AI 求职笔记 - 我是如何学AI的

Alisa Liu 发布于 2026-06-21 阅读 101

本文作者是一位即将毕业的NLP博士生,详细分享了她在AI求职的全过程,包括时间线、面试类型、准备策略和谈判经验。她指出,求职过程比想象中更耗费精力,需要系统准备技术问题(如ML编码、LeetCode)、深度技术讨论和研究演讲,并强调了情商管理的重要性。她还提供了实用的学习资源和心理建议,鼓励读者在博士期间享受研究乐趣的同时,提前为求职做知识储备。

译者注: 作者下架将 入职 OpenAI , 本文是其求职与学习笔记

2026年6月20日 在博士生涯的大部分时间里,我对求职的想象就像一顶分院帽 :高年级的博士生们会消失(几个月),然后带着已决定的命运重新出现。即使在我亲密的朋友们开始毕业并找到工作时,除了偶尔得到他们还活着的消息外,我对他们所经历的知之甚少。当终于轮到我时,我发现这个过程远比我想象的更具挑战性,感觉自己像是在一边玩游戏,一边在学习游戏规则。

回想起来,我的许多经历都是普遍的,我在过程中学到的东西现在很多都成了常识。我写这篇文章是为了分享一个数据点,展示求职之旅可能的样子,希望能让那些不久前和我在同一处境的人感到不那么神秘。

简单介绍一下我的背景。我在华盛顿大学攻读自然语言处理博士学位的最后一年,申请了研究科学家/技术团队成员职位。我一生都在学校里度过,本来很希望能够永远当一名博士生,直到我的导师们最终推动我继续前进。博士期间的大部分时间,我都没怎么考虑毕业后要做什么,我更热衷于研究有趣的想法而非其他。这导致我经历了很多方向的转换,但幸运的是,在最后两年里我保持了一个一致的线索(关于分词!),因为这与享受乐趣在很大程度上重合了,我认为建立专业领域背景帮助我在求职中脱颖而出。

我的时间线

下图展示了我的求职时间线(灵感来自 Nathan Lambert 的文章),面试用灰色图标表示,结果用彩色圆圈表示。注意,已读不回指的是招聘人员从未告知我结果或下一步,撤回指的是在我收到一些令我兴奋的 offer 后,礼貌地告诉公司我不再感兴趣。我总共在 11 家公司进行了 57 场面试。未在图中列出的是额外的 46 场招聘电话和 16 次 offer 后的聊天,以及求职前进行的无数非正式社交对话。

Job search timeline

公司顺序。我通过结合多种因素决定何时开始每个面试流程:我是否准备好了、公司方面的压力、我预期他们行动的速度、我对该公司有多兴奋,以及一些不那么刻意的因素比如拖延。这里的普遍建议是先用几家公司做练习,然后安排其他流程,以便所有 offer 大致在同一时间收到,从而方便谈判。虽然我认为这在精神上大致正确,但我想补充几点考虑。

  • 练习面试很有帮助,但也要认识到你的精力是有限的——小心不要在你真正关心的公司到来之前就精疲力竭!
  • 有一些外部因素值得考虑,比如公司是否有人员编制以及哪些团队在积极招聘,这有时比你的准备更重要。你可以通过朋友和招聘人员了解一些信息。
  • 截止日期有很大的灵活性,所以 offer 的时间安排不必非常精确。招聘人员知道你有其他流程要完成,而且有各种技巧可以延迟 offer 和决策。话虽如此,也有臭名昭著的例外(所谓的“爆炸性”offer),所以了解候选人通常有多少时间来签字接受是很重要的。

获得第一次面试

说得直白一点:在博士期间努力做出好工作,多交朋友,多合作!要获得第一次面试,有时需要公司内部有人为你担保。你可以通过在会议上多活跃、广泛合作和参加社交活动(当然,这部分对每个人来说都不容易——对我来说肯定也不容易——所以也要关注自己的精力和舒适度)来为成功早做准备。在求职过程中,联系你认识(或不认识)的人,询问机会。事实上,求职的很大一部分是重新联系那些你可能多年没说过话的人——这没问题,是意料之中的,并且最终会成为这个过程中一个美好的附带收获。

