BeatCluely：把假協議埋進面試題，讓 AI 作弊助手自己現形

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

技術面試裡的 AI 作弊已經從都市傳說變成具體產品：候選人開一個隱形視窗，工具聽題目、丟給模型、把答案唸進耳機。反制的思路有很多種，BeatCluely 選了最小巧的一種，把一個不存在的技術名詞埋進真題，答得越流暢的人越可疑。這個開源小專案把做法做成了一頁式產生器。但先講實測結論：截至 2026 年 9 月，官網的生成功能是死的，按下按鈕只會得到後端 API key 失效的錯誤，兩個部署站都一樣。工具的價值沒有跟著消失，只是換了位置：MIT 授權的原始碼可以自架，出題的規則本身更是不看任何網站臉色。真正要想清楚的反而不是技術，是你打算把公司的面試題原文送給誰。

一條假協議，就能讓照背答案的 AI 露餡

幻覺陷阱的原理不複雜。大型語言模型被訓練成傾向給出流暢、有條理的回答，遇到沒見過的名詞時，常常會按照字面硬掰出一套看起來合理的解釋；人類專家的本能則是停下來質疑，這東西我沒聽過，它是真的嗎。兩種反應的落差，就是面試官可以利用的訊號。這個落差短期內很難消失，因為它源自模型的工作方式：模型拿到的永遠是文字的統計關聯，沒有一個內建機制能查證一個名詞在現實裡存不存在，而「看起來很有把握」正是它的預設語氣。

BeatCluely 官網上的示範是這樣的：真題問的是把網路設備的 IP 位址改到同一個子網路，陷阱版在同一句話裡塞進一個不存在的 H0TD0G 協定設備。聽過的任何一個網路工程師都會當場皺眉，而沒有戒心的 AI 助手拿到這句話，往往會煞有其事地講起 H0TD0G 的設定步驟。它瞄準的對象很明確，就是 Cluely 這類即時作弊工具：這家 2025 年成立的新創由 Roy Lee 創辦，創辦人因為開發面試作弊工具離開哥倫比亞大學，之後喊出「cheat on everything」的口號並完成 530 萬美元種子輪募資，產品在面試、考試到業務通話裡提供不被發現的即時提示。求職流程的另一端同樣早就被 AI 佔領，履歷有整套自動優化的雲端服務，面試這一關的攻防只是遲到而已。BeatCluely 首頁特別聲明與 Cluely 沒有任何關係，名字裡的 Beat 是動詞。

把假題埋進面試，和事後用分類器判斷文字是不是 AI 寫的是兩條互補的路線。文字偵測器看的是筆跡的統計特徵，幻覺陷阱看的是當場的知識反應，後者不需要採集任何文字樣本，只需要一個設計過的問題。對面試官來說還有一個實際差別：陷阱題在你自己的腦子裡生效，不依賴任何第三方服務的存活。

實際打開網站：首頁活著，生成按鈕是死的

網站本身還在，復古的 2005 年風格首頁、輸入職缺與題目的表單都正常顯示，沒有帳號、沒有歷史紀錄，一個頁面做完所有事。我在表單裡填了後端工程師與一題 API 限流的題目，按下 Generate Hallucination Trap，等了幾秒，跳出來的是瀏覽器原生警告視窗，訊息是後端回傳的 401 User not found。換題目、隔幾分鐘再試，結果相同；儲存庫首頁欄位連結的 beat-cluely.vercel.app 部署站也回同樣的錯誤。同一天內四次不同路徑的請求，全數失敗。值得留意的是錯誤的呈現方式：模型端拒絕的原因被原封不動包進網站自己的錯誤訊息裡跳給使用者看，這種不修飾的作風在小專案裡常見，也意外把死因攤在使用者眼前。

Pin

錯誤的源頭可以從原始碼對出來。生成功能的後端是把請求轉送到 OpenRouter 平台上的 DeepSeek 免費模型，401 是 OpenRouter 端拒絕了站方預設的 API key，也就是說網站的外觀活著，心臟已經停了。這種死法在這類小工具裡是常態：生成成本掛在別人贈送的免費額度上，專案由一人維護，儲存庫的最新一筆實質修改停在 2025 年 12 月，key 什麼時候失效、有沒有人會去換，沒有任何機制保障。免費額度不是承諾，只是還沒到期。官網頁尾寫著「自 2024 年起協助維護面試誠信」，而網域的註冊時間是 2025 年 7 月、原始碼幾乎同時誕生，這個年份差就當它是復古風格的一部分，笑笑即可。

原始碼攤開：一條 API、一份敢公開的 prompt

整個專案小得可以一眼看完：一個 Next.js 頁面、一條生成 API，沒有資料庫、沒有登入，使用次數也不設限，依賴清單裡也只有框架和 OpenAI 官方客戶端三類套件，程式碼裡看不到任何統計或遙測元件。生成的 prompt 設計得相當具體：保留原題的句子結構與情境，把其中一兩個技術名詞換成聽起來合理但不存在的新詞，語氣要專業到讓模型想答，又要讓真專家一眼看出毛病。模型參數用的是 DeepSeek 免費版、溫度 0.8、回應上限 500 個 token。

比較少見的是它的坦白程度：表單旁的問號按鈕會把送給模型的前後文完整攤在畫面上，包括你的職缺和題目會被放進去的位置。閉源服務很少把 prompt 公開到這個程度，開源專案也未必主動展示。這份透明同時提醒了一件事，你輸入的每一個字都會原文進入 prompt，送往站方選定的模型。

