爆料 AI 大厂面试全流程，顶级大佬秘籍亲测有效，建议直接收藏

朋友，想入职 AI 巨头吗？这里有一份武林秘籍。

这几天，Meta 研究员 Lucas Beyer 在 X 平台发起了一个投票，询问在 Google、Meta、xAI 等大厂有没有遇到过最酷的面试。

没想到这个帖子一下子就火了，许多 AI 圈人士也纷纷借着这个由头，分享了自己的面试经历。

比如 ResNeXt 一作谢赛宁也表示自己有过多段面试经历，并且还强调这些都是线下面对面的，所以压根就没有所谓 LLM 作弊的机会。

在他看来，当年的 DeepMind 面试非常「硬核」，像考试一样——两个小时的马拉松，要回答上百个数学、统计和机器学习概念题。

「Meta FAIR 更像是学术面试，夹杂一点编程，最大的亮点是和 Piotr、Ross、Kaiming 聊计算机视觉研究。Google Brain/Research 的风格也类似。」

而要谈到最酷的体验，莫过于 2018 年的 OpenAI 那场面试。

「白板写代码、一场研究分享，还有一整段接近 5 个小时的环节，在一个小房间里解决一个强化学习问题（交叉熵方法里的方差坍缩）。我当时对强化学习几乎一无所知，但这正是考察点。

他们会给你一份 @johnschulman2 手写的完整问题描述，然后要求你自学、查资料、动手解题、在笔记本里写下思路，最后再做汇报。」

谢赛宁的分享也「召唤」出了 OpenAI 联合创始人 John Schulman，来了波回忆杀。

值得一提的是，几周前，纽约大学神经科学博士 Bas van Opheusden 成功斩获 OpenAI 技术岗位 offer，随后他将整个面试流程、心得体会和实用建议整理成详细文档，慷慨分享到 X 平台。

如果你正在寻求 AI 研究职位，那么这份宝贵的面经或许能给你提供参考。

附上文档地址：

https://docs.google.com/document/d/1ZV73D2vgaj2yu_tjN3TVOP6QVLWVPXJB2rrqSZQxYtI/edit?pli=1&tab=t.0

AI 研究面试

Bas van Opheusden

几周前，我加入了 OpenAI 开始新的工作。这篇文章记录了我的面试过程、一些经验教训，以及我想给你的建议。

如果你正在读这篇文章，我猜测你可能正在找工作，或是考虑职业转型，并且至少对生成式 AI 和大型语言模型有一定兴趣。

即使不是这样，我也建议你去看看 openai.com，了解一下我们最新的研究。我听说，GPT-5 还挺不错的 ;)

保护好你的身心健康：

面试过程压力很大， stakes 很高，有时候短短 30 分钟的谈话就可能让你的人生发生巨大转折——可能变得更好，也可能更糟。

等你走到最后，手里有一个甚至多个 offer 时，你会觉得一切都值得，但过程中肯定会有艰难的时刻。一定要有朋友和家人的支持网络，不要低估精神压力加上熬夜对身体的影响。

所有人都希望你通过面试并签下 offer：

在面试过程中，你有时会觉得这是对立的、令人沮丧的、甚至不公平的。不过请记住，所有相关的人——推荐你的人、招聘人员、面试官、用人经理等等——其实目标一致：希望你能通过并接受 offer。通常公司会尽力帮你成功，任何其他结果对所有人来说都是损失。虽然我们扮演的角色不同，但这其实是一场团队协作的比赛。

失败也是一种选择：

在我面试结束时，我收到了几封拒信和 3 个 offer。如果是 2 个或 1 个，我依然会很兴奋；如果一个都没有，我会很难过，可能会情绪崩溃，甚至一段时间都不想再申请其他公司。

但我终究会调整好状态，而且肯定会在大约一年后重新申请 OpenAI。我们的职业都是在不断成长的轨迹上前进的，只要你在任何公司通过过哪怕一个面试环节，他们通常都愿意在 1 到 2 年后再联系你。

我自己就有这样的经历，也认识很多人有同样的情况。这一年并不是我第一次申请 OpenAI。

享受过程！

虽然在这种高风险的情况下很难做到，但面试本身也有乐趣。你会接触到很多有趣的新创公司，有机会和你所在研究领域的世界级专家一对一交流，还能学到一堆新技能。编程面试某种程度上也挺好玩的——那是一种「二类乐趣」的方式。

一些通用建议

尽早准备
花在求职面试准备上的时间，可能是你人生中回报最高的投入。我真希望自己当初能更早开始。准备面试还有额外好处：你会学到新技能、阅读论文、或重温一些经典知识。通过模拟面试，你还能得到坦诚的反馈，并从更高的角度审视问题。

