40人应届生五天淘汰制训练营，自认AI技术最强却被刷，问题出在哪？

五天四晚，应届生（40人），以训代面，淘汰制。

我就在这 40 个人中。经过五天交流，自认AI技术最强，却在最后一天汇报发offer前被刷。

这是一家大规模做跨境箱包的企业,原始的开发团队几乎为零。他们从外面找了一家专门做"企业 AI 原生化"的培训方,再招一批 26、27 届应届生进来——第一批技术团队,就从这里出。

但这五天复盘下来,我最大的收获不是"我技术上哪里不够",而是我终于把一件以前只是模糊感觉到的事想清楚了:AI 时代真正拉开差距的,不是谁会写代码,是谁有判断力。

一、我一开始以为这是道技术题

前几天几乎科普，挺无聊的，这边略过，直接来到第四天，对接企业真实业务需求。听取简单陈述后，我以为业务方要的是 AI 智能客服,这类东西我以前搭过。无非是意图识别,挂一个 RAG,让 agent 根据知识库回答用户问题——方案在我脑子里是完整的,我甚至已经想好了怎么做。

所以聊之前,我专门问了一句技术老师:能不能把我的 agent 服务装到 1688 商家后台上?得到的答案是:可以。

这样我就放心了。我以为已经把最大的不确定性排除掉了,接下来就是指挥 AI 干活。

二、聊深了才发现,真正的瓶颈根本不在技术

随着交流深入,业务方的真实需求浮出来了:他要的不是客服,更接近一个 AI 销售——老客户唤醒、新客户挖掘,把有潜力的用户识别出来。

那就绕不开数据了。老客户的购买记录、购买时间、新客户的线索……这些全在 1688 上,没有官方 API,我拿不到。平台自己就在卖这些数据,不可能开放给第三方。

我也想过用 RPA 之类的方式去"看"这些数据,但那就绕开了平台授权,长期下来，合规性上根本站不住。

三条约束摆在一起,结论很清楚:方案再漂亮,数据不在你手里,这事就不成立。 而我一开始问的那句"能不能装上去",答案确实是"能"——只不过那不是真正的约束所在。

三、"AI 比我懂技术"——这句话对,但只说了一半

这五天里,我看清了另外一件事，给了我很大自信，又让我不确定这份自信到底有无作用。

40 个人,基本都是 26、27 届应届生,学历背景和我差不多（普本）,个别是硕士。技术基础普遍薄弱,有人连 Agent 是什么都说不清,但已经在找 Agent 研发岗了。

训练营给的是一套全栈开发范式(基于 Matt Pocock ,核心是鱼哥提过的 grill me skill，本质就是让 AI 反复反问你、把模糊想法逼成明确需求，且其余 skill 封装了一整套的软件工程开发思想),学完确实能做出东西，且极大的加快了开发效率。但只是停留在调用这一层:你会用 skill,但不知道 skill 里面到底做了什么,也不知道原作者背后那套软件工程思路是什么。

培训团队主体两人（业务出身的老师主导，另一个是15年 c++ 研发转型 AI 应用研发），可以感觉到这个主导的老师极度看淡技术。只要谈及技术实现,得到的回应大致是:没必要纠结,AI 比你懂技术。

这句话我认同一半。

在我浅薄的认知中，AI 在写代码、修 bug、迭代优化上,确实已经远超我们任何人,而且差距还在拉大。但这句话把两种东西混在一起了——AI 超越的是通用技术知识;而技术判断真正发生的地方是具体情境。

第四天就是最好的证据:AI 懂 RAG、懂意图识别、懂 Agent 编排,样样比我懂。可它不知道 1688 不会给一个第三方开数据接口,不知道大厂平台自己就在卖 AI 客服,不知道 RPA 取数在合规上站不站得住。

它一无所知,因为它不在那个房间里。

所以"AI 比我懂技术"推不出"技术没用了"。它推出来的是:通用知识的存量在贬值,而情境判断在升值。

还有一层:那套"让 AI 反复反问你"的方法,是放大器,不是替代品。你有领域知识,它把你的想法逼清晰;你没有,它就只是把 AI 的想法固化成你的想法。同一套工具,两种人用出来是相反的结果。我在训练营现场见过太多"AI 推荐哪个我就选哪个"的人了（我把他们称为“ ok 工程师”）——那不是澄清需求,那是给 AI 当橡皮图章。

四、但我自己也栽了

说到这儿,该说最扎人的部分了--我被刷了。

我总结的原因有两个:

第一,我以为 1688 是 toC 平台。 业务方告知我的痛点是抓小单，大单有专门的销售对接,他想要的是那些零散的、没人跟的。我没做过电商,不懂平台,下意识就按 toC 理解了。而 1688 主体是做 toB 的。

第二,我以为公司有专职客服。 实际上客服是销售兼着做的。老板问我:这个产品能帮他提升什么?我说:可以优化掉客服。老板表情没什么变化,只是平静地告诉我——他的本意不是裁团队,而是把销售从这部分精力里解放出来。

这两件事,没有一件是技术问题。

而且它们错的方式一模一样:我下意识填了两个默认值,而这两个默认值都是错的。 更要命的是,我意识不到自己填了什么。

我前面说那 40 个人在和 AI 沟通过程中缺判断力。可我落榜的原因,是同一种缺失——只是我缺的那两块,恰好被问到了。

所以这不是一个"他们不行我行"的故事。这是一个结构问题:判断力不来自聪明,来自你对一个具体场景熟不熟。 我没做过电商、没在这种公司待过,我就很可能会填错默认值,而且自己毫无察觉。

五、那什么才是不会贬值的

上面两件事,其实指向同一个结论。

AI 正在快速吃掉通用技术知识,而且会一直吃下去。

吃不掉的是三样东西:对具体业务场景的了解、为结果负责过的经验,以及由此长出来的判断力。

给和我一样的应届生、求职者,三个我觉得真有用的动作:

1. 把你的默认假设写下来,去验证。 你没做过电商,就可能会默认小订单是 toB;你进一家新公司,就会默认它的分工是教科书上写的那样。你意识不到自己不知道什么,但你可以强迫自己问一句:我现在假设了哪些东西?答案往往就是你和面试官之间隔着的那层纸。

2. 了解 AI 在真实业务中的边界。 我问过"能不能嵌到 1688 上",答案是能。这个答案没错——错的是我把"能装上去"当成了"路通了"。真正的约束在下一层:装上去之后,数据从哪来? AI 可以帮我开发一套 RPA 工具去抓数，但是合规吗？

3. 选实习、选项目,优先选能接触真实业务和真实反馈的。 哪怕技术栈旧一点、活脏一点、钱少一点。你缺的不是 API 熟练度,是"在真实场景里待过"。这个东西 AI 给不了你,因为 AI 不在那个房间里。

最后

谈谈我的想法。

留下的那些人（技术认知/习惯很差）是要成为第一批技术团队员工的,而上面没有技术 leader;老板也不是技术出身，等于无人兜底，我很好奇他们能不能靠这套 skills 驱动的开发范式完成真实的业务需求。

毕竟训练营要证明的是"这套范式跑得通",而老板目前感知到的“可以”,评的是流程,不是产物。这两件事在 demo 那一刻长得一模一样,但是后续会立刻分岔——公司要的终究是做出来能挣钱,这和"demo 能跑"之间隔着很远的距离。当然，我自己也在尝试用这种方式进行开发，后续可能会分享，它真的很简洁且有效率，推荐同学们学习。

上述全部为个人观点，希望得到资深 AI 开发工程师的指点！