华人博士的 AI 面经，火爆硅谷。

原因无他：姐们实在太无私了 ( Ｔ▽Ｔ ) 。

一点不把咱当外人，在下周入职OpenAI之前，Alisa 决定将自己这一路的求职经历，全部以 Blog 的形式开源出来……

要知道，这背后，是 Alisa 在 AI 圈摸爬滚打好几个月，才积累的经验与 Know-How。包括——

57 场面试，46 次 recruiter call，还有，无数次 coffee chat ……

而除了 Blog，她甚至还分享了一份 LLM 零基础学习笔记，从神经网络基础一路覆盖到后训练。

全是干货，大家可以在文末自取。

咱就是说，华人在「经验帖」这一块还是有说法的（bushi）。

正值毕业季。如果你也在投 AI 相关岗，或者对这个行业好奇，都建议读一读这篇 Blog。

毕竟，她把一直看似「玄学」的 OpenAI 等顶级科技公司的求职之路，拆成了一棵能一步步爬上去的技能树。

下面是量子位整理后，更适合阅读的版本。

Enjoy。

Alisa 的 OpenAI 取经路

先简单补充下背景，Alisa Liu，华盛顿大学 NLP 方向博士。

和所有 OpenAI 员工一样，她的履历足够亮眼：

本科：西北大学，计算机、数学双专业 GPA 满绩。

博士：华盛顿大学，计算机。

2023 年：谷歌 Student Researcher

2024-2026 年：英伟达 Academic Collaborator。

可即便如此，她还是面了整整 57 场。

Alisa 把几个月的求职流程做成了一张时间线图，相当直观——灰色图标（面试次数）的密度，令人窒息。

具体面了哪些公司、过程如何，咱就不对着图一个个数了。

重点在于：她怎么决定面谁、怎么拿到的机会、怎么做的准备。

这些前置工作，很多时候比所谓的面试技巧更宝贵。

如何安排面试日程？

大家可能常常听到一种经典建议：

先拿几家练练手，再把重要的公司集中到同一时间段，等 offer 一起来再谈价格。

Alisa 说，大方向没错，但这里面有三个大坑。

1、练手有成本。

你不是超人。练得太多，等排到真正在意的公司时，人已经垮了。

2、时机这件事，不全由你掌控。

对方有没有 headcount、哪个 team 在招人——这些外部变量，有时候比你准备得多充分更关键。

与其自己对着日历推算，不如提前跟公司内部的朋友和 HR 聊，获取一手信息。

3、offer 的 Deadline，比你想象的有弹性。

HR 心里门儿清，知道你肯定还在面其他公司。所以大多数情况下，可以拖、可以谈。

但也要看公司，有些狠人 HR 的 offer，过期是真的会爆……

如何拿到面试机会？

好的好的 Alisa 老师，注意事项都记下来了。但问题是——

你怎么拿到面试机会的？很多时候简历都过不了啊！！

Alisa 表示，答案其实很「老登」：

在 PhD 期间好好做事，多交朋友，多合作。

第一个 interview，往往需要有人在公司里帮你背书。

所以，多多参加会议吧，参与 networking 活动。

很多技术人很反感「networking」这个词，觉得它像某种不够纯粹的游戏。

但在 Alisa 看来，这再正常不过了。

求职期间，重新联系那些可能几年没说过话的朋友，这很正常，大家都这么干。

而且，这往往是整个求职过程一个意外的收获。

当然，这很消耗人。Alisa 承认，对内向的人来说真的很难，她自己也是。

但想通往顶级公司的门口，真没有什么神秘的捷径。

发邮件、约 coffee chat、给别人讲自己的研究……这些都是很常规的操作，但就是有用，能最快地把人推到那扇门前。

这些做好了，才有机会谈面试本身。

华人博士的 AI 面经

AI 面试的 7 类主题

Alisa 把她经历的面试归纳为 7 类。

1、ML Coding。

最常见的那种。让你实现某个架构、解码策略、传统 ML 算法，偶尔也会出创意题。

