用了 AI 不等于没思考：Prompt、Diff 和测试记录怎样证明是...

最危险的审计记录，不是少了一张聊天截图，而是为了证明“我确实参与过”，把不该带走的题目、私有代码或 Prompt 复制到了个人空间。证据链有价值的前提，是它本身没有制造第二次泄露。

这篇文章只解决一个窄问题：当 AI 使用被允许时，怎样把一次实质请求、实际 Diff、相关测试与最终人工决策连起来，并在两分钟内讲清。公司政策、贡献分类、最终披露和保留期限由 Take-home 代码来源指南展开，这里不再重复另一套归属框架。

先划红线：哪些内容不能为了自证而保存

不要把私有仓库代码、完整面试题、Secret、访问令牌、客户数据、候选人个人信息或受限 Prompt 放进私人笔记、个人云盘和未经批准的 AI 工具。企业环境里的 Review 截图与日志也不天然属于候选人，是否能导出要看明确规则。

“这是为了证明我没作弊”不是转移材料的授权。更稳妥的做法，是优先使用工作流程里本就允许存在的锚点：Commit 标识、Pull Request 评论、批准保留的测试结果，以及不包含受保护细节的一句话摘要。

如果公司要求提交后删除记录，就按要求删除；如果不知道能保留什么，先问，而不是把完整材料复制出来再决定。Anthropic 的 Candidate AI Guidance 只能说明公司可以发布自己的候选人规则，不能推导出其他公司采用相同保留政策。

AI 面试工具数据安全指南可继续帮助你检查数据进入哪里、由谁访问和保留多久，但具体作业仍以目标公司的说明为准。

记录已经缺失时，先区分事实、回忆和未知

工具可能没有导出历史，临时环境可能已被清理，公司也可能只允许保留仓库材料。此时不要补写一段看似完整的“原始 Prompt”。诚实重建的关键，是给每句话标清证据等级。

直接事实来自仍可检查的 Diff、测试结果、Review 评论和 Commit。个人回忆是你记得发生过、但目前无法由材料确认的部分。未知则是已经无法恢复的具体措辞、时间或中间方案。

例如可以说：“最终 Diff 显示空行过滤发生在行号计算之后，Review 评论说明前一版会让错误行号偏移。相关边界测试仍在。我的记忆是 AI 先提出了过滤方案，但原始请求内容已经无法确认。”

这段说明没有把回忆伪装成证据，也没有因为记录不全就否认现存材料。下一次工作时，只要规则允许，在 Review 当下留一条目标与约束摘要，就能补上最容易丢失的连接。

不从聊天时间线出发，而从最终决策倒推四个锚点

中文答辩里最常见的问题，是候选人按时间顺序讲“先问了一次、又追问一次、然后改了代码”。信息很多，却迟迟没有说最终承担了什么决定。

更有效的方法是倒推：先写清自己最终接受、修改、拒绝或暂缓了什么；再找哪项测试支撑这个动作；然后定位到对应 Diff；最后补上触发这一变化的实质请求摘要。

整理完成后，呈现顺序仍然可以回到：

实质请求决定本次帮助的目标与边界；
Review 后的 Diff显示代码实际发生了什么；
相关测试说明哪个具体风险被检查；
人工决策明确最终由谁接受、重写、拒绝或暂缓。

四个锚点必须围绕同一个行为。批量导入的行号问题和另一个缓存优化，应该拆成两条记录，而不是拼成一段“AI 帮我优化了很多地方”。

如果需要把更宽泛的项目主张连接到证据，可以参考 AI 项目证据面试指南。审计记录则要保持更小：一次实质请求对应一处可复核决策。

实质请求只留目标、约束和期待产物

不是每次自动补全都值得记录。只有当帮助影响外部行为、架构、安全、数据处理、公共接口、依赖，或形成你必须解释的取舍时，才需要进入这条证据链。

一条合格摘要包含三件事。

目标。 希望解决哪个具体问题。

约束。 哪些行为、接口或范围不能变化。

期待产物。 需要的是原因分析、方案比较、Patch 还是测试建议。

例如：“修复 CSV 批量导入遇到空行时的错误行号；保持现有错误响应格式，不改解析库；先给最小 Patch 和边界用例。”

这比“让 AI 修一下 Import”更可检查。Review 人员可以直接拿目标与约束对照 Diff，也不会被几十轮探索对话淹没。若原文不允许保留，就只在批准的位置写摘要，不能另建私人档案。

开始作业前还不确定允许范围，可先使用 AI Take-home 作业指南的规则检查步骤。

Review Diff 的重点，是指出哪里没有照单全收

Commit 与 Pull Request Review History 能记录变更内容、评论和后续修订，是很好的定位锚点；但它们不会自动证明每一行由谁构思，也不会保存所有被放弃的 Prompt。

继续看批量导入案例。第一版 Patch 先过滤空行，再给剩余记录重新编号。表面上导入成功，实际却让第 12 行的格式错误被报告成第 10 行。你的 Review 发现诊断语义被改变，于是改为先保留原始行号，再过滤空记录，并保持错误响应结构不变。

记录不需要贴整段代码，只要指出：哪一处 Diff 实现目标、哪一处超出约束、你最终怎样收窄。比如：“保留空行跳过逻辑；拒绝过滤后重新编号；按输入原始位置携带行号。”

这才是 Review 的证据价值。它不证明候选人从零写下全部代码，却能显示候选人是否真的把生成结果放进系统约束里检查。

测试必须咬住同一个风险，而不是只报绿色

上面的核心风险不是“程序能不能启动”，而是“跳过空行后，错误位置是否仍指向原文件”。因此相关测试至少要覆盖：空行前后的合法记录、空行后的非法记录，以及既有错误格式没有变化。

记录时用三句话即可。

主张。 原始行号在过滤后仍保持正确。

证据。 含空行且后续记录非法的定向用例返回原始位置，正常导入用例继续通过。

边界。 本次没有运行超大文件性能测试，因此不能据此宣称吞吐量没有变化。

Build 通过和全量 Suite 可以作为补充，但不能替代这条针对风险的证据。测试越多不等于越相关；能区分“安全最终方案”和“看似可用的第一版”才有审计价值。

两分钟只讲一条链，不复述整个 AI 会话

现场说明可以直接沿着四个锚点走，不需要先介绍工具功能，也不需要按聊天顺序逐轮回忆。

一段可复述表达是：

“我让 AI 在不改变错误响应格式和解析依赖的前提下，修复 CSV 空行导致的导入问题。第一版先过滤再编号，Review 时我发现这会让后续错误行号偏移，所以只保留跳过空行的思路，改为先保存原始位置。含空行的错误定位与正常导入测试都通过；超大文件性能没有验证。最终 Diff 和 Review 评论分别记录了改动位置与我拒绝重新编号的原因。”

它没有声称平台保存了一切，也没有用绿色徽章代替判断。请求、Diff、测试和动作都指向同一个风险，面试官可以继续打开材料追问。

准备阶段可以用 Interview AiBox 基于自己被允许使用的材料练习这段两分钟说明，检查是否漏掉约束、证据边界或人工动作。受限 Prompt、题目与企业代码不应为了练习被额外上传。