AI 面试官（AI Interviewer）指由大模型驱动、能像真人一样提问、听答、追问并给出评价的自动化面试系统。
它的关键不在"会出题"，而在"会接话"。以 HackerRank 的 AI 面试官为例（具体能力以官方页面为准）：系统先读取岗位描述与技能要求，生成一套贴合该岗位的题；候选人作答时，它一边转写语音、读取代码，一边判断哪些点讲清了、哪些含糊带过，再针对模糊处追问。你说"我用缓存优化了接口"，它接着问"缓存穿透怎么处理、失效策略怎么选"。这像医生问诊——不是照清单念完十个问题，而是根据你上一句话决定下一句往哪儿戳。
评价环节才是核心卖点：它不只给总分，还给出"评分 + 证据链"，把结论对应到候选人的原话片段，例如"并发经验：中，依据是追问时未能说明锁粒度"。招聘方可以据此复核，而不是面对一个黑箱分数。
和相邻概念的区别：
| 形态 | 交互 | 追问 | 输出 |
|---|---|---|---|
| 在线笔试 | 无 | 无 | 分数、正确率 |
| 录播面试 | 单向录制、事后人看 | 无 | 视频 + 人工评价 |
| AI 面试官 | 双向实时 | 有 | 分数 + 证据片段 + 摘要 |
对求职者，它不会因为你说话慢就打断，但也没法靠察言观色蒙混：它只认你实际说出的内容，结构化表达（先结论、再依据）比语速更值钱。对招聘方，它把初筛从几十分钟压到几分钟，代价是两类风险。
一是算法偏见。若训练数据或评分标准隐含对口音、表达习惯、非母语者的不利倾向，误判会被规模化放大——一个人被误判是偶然，一套系统误判是系统性问题。常见应对是人工抽检与分群体偏差监控。
二是申诉困难。候选人往往不知道自己哪句话被扣分，甚至不知道对面是 AI。因此提前告知、允许要求人工复核、证据链可解释，是这套工具能长期使用的前提。
一句话：AI 面试官把面试从"一次性打分"变成"可追溯的对话记录"。效率是真的，但它是在筛人，还是在筛掉"不像标准答案的人"，取决于设计者有没有认真对待偏见与申诉。