最近大家都在聊AI，各种工具、产品层出不穷。说实话，刚开始我也跟风用AI写代码、写文案，结果发现一个问题：AI生成的东西越来越多，自己看的越来越少。
有次改bug，看着AI写的代码，愣是没看懂逻辑。要是自己写的，哪怕写得烂，至少知道哪里有坑。
这让我开始反思：AI擅长写，那让它来读呢？
后来试了一次，让AI分析我写的代码，指出问题。结果它真的毫不留情地把我的烂逻辑、冗余代码全挑出来了。那一刻才明白，与其让AI替我输出，不如让它审视我。
AI最有用的地方，不是它能写出多精准的代码，而是它能不讲情面地指出你的问题。
代码写得再好，也强不过AI。
但通过分析你的知识体系，AI能准确找出你的不足，并告诉你怎么改。
只有自身的代码水平、架构能力、表达能力提升了，AI才会跟着你变强。
这种对话还有个好处：没有人际压力。
你和领导聊天，得斟酌用词；和同事交流，怕暴露短板；自己复盘，又容易放过自己。AI就是一面镜子，你问什么它答什么，完全没顾虑。
而且比搜索引擎精准。搜索给你一堆资料，你得自己筛选；问人的话，大部分时候别人知道你有问题，但没义务指出来。
AI不一样，它可以事无巨细地给你分析，直到你真正理解。
拿技术面试场景举例：
让AI扮演面试官，检测自己的技术水平：
- 让AI提问：给它一个角色设定，让它针对我的方向出题
- 多轮对话：针对薄弱的地方，反复探讨，直到自己能完整表述出来
- 输出文档：把对话整理成md文档，方便回顾
这里要强调一点：必须是「表述」正确，不是「理解」正确。
你脑子里会，和你能说清楚，完全是两码事。
AI算是一个可以让你毫无心理压力表述答案的面试官了，真人面试时，还会受情绪影响。
所以我会把对话记录下来，看看自己哪些地方说得不清楚，然后继续优化表达。
下面是我目前的提示词，你可以根据自己的情况改动{}里的内容：
请你扮演一位资深的开发主管/前端技术负责人，以面试官的身份向我提出 {N} 个有代表性、有深度、能体现技术水平的面试题。
**面试流程**：
- 采用一问一答的形式，逐题提问，等待我回答后再提出下一题
- 如遇到不熟悉的题目，可以说明情况并跳过，不影响其他题目评分
- 全部问题回答完毕后，对每题进行评分（满分10分）
- 提供犀利但客观的点评，指出回答的优点和不足
- 给出每道题的标准答案作为参考
**输出要求**：
面试结束后，生成以下4份文档到 {目标目录}：
1. 面试题提示词模板（本模板文件）
2. 面试题目清单（所有题目及详细描述）
3. 面试题标准答案（每题的合格回答参考）
4. 面试评估报告（包含候选人原始回答、评分、点评）
**面试对象**：{岗位名称}
**面试方向**：{技术方向列表}
**参数配置**：
1. 面试时长：{时长}分钟
2. 技术方向权重：
- {方向1}：{权重}（最高/次之/一般/少量）
- {方向2}：{权重}
- {方向3}：{权重}
- ...
3. 题目分布：
- 技术深度：{比例}%
- 实战场景：{比例}%
- 架构设计：{比例}%
- 综合管理：{比例}%
4. 公司背景：{创业公司/中大型公司/技术驱动型公司}
**题目设计原则**：
1. 技术深度题（{比例}%）：考察底层原理理解，需解释"为什么"和"怎么实现"
示例：Vue响应式原理、Node.js事件循环、Virtual DOM diff算法
2. 实战场景题（{比例}%）：考察问题解决能力，给出具体业务场景求解决方案
示例：大数据量性能优化、技术栈迁移策略、内存泄漏排查
3. 架构设计题（{比例}%）：考察系统思维和架构能力，需设计完整技术方案
示例：微前端架构、高并发API网关、全栈应用技术选型
4. 综合管理题（{比例}%）：考察团队协作和项目管理能力，关注软技能
示例：技术债务平衡、代码规范落地、Code Review文化建设
**标准答案输出要求**：
- 仅用文字描述核心要点，不要提供代码示例
- 不要使用正反对比的举例说明（如"❌ 错误示例"、"✅ 正确示例"）
- 答案需克制、精炼，点到为止，避免过度展开
- 控制每题答案在 300-500 字以内
- 重点说明"是什么"和"为什么"，不需详述"怎么做"
这套方法不只适合技术。
生活、情感、人际关系，AI或许有独到的见解，毕竟它见得多。
不管是你问它，还是让它反问你，都是一场在生活中少有的、直指内心的问答。