面试类型

我认为大致有以下几类面试。总体而言,技术技能和知识的评估远超研究经验,尽管后者可能首先为你赢得面试机会。

机器学习编码

这是迄今为止最常见的一类。这些问题可能要求你实现给定的架构、解码策略、传统的机器学习算法,有时更具创造性。熟练掌握 PyTorch 是必须的;在极少数情况下,我被要求只使用 numpy,比如从头编写反向传播,但我不需要熟悉 numpy 语法。

通用编码

基本上是 LeetCode,有时会额外加点料。在这方面打下坚实基础很好,因为这些概念通常也会出现在机器学习编码面试中。

技术讨论

这类面试不涉及编码,但非常技术性。有时,面试是围绕一个主题的扩展讨论,例如你如何设计实验来回答特定的研究问题或实现特定目标。面试官通常会追问你的设计选择,并要求你评论一些假设的结果并设计后续实验。在其他情况下,面试由一系列快速提问组成(编码位置信息有哪些不同方式?什么是 5D 并行?PPO 和 GRPO 有什么区别?),目标是表明我懂行。前一种面试测试你的思维方式,而后者检查你对领域的知识广度。

研究讨论

这是我们在博士期间练习得最多的那种对话。面试官通常让你先讲述一个过去的项目,然后讨论由此展开。他们也可能问你简历上其他论文的问题。在准备这类讨论时,退一步思考你选择研究这些问题的原因、你在此过程中形成的见解和观点,以及你认为有前途的未来方向,会很有帮助。我还根据职位调整了我的研究介绍;面试官很累,所以击中正确的关键词会让他们更容易相信你的背景是相关的。

行为面试

这些完全是教科书式的行为面试,除了偶尔关于人工智能安全或社会影响的问题。整理博士期间值得讲述的经历,并将它们映射到常见的行为问题上,这样在面试中你可以立即提取正确的轶事。我第一次行为面试失败了,因为我进去时觉得自己显然“行为良好”,结果在最简单的问题上大脑一片空白。相信我,在面试中一边试图回忆模糊的记忆一边表达出来,最后面试官却说“你没有回答问题”,那种痛苦是独一无二的。

数学

一些公司有数学面试,从有趣的逻辑谜题到严肃的数学推导(用纸笔)。我建议复习概率、线性代数和微积分。

求职报告

求职报告的形式有所变化,但与学术报告相比,它往往更短,专注于一篇论文或一个方向。我的求职报告全是关于分词器的;大部分时间我花在第一作者的工作上,然后简要介绍了第二作者和正在进行的工作,幸运的是它们很好地联系在一起。

准备

没有什么比花时间学习准备面试更有价值了。对我来说,体验就像回到了本科:我记笔记(参见我的 LLM 笔记,在过程中我不断更新,以及我的 数学笔记,全部是为了某次命运攸关的面试),画图表,做练习题,整天泡在咖啡店里确保我彻底理解基本的机器学习概念。技术面试很难,测试的技能需要专门的努力去发展,这超出了做研究的范畴。对我和我交谈过的大多数人来说,求职就是一份全职工作。

我首先观看了斯坦福大学从零开始的语言建模课程的所有讲座,这有助于说明我需要学习的主题广度,并帮助我把很多零散的概念组织成一个连贯的领域图景。在掌握了基础知识后,我剩余时间逐一深入概念,阅读相关博客文章和论文,大量与 ChatGPT 和 Claude 交谈,并练习从头实现东西。作业 1 至关重要:实现/调试 Transformer 在面试中经常出现,将其变成肌肉记忆会带来巨大回报,真的不值得在此丢分。确保你在完全关闭人工智能辅助的情况下练习编码,以模拟面试环境(否则你会低估自己的依赖性!)。

我发现每次面试都是独特的,可以从一点——有时是很多——有针对性的准备中受益。你通常可以根据提供的描述、公司感兴趣的主题、招聘人员的提示以及公司的声誉,对面试的范围建立一个直观的理解。当我在面试最密集的时候,我发现我不停地把信息倒进倒出脑袋,以便特定面试最相关的知识保持新鲜。我能想到的最好描述是:每次面试都是一门略有不同的数学或计算机科学课,你从没上过课,而现在你有大约 3 天时间突击复习期中考试。

