Amazon AI Assisted Coding OA 是什么？
今年 Amazon 部分 New Grad、Intern 和 SDE 岗位推出了这种新 OA。它不再是单纯手写算法题，而是给你一个小型已有代码仓库 + AI Assistant，让你使用 AI 辅助完成任务。
最终评估维度包括：功能正确性、修复能力、工程理解、prompt 使用能力、边界处理和代码质量。核心是考察"你像不像真实工作中的 engineer"。
OA 整体流程
Part 1：阅读 Existing Codebase 给你一个小型项目，包含 API、数据处理、service layer、helper functions 和测试代码。虽然代码量不大，但需要快速理解数据流、依赖关系、函数调用链和潜在 edge cases，很像真实项目 onboarding。
Part 2：AI Assisted Fixing 核心环节。你可以随时调用 AI 提问、生成代码、debug 或优化。但 AI 并不稳定，经常 hallucination、改坏逻辑、遗漏 corner case 或复杂度爆炸。Amazon 想看的不是你复制 AI 代码，而是你能否验证和修正它的输出。
我踩过的几个主要坑
1. 太相信 AI 直接让 AI 写很容易中隐藏 bug，测试用例又不全覆盖。真正高分的同学反而不会过度依赖 AI，他们会主动拆解问题、验证输出、自己补 edge cases。AI 只是工具，不是替代思考。
2. Prompt 不清晰 只说"fix this bug"效果很差。好的 prompt 需要明确 bug 位置、预期行为、输入输出、约束和要求。我常用："Preserve existing API behavior"、"Only modify helper layer"、"Avoid O(n²) complexity"、"Handle null input"等，成功率高很多。
3. 忽略 hidden test Amazon 的隐藏用例很严格，专门卡 overflow、空输入、重复值、并发、副作用等问题。只过 sample 远远不够，必须自己模拟极端情况。
Amazon 到底在考什么？
- 工程思维（代码阅读、bug 定位、系统理解）
- AI 协作能力（正确用 AI 提升效率，而非无脑复制）
- Prompt 沟通能力（越精准，AI 输出越可靠）
我的准备建议
不再疯狂刷 LeetCode，而是重点练习：
- 阅读陌生代码（GitHub 中小型项目练 tracing 和依赖分析）
- 严格 review AI 输出（检查复杂度、副作用、边界）
- Prompt Engineering 练习，适应各种 AI 编码环境
关于 Programhelp 我一开始最头疼的其实不是算法，而是完全不知道新版 AI OA 长什么样。后面朋友推荐我去了 Programhelp，他们整理了大量最新 Amazon AI Assisted Coding OA 的真实流程、高频考点、prompt 模板、hidden test 常见坑点、debug 技巧和 codebase 阅读方法，还有模拟练习环境。
对第一次接触这类 OA 的同学来说，信息差非常关键，提前熟悉能少踩很多坑。
祝大家都能顺利通过！