我发现自己在前一份工作中，也因为面试准备而变得更优秀。以一个数量级来建议的话，我推荐大约投入 100 小时做 LeetCode 练习，再花差不多的时间读论文、复习知识（可以用 Deep Research!）、以及和朋友交流。

没有所谓的「非正式交流」
招聘人员可能会邀请你和用人经理聊聊，或者和团队一起吃午餐/晚餐，并称这些聊天是「非正式的」。但这通常只是说没有严格的打分标准。

你与任何公司或其代表的每一次互动，都是展现你性格、能力和热情的机会（无论是积极还是消极的表现），从第一次聊天到你签署 offer 的那一天，这一点始终成立。

和朋友一起练习
面试，尤其是编程面试，会很尴尬。你可能会在一个陌生人盯着你、还期待你边做边讲的情况下，调试一个下标偏移 1 的错误。而且你还不能用 Codex、Copilot 或任何 LLM 工具，这和你日常的工作流程完全不同。

你不希望第一次经历这种情况就是在一次高风险的面试中。尽量多和朋友练习，在时间压力下写代码，故意选一些让人烦的题目，让朋友假装不认识你。这会很尴尬——但这正是目的。学会适应这种尴尬感。

一些简单的小技巧
面试流程的目的，是评估你的能力和是否适合公司，从某种程度上说，你要么达到标准，要么没有。不过，你仍然可以通过一些小细节来增加成功的概率——而这些细节本身，也能传递出你的用心和职业态度。

投资一个好的设备。我买了 Yeti Nano 麦克风和 C922 Pro 摄像头。我使用双屏幕设置，这样通话时可以一边记笔记，一边把视频通话窗口移动到屏幕位置，看起来像是在进行眼神交流。我的房间光线充足，如果音频出现问题，我会随手拿起耳机。在每次面试前，我都会清理桌面，并准备好纸笔。虽然只用过一次，但我几乎可以肯定，如果那次没有它们，我可能会挂掉那场面试。

照顾好自己的基本需求。面试前一天要早点睡。根据需要开空气净化器、空调或取暖器。面试前 30 分钟，可以出去散步或者和猫咪玩一会儿。确保自己吃饱、上过厕所，并把水准备好（我会同时摆上水、咖啡、冰茶和康普茶）。如果你有颈椎或背部问题，提前吃点止痛药并做拉伸。

提前到场。如果面试是下午 2 点，建议 1:55 就加入通话。面试官可能会在 2:03 左右出现，如果 2:05 还没来，就发封事先写好的邮件给招聘人员，他们一般会在 2:07 左右出现。这很正常。

熟悉视频会议平台。不同公司可能用 Zoom、Google Meet、Microsoft Teams、Amazon Chime 等，确保你会使用屏幕共享、聊天等功能。同样，对于编程面试，要提前熟悉所用的工具。如果是 Coderpad 或 Google Colab，你可能会有语法补全和高亮功能，但有些公司用纯文本环境，甚至不允许运行代码。据说 Meta 会转向允许使用 AI 工具的面试。

用同一台电脑进行练习和面试。如果你的工作需要写代码，而且你习惯了工作笔记本的设置和布局，你可能会想用它来练习面试，但这会适得其反——真正面试用的是个人电脑时，你会不适应。

如何获得面试机会

想要进入大型科技公司并不容易。它们的招聘页面上虽然有职位空缺，但通常投递的人非常多，单纯在线申请成功率很低。我更多的成功来自被动邀约或内推。

做好工作，并让成果被看到。把你的成果发布出来，并在会议上展示；在 GitHub 发布带有演示和说明文档的项目；参加社交活动和招聘会，在演讲中提好问题，主动提出合作并落实；争取学术引用、GitHub Star，参与开源项目，赢得黑客马拉松等等。很多公司都有专门的招聘人员和人才发掘者，他们的工作就是寻找杰出人才。如果你一直在做出色的工作，他们会注意到你——而你能让他们更容易发现你，就更好。

争取内推。最有效的「敲门砖」就是内部推荐。考虑到 Google、Meta、Apple、Amazon 等公司员工众多，你很可能有朋友在那里。向朋友或熟人请求内推是完全正常的。即使他们不能帮你（很多公司内部对可发的推荐名额有限制），我敢保证你会因此重新联系上一些老朋友，还能认识朋友的朋友，他们会很乐意了解你并提供建议。科技圈里有很强的「传递善意」文化。顺便说一句，如果你是我的朋友，我的私信随时欢迎你。如果我们唯一的交集是 8 年前在佛蒙特滑雪，然后就再没联系过——你依然是我的朋友。来聊聊吧！OpenAI 正在招人 ;)

