:06] 我要去 set up 什么样的 dashboard [5:07] 什么样的 monitoring [5:08] 如果我要去优化 funnel 的话 [5:10] 我要展开哪些层次 [5:11] 我的业务的核心到底在这个时候应该 [5:13] 是 retention 还是 adoption 等等等等的话题 [5:15] 他不光要想到 [5:17] 而且他能更快的跟这个程序员一起去做出来 [5:20] 那最后达到的效果有两个 [5:21] 第一个就是把时间大大加速了 [5:23] 像之前那样的一个设计流程 [5:25] 可能一个周 [5:25] 两个周才能把一个东西实现出来 [5:28] 而现在真的是5分钟就可以 [5:29] 把这个东西实现出来了 [5:31] 这是第一速度 [5:32] 第二呢就是真实的迭代 [5:34] 其实真正做过产品的人都知道 [5:36] 我们脑子中想象的 hypothesis 80%都是错的 [5:39] 我之前在讲 A/B 实验的那个视频里边 [5:41] 有专门讲这个话题 [5:42] 就是我们人其实是非常不善于 [5:45] 预测真实世界用户到底在发生什么 [5:47] 和用户怎么看待我们做的这件事情的 [5:49] 我们需要用一个真实的原型 [5:51] 去尽早的给到用户 [5:52] 然后尽早的在真实的原型上进行迭代 [5:55] 所以说之前和之后的做法 [5:57] 不光是快 [5:58] 而且是我们是基于这个原型 [6:00] 去在这个原型上迭代了10次 [6:02] 迭代了20次 [6:03] 它给了我们很多的机会 [6:04] 在真实的世界里边往正确的方向去迭代 [6:07] 而不仅仅是快这么简单 [6:09] 那这背后其实相对于 [6:11] 第一层就是一个更大的变化 [6:12] 它是整个组织的变化 [6:13] 这里边的分工都是变化的 [6:15] 也就是说整个小团队 [6:17] 那一个 AI Native 的组织 [6:18] 它其实是一个小团队 [6:20] 这个小团队加起来一定是 [6:21] end to end own 一个产品 [6:23] 只有 end to end own 一个产品的话 [6:25] 他们这个飞轮才是闭环的 [6:26] 然后他们才可以更快的转起来 [6:28] 那在这里边 [6:29] 不同的角色应该提供的 [6:30] 是他们不同的 expertise [6:32] 比如说设计师提供的是审美 [6:34] 数据同学提供的是观测 [6:36] 对数据的直觉和对增长的理解 [6:38] 那 PM 提供的可能是一个对用户的同理 [6:41] 和他对整个项目的一个 vision [6:43] 然后工程师提供的是 Conductor、Architecture [6:46] 怎么样子最有效的调度这些 agents [6:49] 让他们的一致性是好的 [6:50] 不 hallucinate [6:51] 怎么样子有效的把 context 提炼出来 [6:54] 并且有效的提供给 AI [6:55] 让 AI 可以更高效的运转 [6:57] 让每个人的杠杆都可以放大 [6:58] 所以说第二层 [7:05] 那第三点就是我不光会使用 AI [7:07] 还会把判断力交给 AI [7:09] 比如说一个 Designer [7:10] 它会有很多的 design system [7:12] 那你能不能把这个 design system [7:14] 写成 AI 可以理解的程度 [7:16] 然后用类似于 skill 或者 [7:17] context management system 的方式去教给 AI [7:20] 从而让 AI 在做一件事情的时候 [7:22] 天然就是 respect 你们公司的 brand guideline [7:25] respect 你们公司的 design system 的 [7:27] 那一个数据科学家 [7:28] 你能不能把 [7:29] 我们公司现在的工作 [7:31] 用一个尽量可量化的方式去衡量下来 [7:33] 把你平时分析数据的 [7:35] 这一套用 skills 给 AI [7:36] 让 AI 它在做这件事情的时候 [7:38] 自然而然的就可以观测很多东西 [7:40] 以及可能可以基于真实数据去进行有效的迭代 [7:43] 对于 PM 来说 [7:44] 可能它是一个决策框架 [7:46] 用户洞察和优先级判断 [7:48] 这些东西如果说它一直存在在人脑 [7:50] 然后存在在大家的感觉之中 [7:52] 它其实是很难放大的 [7:54] 那用人单位 [7:54] 它在招 AI Native 的人的时候 [7:57] 它就希望 AI 可以尽量的放大人类的杠杆 [8:00] 它就需要一个人能把自己 [8:01] 脑子中的这些隐性知识 [8:03] 这些 tacit information [8:04] 转化成显性知识 [8:06] 转化成 AI 可以直接拿去用的 [8:08] 显性知识 [8:08] 如果大家能把这些东西表达得越清楚 [8:11] 然后把它转化成技能、模板、上下文 [8:13] AI 就越有可能去放大人类的杠杆 [8:16] 所以说综合来看啊 [8:17] 大家可以看到就是 [8:18] 这种真正 AI Native 的组织 [8:20] 它要的不是个人的能力突出 [8:22] 而是要个人和团队和 AI 一起 [8:25] 可以跑得快跑得远跑得正确 [8:27] 那上一代公司关心的 [8:28] 可能是你进来了以后 [8:29] 你每天能出多少张图 [8:31] 你能做多少个分析 [8:32] 现在的新公司关心的就是 [8:34] 你加入了以后 [8:35] 能不能给我们整个系统持续的带来复利 [8:37] 好的以上就是整个面试的框架 [8:39] 然后我在这里边也跟大家提醒一下啊 [8:41] 就是面试的框架只能帮助你 [8:43] 更好的叙述你已有的内容 [8:44] 它没有办法提高你已有的内容 [8:46] 提高你已有的内容 [8:48] 一定要在你现在的工作 [8:49] 或者说你的 side projects 里边去提高 [8:52] 你在现在的工作中 [8:53] 就要主动的去寻找这样的机会 [8:55] 去用更好的方式去做 [8:56] 当然我们通过企业培训也发现啊 [8:58] 就是现在很多公司的观念还是非常落后的 [9:00] 就是你的老板 [9:01] 或者说你的 Director 都没有想清楚这些点 [9:04] 他就更加没有办法去 appreciate [9:06] 有这样 AI Native mindset 的人 [9:08] 也没有办法给你提供相应的机会 [9:09] 那这个时候你可能一个 [9:11] 有效的做法就是你自己去 [9:12] 做一个比较深度的 side project [9:14] 如果说你觉得做一个 [9:16] 很深度的 AI 项目不行的话 [9:18] 那我建议啊 [9:19] 你花10分钟去看一下 [9:20] 我们 AI Architect 学员的项目 [9:23] 他们这里边我收集了55个项目 [9:25] 然后我放出来在微信群里边 [9:26] 这是一个很有行业经验的人说 [9:28] 他看到了这些项目以后 [9:30] 觉得他们的平均质量都非常的高 [9:32] 甚至乍一看像是 YC Demo Day [9:35] 如果你真的花十分钟去看的话 [9:36] 你会发现这55个项目 [9:37] 每一个项目都是非常独特的 [9:39] 他们都是跟着自己的需求来 [9:41] 而且做的都是非常深 [9:42] 然后每一个项目他们大家都 [9:44] 把自己遇到的技术挑战 [9:45] 和怎么克服这些技术挑战 [9:47] 非常完整的进行了分享 [9:48] 那为什么大家可以做到呢 [9:50] 就是因为我们这门课设计的好 [9:51] 说实话就是因为我们这门课质量高 [9:53] 然后给大家设计了非常完整 [9:55] 的方法理念和具体的做法 [9:57] 所以说大家根据我们的课程 [9:59] 就可以自己想出来这些 idea [10:00] 并且把它实现出来 [10:02] 那如果你想做这样的一个项目 [10:03] 但是不知道如何开始的话 [10:04] 欢迎直接去购买我们课程 [10:06] guarantee you [10:06] 就是你如果把这个课程上完 [10:08] 就像我们这55位同学一样 [10:10] 把它上完了以后 [10:11] 你就能做出来一个这么深度 [10:13] 这么有意思 [10:14] 然后你从头到尾都能把它讲得非常清楚的项目 [10:16] 那最后我要跟大家说啊 [10:18] 就是我会用 AI [10:20] 我把 AI 当成一个工具 [10:21] 我去把 AI 当成一个搜索引擎 [10:23] 我的 prompt 是有花活的 [10:25] 或者说我会使用这个工具 [10:26] 会使用那个工具 [10:27] 那些东西真的在这个时代 [10:28] 是不构成核心竞争力的 [10:30] 那这个很多人还把 AI 当成一个点 [10:32] 当成一个临时调用的工具 [10:33] 但其实 AI 背后就是这样的 mindsets [10:36] 就是这样的 Architecture [10:37] 它是一整套全新的 [10:39] 工作方式和组织方式 [10:40] 只有你去深刻地理解了 [10:42] 用 AI 原生去产生生产力的方法 [10:44] 你才是一个在这个时代 [10:46] 有真正竞争力的人 [10:47] 那好希望这期视频把这些点都说清楚了 [10:49] 希望可以帮助大家更早的 [10:51] 知道自己要做什么样的行动 [10:52] 去成为一个下一个时代有竞争力的人 [10:55] 那这视频就到这 [10:56] 我们下期再见拜拜