Vorscreen von Entwicklern ohne LeetCode: Ein praktisches Playbook

Was LeetCode tatsächlich misst

LeetCode-ähnliche Rätsel messen die Fähigkeit deines Kandidaten, algorithmische Rätsel unter Zeitdruck zu lösen. Das ist eine echte Fähigkeit. Es ist auch, für 95% der Engineering-Rollen, nicht die Fähigkeit, für die du anstellst.

Wenn Teams beschweren „wir stellen immer wieder Leute ein, die LeetCode bestehen und dann fehlerhaften CRUD-Code verschiffen," funktioniert das System wie entworfen. Du hast das falsche Ding gemessen.

Was stattdessen zu messen

Die Fähigkeiten, die tatsächlich On-the-Job-Leistung für die meisten Rollen vorhersagen:

• Können sie bestehenden Code lesen und schnell verstehen?
• Können sie Code schreiben, den ein anderer Ingenieur pflegen möchte?
• Können sie ein kleines System End-zu-End gestalten?
• Können sie ein Problem ohne die Antwort debuggen?
• Können sie Trade-Offs klar kommunizieren?

Keiner dieser erfordert ein LeetCode-Problem.

Drei LeetCode-freie Interview-Formate

1. Die „Repariere die Codebasis"-Übung

Gib dem Kandidaten ein kleines, absichtlich defektes Repo (50–200 Zeilen). Teile ihnen das Symptom mit: „die API gibt 500 zurück bei dieser Anfrage." Bitte sie, den Bug zu finden und zu beheben, während sie ihre Überlegung durchsprechen.

Dies testet Lesen, Debugging und Kommunikation — drei Fähigkeiten, die LeetCode nicht berührt.

2. Die „Erweitere die Funktion"-Übung

Gib ihnen eine funktionierende App und bitte sie, ein kleines Feature hinzuzufügen. Vielleicht ein neues Feld, einen neuen Endpunkt, eine neue Validierungs-Regel. Beobachte, wo sie zuerst schauen, was sie fragen und wie sauberes das Diff ist.

3. Die „Entwerfe diese kleine Sache"-Unterhaltung

Nicht ein großes Tech-System-Design („entwerfe Twitter"). Eine kleine Sache. „Entwerfe die API für einen URL-Shortener, der benutzerdefinierte Slugs und Ablauf unterstützt." 30 Minuten. Die interessanten Teile kommen aus der Nachverfolgung, nicht dem Diagramm.

Warum diese Formate natürlich KI-Betrug erwischen

Ein LeetCode-Problem mit einer bekannten Antwort ist trivial durch ein LLM lösbar. Ein 200-Zeilen-defektes Repo mit einem subtilen Bug erfordert vom Kandidaten, Code zu lesen — und ein LLM, das das Repo nicht gesehen hat, ist nicht besser als der Kandidat bei der Suche nach dem Problem. Das Format selbst ist teilweise KI-resistent.

Mit Integritäts-Signalen koppeln

Auch mit realistischen Problemen, koppeln die Bewertung mit Tastatur-Anschlag und Bildschirm-Signalen. Ein Kandidat, der eine Reparatur von ChatGPT einfügt, ist immer noch eine Flagge, die sehen wert ist. ClarityHire versendet Templates für sowohl das defekte-Repo- als auch das erweitere-die-Funktion-Formate; klone einen, passe an, versende.