准备好优秀的 LinkedIn、简历和个人主页。我其实没有全部都做，但保持一个更新的 LinkedIn 资料非常有用。如果你把职位写成「AI 研究科学家 - 大型语言模型」，你就会收到各种主动联系，包括一些你从没听说过的很酷的初创公司。比如我面试过的 Lila，就非常厉害，我强烈推荐大家去了解一下。

招聘人员的初步电话沟通

在大多数公司，面试流程的第一步通常是与招聘人员进行一次简短的「非正式」通话。他们会向你介绍面试流程，告诉你你的用人经理是谁、所在的团队是做什么的；如果是初创公司，还会介绍公司的使命和战略。

他们可能还会问你对薪酬的期望。在这次通话中，一定要记笔记！我当时没做，后来很后悔。这可能是最后一次有人会向你详细解释组织架构和团队分工。我有过这样的经历——在 2-3 周后的编程面试中，有人问我申请的职位是什么，我居然答不上来。

与用人经理的交流

几乎每家公司都会在流程初期安排一次与用人经理的筛选通话。

在这次交流后，用人经理需要确信你有能力胜任他们正在招聘的岗位，并且愿意在接下来的几年里和你紧密合作。

这一步没有所谓的「秘籍」或「捷径」。用人经理通常比你经验更丰富，判断力更好，还掌握你所不了解的内部信息（例如岗位的确切细节）。

不过，你还是可以做几件事来增加成功率：

提前做功课
如果你已经知道用人经理是谁，可以在 Google Scholar 查找他们的论文，阅读他们的研究，看看他们的 Twitter，观看他们的演讲或报告。这样你能更好地了解他们的兴趣和动力，而人们通常会欣赏你对他们内容的关注。

这并不是「社交工程」技巧，而是真诚地投入时间去了解对方，是展示你热情的好方法。如果你有一天和我面试，提到这篇博客，我会开心得飞起来！

保持真诚
我也不喜欢别人跟我说「做你自己」，但我想强调真诚的重要性。如果你在面试中扮演一个「理想化的自己」，面试官会立刻察觉。人类很擅长捕捉这种细微差别。

我很幸运，自己在性格上，个人特质和职业特质比较互补（有点像 Mr. Peanutbutter 和 Eeyore 的混合体），所以我可以真心地说：「我想加入 OpenAI，因为 OpenAI 是世界上最酷的公司」，而且我是真的这样想的。
如果这种表达对你来说不自然，那就不要硬说，找一个适合自己的方式去表达。

保持谦逊
这很难。你需要在展示能力、介绍自己过往优秀工作成果（因为你认为这些能让对方对你有好印象）和避免显得过于自信之间找到平衡。

特别是，用人经理可能掌握一些不能透露的机密信息，而像「基于你的研究，你觉得扩展方案 A 还是 B 更好」这样的问题，他们可能比你更清楚答案。

保持热情
这一点我怎么强调都不为过。

如果你和我面试，我很可能会问：「介绍一下你自己，为什么想来 OpenAI，这个岗位最让你兴奋的是什么？」

你必须预料到这个问题，提前准备一个有说服力、且真诚的答案。这可能有点难，因为你可能同时在申请很多公司，而只有一家可以是「世界上最酷的公司」。

但只要认真思考，你总能在每家公司找到让你真心热爱的理由。举例来说，这些对我来说都是真的：「2018 年我在 Facebook Reality Labs 实习的那段时间，是我人生中最快乐的时光，我很想重现那种体验」；

还有，「我现在正用 Google Chrome 写一份 Google 文档，网络是用 Google Pixel 手机的热点共享的。我从 12 岁起就想去 Google 工作。」

你在推介自己的同时，也在推介现任公司

让我意外的是，面试中别人很常问我关于 Imbue 的问题——从我们的研究内容、技术路线，到公司的使命、商业计划、盈利模式等等。我不太清楚为什么会这样，尤其是我并不能透露这些信息。

不过我的感觉是，有些面试官纯粹出于好奇，而另一些面试官可能会把你解释公司使命的能力，视作你个人能力的体现；而你选择目前雇主的决定，也可能被看作是你判断力好坏的信号。

不管怎样，一定要提前练习好对公司的介绍，并能把自己日常的技术工作，和公司整体目标联系起来。我猜，这能体现出你的领导力。

行为面试

大多数大型科技公司都会有某种形式的领导力面试。Amazon 的 Bar Raiser 面试和 Google 的 Googleyness 面试就很有名。通过准备和练习——大约 10 小时可能就够了——你是可以拿高分的。网上有很多相关文章和视频可以参考，我能补充的不多。