面试当天

也许是我老了,但没有什么比面试前一晚睡个好觉更重要。我犯过一个错误,在只睡了 2 小时、把所有 LLM 推理的复杂性塞进大脑后进行了第一次技术面试——所有临时学的知识都没用上,结果我花了 10 分钟在一个差一错误上,因为我的大脑几乎转不动。面试后,记得记录一些笔记,这对你未来的学习和反思会有帮助。

附带的好处

学习给我带来了巨大的附带好处。拥有更广泛的知识直接提高了作为研究者的信心。我在对话中变得更加自信,因为我不再担心知识缺口暴露出来,并且当它们出现时也不再觉得有必要隐藏。我坚信,如果我在博士期间早一些进行这样一些学习,它将会扩展我能够思考并产生想法的问题空间,当然也会增加我寻求的对话数量。令人惊奇的是,我还发现学习使我正在进行的研究项目更加高效。我能够产生以前无法触及的技术想法,并做更多技术工作,这非常令人兴奋。

谈判

我震惊地发现,收到 offer 后工作远未结束。相反,会有一段(可能延长的)时间让你进一步了解你的选择并谈判你的 offer。这包括与潜在未来的队友/经理进行多次对话、午餐访问和招聘人员电话。在这个阶段,我管理着铺天盖地的沟通,总有一些电子邮件我因未回复而内疚。

事实是,谈判很难。博士期间没有任何东西为我们准备这个,而且与面试不同,这部分不能通过学习来攻克。与招聘人员相比,你在市场知识和谈判技巧上都处于劣势,而且每个与你交谈的人都想从你这里得到不同的东西。你可能在想,“我对 offer 很满意,可以独立于薪酬做出决定!”,确实,了解自己的价值观很好!但如果你不谈判,就是对自己不利。初始 offer 故意留有谈判空间;招聘人员经常明确邀请我参与这个游戏,说些诸如“我不指望你接受我们的第一个 offer”之类的话。在这里投入几周精力,从字面上看,可能相当于在初始 offer 下工作数年。

在这个阶段,依赖朋友了解与招聘人员互动的诀窍,以及获得更多数据点来校准你的要求,真的至关重要。每次和招聘人员通话前,我都会写下我愿意和不愿意分享的内容,以及我可以逐字复述的引文。在 offer 后阶段,我会预想他们可能问的问题和提出的观点,并仔细构建我能够舒适表达同时为自己争取利益的回应。虽然耗时,但认真对待过程的每个方面是值得的。

结语

在这篇博文中,我关注了求职的具体部分,但实际上我个人经历中很大一部分是管理伴随进入市场而来的各种情绪。需要应对很多社会认知:与他人比较不是好感觉,每个人对你该去哪里或不该去哪里都有各自看法,人们对你的人生进展表现出异常的关切。我还发现在信息不完全的情况下驾驭巨大的决策空间很有压力,一些看似无对错之分的小选择(比如什么时候联系谁)却有着不成比例的影响。坦率地说,几个月来我感到压力、痛苦,并且在生活的其他方面无法正常运转。希望你能找到更多快乐,但如果没有,只需知道你并不孤单。

几个月来,我一直在飞速冲向博士的终点,而现在一切都结束了,我无比伤感地要告别人生的这一篇章。博士是一段如此特殊的时光,我们唯一的工作就是有好主意并执行它们,作为研究者学习和成长,而不用担心马上就要找到一份真正的工作。因此,虽然我希望这篇文章能帮助你为未来做好心理准备(我当然也认识到如今行业力量有多大的干扰),但我也希望你能珍惜博士这段独特的时光。毕竟,这些目标可能是互补的——我一直发现,当我享受乐趣并追逐那些我无法放下的问题时,我的工作做得最好。


附录:学习资源

  • 原文链接: alisawuffles.github.io/b...
  • 登链社区 AI 助手,为大家转译优秀英文文章,如有翻译不通的地方,还请包涵~

相关文章

0 条评论