PyTorch 必须熟练。有时会碰到只用 NumPy 的情况（比如手写反向传播），但不需要背 NumPy 的所有 API。

2、General Coding

其实就是 LeetCode。

基础打牢就行，ML Coding 里的概念经常和这些题目重叠。

3、Technical discussion

不写代码，完全是技术性的聊天。

一种形式是围绕某个话题展开：比如你会怎么设计实验来解决某个问题？面试官会追问你的设计选择，给你假设性的结果让你分析，再让你设计 follow-up 实验。

另一种是速射问答：Positional Encoding 有哪些方法？5D Parallelism 是什么？PPO 和 GRPO 的区别？

前者测你的思维方式，后者测知识面。

4、Research Discussion

开始一般会让你介绍一个过去的项目，接着就是顺着往下聊。面试官也可能问简历上其他论文的问题。

不需要把每篇论文背熟，背后的第一性原理更重要：

你为什么选择做这个方向？这路上你形成了什么判断？你觉得未来哪里最值得去做？

建议大家根据对方公司的特点，调整自己的 research pitch。面试官都很累，帮他们快速判断你的方向和他们是否相关，会很加分。

5、Behavioral。

就是常规的行为面试：你遇到过最困难的项目是什么？你和同事有冲突时怎么处理？

偶尔会有一两道关于 AI 安全或社会影响的题。

但看上去最人畜无害的，反而最有杀伤力。

Alisa 第一场行为面试就翻车了。

她觉得自己这个人没啥问题，挺靠谱的，就没准备。

结果遇到最基础的题目，脑子直接一片空白，只能一顿瞎说。

结束后，面试官淡淡地来了一句：

你没有回答这个问题。

因此 Alisa 建议大家：提前整理几个博士期间印象深刻的故事，面试时直接套，千万不要现场编。

6、Math

有些公司会单独设数学面试，从逻辑题到数学推导都有。

建议复习概率、线性代数、微积分。

7、Job Talk

比学术 Job Talk 短一些，聚焦在一篇论文或一个方向上。

Alisa 的 Job Talk 全程讲的是 tokenizer ——主要是一篇一作的工作，顺带提了几篇合作论文和进行中的项目，因为主题恰好能串在一起。

端到端面试 SOP

搞清楚了 7 种面试类型，接下来就是针对性训练了。

这也是最重要的冲刺阶段。

Alisa 说，这段日子让她仿佛梦回本科——做笔记、画架构图、刷练习题，整天泡在咖啡馆里，死磕基础 ML 概念。

备考的第一站，她选择把斯坦福的 Language Modeling from   Scratch 课程讲座全部刷一遍。

强烈推荐大家也去看看，这门课非常适合用来将碎片化的知识「连点成线」。

有了全局观，接下来就是深挖细节。

一个概念一个概念地啃，大量读博客、读论文，并且跟 ChatGPT 和 Claude 聊。

但千万别只停留在纸上谈兵，一定要亲自动手写代码。

Alisa 强烈建议大家，反复死磕这门课的 Homework 1：

Transformer 的实现 / 调试在面试中非常常见，把它练成肌肉记忆，会给你带来巨大的回报。

相信我，你绝对不想在考场上因为手生而丢分。

这里有一个注意事项：练习时绝对不要依赖 AI，请尽可能 100% 模拟真实面试环境。

一旦平时习惯了让 AI 帮你补全代码，到了不让用 AI 的考场，你的大脑大概率会一片空白。

当然，也别死背书，一些小 trick 也很重要。

每一场面试都有自己的特点，从 JD 描述、公司方向、面试官的暗示到公司的技术声誉，你大致能推断出面试的范围，「开小灶」准备。

接下来，就像准备期末考一样拼命突击吧。

不过，面试前一天就不要这么努力了。

Alisa 分享了自己的血泪教训：她有一场技术面，前一晚临时抱佛脚疯狂背书，只睡了两小时。

结果，那晚熬夜背的内容，面试里一个都没考上……

最后还因为严重缺觉导致大脑宕机，花了整整十分钟，才搞定一个简单的 off-by-one error（差一错误）。