准备好带主题的故事。例如，「谈谈你和经理意见不一致的经历」和「谈谈你在并非直接负责时展现领导力的经历」，可能都可以用同一个故事来回答。

当我开始准备这些题时，才发现自己其实比想象中有更多故事可讲。可以用 STAR(I) 模型来组织回答，并尽量让故事有一个「救赎」情节、而你是故事的主角：「我没能按时完成任务，因为我们低估了工作量。我及时与客户沟通，加班通宵，最后交付了双倍的价值！」

在我看来，这些面试多少有点表演成分，不过有一点建议特别重要——一定要准备好回答「说说你失败过的一次经历」。因为如果你回答「我从来没失败过」，要么会被当成自大，要么会被认为你没真正尝试过什么有挑战的事。

编程面试

编程面试会占据你大部分的面试时间，也是成败的关键环节。一个非常重要的理念是——理解编程面试的心理学，并利用它来帮助你成功。

面试的目标并不是写出优美的代码、通过所有测试，或者精确计算复杂度，而是让面试官觉得你会是一个值得合作的未来同事。我曾有过几乎没写什么代码也能通过的面试经历。

面试官是希望你通过的因为面试官既出题又打分，你可能会觉得和他们是对立关系，但事实恰好相反：对面试官来说，最理想的情况是你表现很好，他们能写一份精彩的推荐意见；最糟糕的就是看着候选人一直卡着。通常他们会尽力帮你通过，你可以利用这一点。我甚至直接问过：「我想通过这次面试，我该怎么做？」——有一次就是靠这样的问题通过了，否则我很可能挂掉。

自我介绍要简短时间有限，寒暄闲聊就是在浪费时间。准备一个简短的介绍，比如：「我叫 Bas van Opheusden，目前在研究团队负责安全与对齐的评估工作。」

解完一道题就继续往下走很容易陷入在一道题上花太多时间的陷阱，但如果是多阶段面试，尽快进入下一题才是主要目标。收尾优化或聊天可以留到最后再做。

练习在压力下编码编码和调试的难点在于，你必须在脑中准确模拟机器的逻辑，而当有人盯着你、计时器在走、对方还在「帮你」时，这会更难。你应该在和真实面试相同的条件下练习——有时间压力、有心理压力。

准备白板编程面试有些公司会要求这种形式。我不知道为什么，但这是你需要提前准备的技能。练习在没有运行环境、没有语法高亮的情况下写代码。这是最糟糕的体验，但练过你会庆幸的。

练习 Python大多数科技公司都使用 Python 和 PyTorch。虽然有些公司面试不会强制要求 Python，但很可能你的面试官最熟悉的就是 Python，这样他们能更好地帮你。

需要准备的具体面试题型：

调试 Transformer：这是经典题型之一：你会拿到一个有问题的自注意力（self-attention）模块实现，然后需要调试它。一定要练习调试张量（tensor）的形状，并特别注意因果注意力掩码（causal attention mask）——这是最容易出错的地方。参考资料可以看看 nanoGPT。

Top-k / KNN：「选出前 k 个最大元素」这个问题在机器学习中经常出现，是一道不错的面试题，尤其是因为它的标准解法（堆，heap）不是你能现场凭空想出来的。一定要熟悉堆的概念和用法。

实现 BPE：分词器（tokenizer）是大语言模型中最麻烦的部分，而实现 BPE（Byte Pair Encoding）时不出错并不容易，这题在面试中还挺常见。

从零实现反向传播：实现一个最基本的自动微分（auto-diff）、链式法则（chain rule）等。这里有很多机会犯索引错误。

KV Cache：本质上就是构建一个矩阵，但如果你没见过，可能会写得非常复杂。

二分查找、回溯、Dijkstra 等

小技巧：

我在面试中学到的一个技巧是战略性地使用「TODO」。比如你在写一个冒泡排序（bubble sort）算法，代码可能会是这样：

1 def bubble_sort(arr: list[int]) -> list[int]:

2 n = len(arr)
3 for i in range(n-1):
4 for j in range(n-i-1):
5 if arr[j] < arr[j+1]:

6 arr[j], arr[j+1] = arr[j+1], arr[j]

在实现代码时，你可能会开始疑惑（或者面试官会问你），这里到底应该是 n-i-1 还是其他的数字。

你可以当场模糊带过，也可以边写边分析，但我更喜欢的办法是直接在代码里加 TODO。比如，第 4 行写：#todo: check indexing，第 5 行写：#todo: < or >?。这样，当你最后运行代码发现它错了（比如排序结果是降序），你就能把一次「失败」转化成一次「亮点」——你可以说：「啊，这正是我刚才担心的地方，应该是 > 而不是 <，这样就对了。好，我把这个 TODO 删掉。」

留下 TODO 的一个缺点是，它可能会更明显地暴露你忽略了某些东西。比如，我有一次面试要实现论文里的一个方法，开头写了：X = torch.zeros([N,N]) #todo: check if initialized at 0?