Pin

git 紀錄裡還有一個耐人尋味的細節。專案上線的隔天，作者提交了一筆修改，把示範題裡的一條刪掉了，那條把「用遞迴下降演算法解析 JSON」標成虛構技術，而遞迴下降解析是真實存在、教科書等級的技術。出陷阱題的工具自己先幻覺了一次。這個失誤恰好說明了方法的邊界：假名詞有沒有真的假掉，只有該領域的人能把關，產生器幫不了這一步。順帶一提，產生器的示範題與介面全走英文，中文面試能不能直接套用，它從來沒有機會被驗證，這一點也把人推回手作路線。

自架一份，只要自己的 key

原始碼採 MIT 授權，授權條款檔案齊全，自架是官方 README 明列的路線，儲存庫裡也放好了範例環境檔。實際走一遍：複製儲存庫、安裝依賴都順利，卡點在建立階段，環境變數裡沒有填 OpenRouter key 時，打包會直接失敗，因為 AI 客戶端在模組載入時就需要 key 存在；填入之後建立成功，本地啟動首頁正常，生成 API 也確實把請求送到了 OpenRouter（用測試 key 得到的是對方的 401 拒絕，串接本身是通的）。換句話說，自架的實質門檻有兩道：申請一把自己的 key，以及把程式碼裡寫死的模型名稱換掉。官網用的那個免費模型 ID，截至 2026 年 9 月已從 OpenRouter 的模型目錄消失，不改這一行，有了 key 生成一樣會失敗；換好之後成本由自己的額度支付，不再寄人籬下；擔心用量的人可以再搭配桌面端的 API 用量監控工具盯住消耗。

如果你的需求只是偶爾出一題，其實可以完全不用工具。照它的規則手作：挑一題你領域裡的標準考題，把其中一兩個技術名詞換成自己造的、聽起來像模像樣的新詞，句子結構不動，然後先拿給同領域的資深同事看一眼，確認正常人第一反應是停下來質疑。五分鐘的成本，效果與產生器無異，還免掉了把題目送出門的問題。手作還有一個產生器沒有的好處：你可以針對公司真正在用的技術棧造詞，假名詞離你的業務越近，作弊工具的通用知識越接不住。

把題目送出門之前，先過一條隱私線

官網頁尾的隱私聲明寫得直接：為了壓低主機成本使用 DeepSeek 免費版，輸入的題目可能被用於模型訓練，除此之外不收集個人資料。對一般玩具專案這樣交代已屬誠實，但對面試官來說，這句話的含義要倒過來讀：你貼進去的職缺敘述和題目原文，會整段送進第三方 AI 服務，且對方明白標示可能拿去訓練。面試題庫是公司的資產，把還在使用的題目交給外部模型，通常不在面試官單方面的職權範圍內，何況接收端是哪一家的模型、資料落在哪個管轄區，都值得在按下去之前想清楚。自架版本換成自己的 key，請求掛在自己的額度下，決策權拿回來了一部分，但題目外送給模型商這件事本身並沒有消失，而且程式碼把模型寫死在 OpenRouter 上的 DeepSeek 免費版，要換模型得自己動那一行程式碼。

效力的保存期限也該放進評估。這個策略吃的是模型「愛硬掰」的傾向，而模型持續在改，越來越願意承認不知道的模型會讓假題失效；作弊工具那一端也同樣在進化，偵測到可疑名詞就提醒使用者閃避，並不是做不到的事。無論是 BeatCluely 還是任何一方，至今都沒有提出過可覆核的偵測率量化證據，把它當成輔助判斷的訊號之一來期待，會比把它當測謊器實際。

公平性是另一條不能省的線。答得流暢是線索，不是證據：誠實的候選人面對一個聽都沒聽過的名詞，也可能因為緊張而含糊，反過來說，受過訓練的作弊者可以故意裝出遲疑。實務上比較站得住腳的用法是把陷阱題放在追問階段而不是開場，搭配真人觀察考生聽到追問後的節奏變化，事後也不把單一題的表現當成淘汰理由；專案的免責聲明自己也寫了要依組織政策使用、依法告知候選人面試監測的存在。這幾道護欄不是法律客套話，是這個方法可以長期使用的前提。

三條路，看你要走到哪裡

只想驗證一次這套想法的人，手寫一條假名詞題目是成本最低、隱私最乾淨的做法。需要常態性大量產生、且公司同意題目外送的人，自架這份 MIT 原始碼，把生成的成本與去向換成自己簽約的服務，會比等官網復活可靠。至於不打算改變出題流程的人，把幾個觀察點放進既有的面試判斷裡也完全成立：對沒聽過的技術名詞立刻展開長篇解釋、回答缺少停頓與反問、追問具體細節時轉向泛泛而談。這些訊號加起來，比任何單一工具的輸出都更能支撐一個判斷。

專案的現狀順便交代：6 個星、0 個 fork，最近一筆提交是 2025 年 12 月修補 React 元件的安全漏洞，維護者是軟體工作室 Build21 的 Eliot Herbst，README 寫的框架版本與實際依賴也已有落差。它更像一場有觀點的示範，稱不上一項服務。示範的內容倒是已經完成了：反 AI 作弊不一定需要更強的偵測器，有時候只需要一個更好的問題。