Come Selezionare Developer Senza Leetcode

Cosa Leetcode effettivamente misura

I puzzle di stile Leetcode misurano l'abilità del tuo candidato di risolvere puzzle algoritmici sotto pressione di tempo. Quella è un'abilità reale. È anche, per il 95% dei ruoli di engineering, non l'abilità per cui stai assumendo.

Quando i team si lamentano "continuiamo ad assumere persone che passano Leetcode e poi spediscono codice buggy CRUD," il sistema sta funzionando come disegnato. Hai misurato la cosa sbagliata.

Cosa misurare invece

Le abilità che effettivamente predicono le prestazioni sul lavoro per la maggior parte dei ruoli:

• Riescono a leggere codice esistente e comprenderlo rapidamente?
• Riescono a scrivere codice che un altro engineer vuole mantenere?
• Riescono a disegnare un piccolo sistema end-to-end?
• Riescono a debuggare un problema senza la risposta?
• Riescono a comunicare i trade-off chiaramente?

Nessuno di questi richiede un problema Leetcode.

Tre formati di intervista senza Leetcode

1. L'esercizio "correggi la codebase"

Dai al candidato un piccolo repo intenzionalmente rotto (50–200 righe). Dì loro il sintomo: "l'API ritorna 500 su questa richiesta." Chiedigli di trovare e correggere il bug mentre ragionano attraverso il loro ragionamento.

Questo testa la lettura, il debugging, e la comunicazione — tre abilità che Leetcode non tocca.

2. L'esercizio "estendi la feature"

Dagli un'app funzionante e chiedigli di aggiungere una piccola feature. Forse un nuovo campo, un nuovo endpoint, una nuova regola di validazione. Osserva dove guardano per primo, cosa chiedono, e come pulito è il diff.

3. La conversazione "disegna questa piccola cosa"

Non un system design di Big Tech ("disegna Twitter"). Una piccola cosa. "Disegna l'API per un URL shortener che supporta slug personalizzati e scadenza." 30 minuti. Le parti interessanti vengono dai follow-up, non dal diagramma.

Perché questi formati catturano naturalmente il cheating AI

Un problema Leetcode con una risposta nota è banalmente risolvibile da un LLM. Un repo di 200 righe rotto con un bug sottile richiede al candidato di leggere il codice — e un LLM che non ha visto il repo non è meglio del candidato nel trovare il problema. Il formato stesso è parzialmente AI-resistente.

Accoppiarsi con segnali di integrità

Anche con problemi realistici, accoppia la valutazione con segnali keystroke e screen. Un candidato che incolla una correzione da ChatGPT è ancora un flag che vale la pena vedere. ClarityHire spedisce template per entrambi i formati repo-rotto e estendi-la-feature; clona uno, personalizza, invia.