睡够觉。真的。

谈薪很重要！！

如果一切顺利，恭喜你，终于拿下了 offer。

但先别急着开香槟——打起精神，马拉松还没到终点！

接下来，是漫长且消耗心力的谈判拉锯战。和未来同事聊、和 hiring manager 聊、去公司吃个饭、跟 HR 极限拉扯……还有永远处理不完的邮件。

谈判最难的地方在哪？在于学校几乎从来不会教你这个。

你要知道，坐在桌子对面的，是一个比你更摸透市场行情、谈判经验比你丰富百倍的资深面试官。

有些佛系的同学可能会想：

我对钱要求没那么高，差不多接了就行。

心态平和是好事。但真相是，初始的 Offer 本来就预留了谈判空间。 有些 HR 甚至在尘埃落定后会半开玩笑地坦言：

我没想到你会直接接受我们的第一个 offer。

所以，千万别在临门一脚时亏待自己。在这个阶段多磨几周，实际上等于你未来好几年的工资。

为了打赢这场仗，Alisa 也总结了一套自己的「谈判 SOP」：

1、每次和 HR 通话前，明确写下「哪些能透露、哪些绝对不能说」，把关键话术逐字写下来并背熟；

2、提前预判对方可能抛出的问题，想好应对策略。

3、最重要的一点是，这个阶段一定要多跟朋友聊。 尽可能多地获取真实的「市场数据」，让自己的每一次报价都有据可依。

OMT

最后的最后，让我们一起再回到 Blog 开头的部分吧。

「OpenAI 华人女博士」Title 的背后，其实并非一直那么光鲜。

「天才叙事」的另一面，是一度看不到尽头的「求职地狱」。

坦白说，那几个月我压力巨大、痛苦不堪，生活的其他方面也完全无法正常运转。

在博士生涯的大部分时间里，求职这件事，在 Alisa 眼里就像一顶哈利波特里的「分院帽」——

高年级的学长学姐消失几个月，然后突然带着大厂的桂冠凯旋；即使是身边最亲密的好友在找工作，她也很少知道他们究竟经历了怎样的煎熬。

都说「不要和别人比」，但真做起来，太难了。

在这个阶段，周围同学如果又拿了什么神仙 offer，很难不拿来暗暗对比。

因此，当聚光灯终于打到自己身上时，Alisa 感到前所未有的手足无措。像是一边学德扑的牌型规则，一边被推着在牌桌上 All in 所有筹码。

与同龄人比较的感觉并不好受，每个人都会对你的去向发表意见，而且人们会异常关注你的生活状况。

在信息不完整的情况下做决定，令人倍感压力。

这也是 Alisa 写下这篇 Blog 的原因。

不求能输出多么深刻的 insight，但至少能让下一个处在类似位置的求职者，在晚上睡不着刷 Boss 时，看到这篇文章，能稍微没那么焦虑。

最后，就用 Alisa 在 Blog 的原话作为结尾吧——

希望你能找到快乐。

但如果没有，请记住，你并不孤单。

博客：https://alisawuffles.github.io/blog/job-search/

笔记：https://alisawuffles.notion.site/alisa-s-book-of-llms

参考链接：

[ 1 ] https://x.com/alisawuffles/status/2068765723569324462

[ 2 ] https://x.com/paper2comic/status/2069089198905360787

[ 3 ] https://alisawuffles.github.io/uploads/Alisa-Liu-CV.pdf

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

专属 AI 产品从业者的实名社群，只聊 AI 产品最落地的真问题   扫码添加小助手，发送「姓名 + 公司 + 职位」申请入群～

进群后，你将直接获得：

  最新最专业的 AI 产品信息及分析  

   不定期发放的热门产品内测码

   内部专属内容与专业讨论

点亮星标

科技前沿进展每日见