蚂蚁集团校招要求AI编程#AI时代的问题解决能力新框架

提问比记忆更重要：AI时代的问题解决能力新框架

最近，蚂蚁集团的校招已经要求AI编程作为笔试环节了，重点考察面试者解决问题的能力。

Anthropic在Claude的产品页面上写过一句话，被很多人截图保存：

"There's never been a worse time to be a problem, or a better time to be a problem solver."

一个问题从来没有这么糟糕过，也从来没有哪个时代比现在更适合做一个问题解决者[2]。

这句话初读像是营销文案，细读却发现它精准地戳中了一个正在发生的结构性变化：AI正在将回答问题的能力以前所未有的速度民主化，但定义问题的能力:判断什么真正值得解决、什么才是核心，在AI时代反而变得更加稀缺。

这是人机协作时代的第一道分水岭。

问题定义：AI时代最稀缺的认识论能力

认知科学家Allen Newell和Herbert Simon在1972年提出的问题空间理论，至今依然是理解人类问题解决能力的基石。

他们的核心发现是：一个问题被如何表征，决定了它有多难被解决。同一个现实问题，当被映射到不同的问题空间时，难度可能相差数个数量级。

传统的计算机科学教育花了大量时间教如何在给定空间里找解：排序算法、搜索树、动态规划。但很少花时间教如何构建正确的问题空间。然而在AI协作场景下，最重要的认知动作恰恰发生在将模糊的现实问题映射为AI能够处理的指令这一瞬间。

你可能有过类似的体验：拿着一个模糊的想法去问AI，得到的答案总觉得哪里不对；但换一种问法，更具体、更边界清晰，AI立刻给出了你真正需要的东西。问题往往不在AI，而在你给出的指令是否真的描述了你要解决的问题。

MIT的Dimitris Bertsimas有过一个判断：当AI让获取答案变得极其容易时，提出正确问题的能力溢价就开始飙升[1]。

Prompt设计：被严重低估的工程技能

很多人把Prompt当作聊天，但真正用好AI的人把Prompt当作指令设计。

就像我们AI编程训练营上的学员，在训练前认为就是聊天，训练后才深刻理解到什么叫设计Prompt。

一个高质量的Prompt，通常包含以下几个结构要素：

角色定义：告诉AI"你是谁"。一个数据分析师、一个后端工程师、一个文案编辑，角色设定决定了AI输出的语言风格、专业深度和关注重点。

目标描述：明确"要做什么"。这里最常见的错误是描述模糊，比如"帮我优化这个系统"：优化什么？性能？成本？用户体验？"帮我把这个查询的响应时间从500ms降低到50ms以内，同时保持现有API接口不变"，才是有效的目标描述。

边界约束：规定"不能做什么"。有时候同样重要的是明确边界：不涉及数据库Schema变更、不改变现有认证机制、不引入新的第三方依赖。这些约束如果不在Prompt里明确，AI可能会默认给出"更全面但超出范围"的方案。

评估标准：定义"怎么算成功"。这是最容易被忽视的要素。一个AI能理解的验收标准，往往也是你自己对问题理解最清晰的部分。让AI评估自己的答案：让AI在给出最终方案之前，先自检一遍是否符合你的评估标准，是大幅提升输出质量的有效策略。

把Prompt设计当成写验收说明书，而不是写情书。这是工程思维对创意浪漫的降维打击，但在这个语境下，这种"打击"是受欢迎的。

跨学科的评估框架：判断比生成更难

AI擅长生成，人类擅长判断。

当你向AI描述一个问题，它会快速生成多个可能的解决方案：代码实现、方案框架、分析报告。但这些输出的质量参差不齐，评估哪个更接近目标、哪个在当前资源约束下最可行，依然需要人类的判断力。

这里有一个被严重低估的能力：元认知能力：对自己思维过程的思考。具体来说：在AI给出多个方案时，你能否快速判断每个方案的核心假设是什么？这些假设在你当前的实际场景里是否成立？如果某个方案失败了，最可能的原因是什么？

这种能力，来自认知科学里对"专家 vs. 新手"差异的研究。专家之所以成为专家，不是因为他们记忆了更多的答案，而是因为他们拥有更丰富的问题分类系统：

面对一个新问题，他们能迅速将它归类到某个已知的模式里，并调用对应的解决策略。

在AI时代，这种问题分类系统的价值不降反升。当你能够将一个问题正确归类，你就能判断AI的哪类输出最值得参考；当你知道自己的分类可能出错，你就能更有意识地让AI帮你检验假设。

从遇事先问AI到与AI共同思考

社区里有一个被反复验证的方法论转变：过去，遇到技术问题第一步是查文档或问专家；现在，第一步变成了问AI。

这种转变的深层逻辑不是AI比专家更可靠，而是AI的反应速度远快于专家——在AI给出初始答案后，你再根据答案的质量决定是否继续深挖、是否需要人工审核、是否需要引入外部验证。

这本质上是一种认知外包的升级：不是把思考外包给AI，而是把重复性的信息检索和初步推理外包给AI，让人类大脑腾出空间来做真正需要判断力的事情：定义问题、评估方案、做出决策。

一套实用的人机协作框架，大致包含以下几个层次的迭代：

第一层：问题初步定义。向AI描述你的问题，获取初步的框架和可能的方向。不要期待第一次就能得到完美的答案，这一层的目的是验证你对问题的理解是否到位。

第二层：假设检验。基于AI的初步反馈，识别你自己假设中最不确定的部分，然后针对这些部分设计更精确的问题，让AI帮你检验或推翻这些假设。

第三层：方案迭代。当方向明确后，让AI生成多个可选方案，然后让AI自己评估每个方案：从性能、可维护性、开发时间三个维度评估这三个方案，并给出推荐及理由。这种让AI评估AI输出的策略，往往能大幅提升最终方案的质量。

第四层：人类终审。AI的输出永远需要人类来承担最终责任，特别是涉及商业决策、伦理边界或高风险后果的场景。AI是强大的协作者，但最终的判断权依然在人类手中。

人机协作能力不是一项静态技能，而是一套需要持续迭代的实践框架。

工具在变，AI的能力边界在变，你的使用经验也在积累：真正有价值的能力，是持续校准人机分工边界的元能力。

致最先触达未来的那一小部分人：愿你的提问能力，早日匹配你面对的问题复杂度。

参考

[1] 90% Of College Students Use AI: Higher Ed Needs AI Fluency Support Now. Forbes, September 2025.

[2] Anthropic: The AI for Problem Solvers.

[3] Anthropic Research.

[4] Lovable: AI App Builder.

[5] Claude Code.