然后我就忘了这回事。结果，那次面试没通过……

如果你「确定」某一行代码里的某个变量应该是排好序的，可以写：assert all(x<=y for x,y in zip(arr, arr[1:])) #arr is sorted

这样既能帮你记住这个事实，也能在某些边界情况不符合预期时，或者你在上游代码里打错字时，及时发现问题。最后你可以把这些断言注释掉或删除。

考虑重构问题：我遇到过一道题，要求在一个「按时间从最近到最早排序」的日志里找到某个事件，我一直搞混方向。其实完全可以在代码一开始就写：arr = arr[::-1] # now arr is ascending 这样就变成升序，后面处理会更顺畅。

机器学习领域面试（ML Domain Interviews）

你可能会被安排一次「领域面试」，或者名字差不多的环节。这种面试的内容差异很大——可能是考试式的问答、讨论你写过的论文，或者单纯问你「最近在做什么」。

准备考试类问题时，基础一定要会！面试可能一上来就问：「监督学习和无监督学习有什么区别？」或者「什么是线性回归？」你必须能简洁、准确地回答。同时也要了解最新进展和前沿成果，比如：

如何训练上下文长度为 1000 万的模型？GSPO 和 GRPO/PPO 有什么区别？

什么是（有害的）persona 向量？一些面试官喜欢考历史类问题，比如：「说出 Vaswani 2017 提出的架构与 GPT-OSS-120B 架构之间的三大主要质的区别。」

用 ChatGPT 做准备：如果你一定要，也可以用 Claude 或 Gemini，但我从 o3，尤其是 Deep Research，拿到过非常有用的学习指南、论文链接和摘要。如果你大致知道自己要找什么，这些工具会非常有帮助。

准备一个演讲：有些公司会要求你做一次演讲，即使不要求，也可能让你介绍之前的工作。用幻灯片讲解会比单纯口述好很多。

准备好讨论你当前的工作：面试官可能会问你现在的项目，你需要能够解释目标、方法、进展、下一步计划，以及你认为它最终会如何融入产品。这有时会有点尴尬，因为他们可能会问你目前还没有答案的问题（比如结果是经验性的，你还没拿到数据），或者他们的直觉和你不同；甚至他们可能已经知道你的方法行不通，但这是机密，所以不能告诉你……

谈判（Negotiation）

刚开始投递时，我的想法是：完成面试后，大概会有 50%-75% 的公司拒绝你，然后你会拿到一些 Offer，做个对比，谈谈条件，再做决定。

可惜，现实并不是这样。

当你通过所有正式面试，并接到招聘人员的祝贺电话后，第二轮面试才刚刚开始。

此时，公司已经确认你技术达标、文化契合，但他们还不知道：他们有多想要你、你有多想去他们公司、他们该给你多少薪酬。

我以前完全不知道还有这么一套流程，而且到现在接触也不多，但它几乎同样重要。我的建议有限，不过有几点：

别只盯着薪资：作为机器学习研究员，我们看到一个「数字越大越好」的指标时，本能就是往上爬，你当然可以这么做。但不要让这个数字分散你对其他生活质量关键因素的关注：团队、使命、地点、公司文化、伙食（是的，真的很重要）。钱确实不错，但如果为了钱牺牲幸福感，就违背了它的意义。

有些招聘方会用「脏招」：我遇到过公司给极短的回复期限、撤回 Offer、完全消失、或者「意外地」拖到另一个 Offer 过期后才发出邀请。尽量把所有约定落实到书面上（这本身可能也需要谈判），并且别以为自己谈判能力一定比对方强。你一生可能只会做几次这样的谈判，而他们每天都在做。

用好你的用人经理：他们是想招你的人，可以在内部帮你争取。你可以请求再聊一次、认识团队其他成员，或者在没有面试压力的情况下再去办公室走一趟。但要记住——没有所谓的「非正式」面谈！

做决定

总会有那么一个时刻，你必须决定自己的人生下一步该怎么走。如果 OpenAI 给了你 Offer，那就收下吧，这里真的非常棒 ;)

如果没有，那就去那家能让你每天推开办公室大门都露出笑容的公司工作。