把时间先拨到2026年3月14号那天我从华为南京研究所出来给朋友发了条消息“面完了感觉这次问得真细。”朋友秒回“AI岗现在到底面什么”我愣了一下发现这个问题其实很难用几句话讲清楚。今天这篇东西就是想把这次备战华为AI岗的经历完整复盘一遍从岗位理解、知识点拆解、面试流程到我踩过的坑和总结出的高频问题一次性写清楚。无论你是准备冲大厂AI岗还是刚入门想了解这个方向要学什么这篇内容应该都能给你一些参考。我自己的背景是两年大模型应用开发经验做过RAG落地项目也写过Agent框架的工程代码算是有一点点项目底子。但即便如此这次面试准备依然让我感受到了压力——AI岗的考察范围远比我预想的要宽。你不仅要懂模型原理还要能写工程代码要会设计Agent系统还要能说清楚线上服务的稳定性问题。说白了这岗位要的是“懂算法、会工程、能落地”的人。这篇文章我会把整个准备过程和面试过程都摊开来讲。里面的知识点、题目、思路都是基于我这次面试经历的整理希望能帮正在准备AI岗位的你少走一些弯路。1. 岗位画像与备战思路1.1 华为AI岗到底在招什么人先说我怎么理解这个岗位的。华为的AI岗和互联网大厂的算法工程师有明显区别。互联网大厂很多AI岗位是“研究驱动”的核心是发论文、刷榜、持续探索模型能力的上限。华为的AI岗更偏向“产品驱动”和“工程驱动”——你做的模型最终要落到具体的产品里要跑在具体的硬件上要能在实际业务中产生价值。这点从我的面试经历里能明显感受到。面试官几乎不问我“你读过哪篇论文”“某个SOTA模型怎么实现的”更多是问“你这个项目的推理延迟是多少”“QPS能扛到多少”“显存占用怎么优化”“Agent的工具调用失败怎么兜底”。这些问题背后透露出一个信息华为需要的是能把AI技术转化成产品能力的人。另外一个很重要的背景是华为有完整的昇腾计算生态。我在准备过程中特别关注了MindSpore和MindIE相关的内容因为芯片和框架的适配问题在华为的业务场景里绕不开。如果你手里有昇腾环境的实操经验哪怕是跑通一个简单的推理demo在面试中都会是加分项。还有一个容易被忽视的点华为AI岗对系统架构能力有要求。大模型不是单机程序它涉及数据管道、训练集群、推理服务、监控告警、模型迭代等一系列系统工程问题。面试官会从你的项目经历中挖掘你是否具备这方面的思考。所以不要只盯着模型本身把视野放到整个系统上。1.2 我的整体备战路线规划确定投递华为AI岗之后我花了两周做系统性准备。第一周用来补齐知识短板第二周用来刷题和模拟面试。整体路线分四条线并行第一条线是模型基础。我把Transformer架构、注意力机制、指令微调、RLHF这些最基础的知识重新过了一遍确保每一个概念都能用大白话讲清楚。大模型面经里问得最多的问题是“讲一下Self-Attention的原理”这个问题看起来简单但真要用5分钟讲明白并且能回答追问还是需要花功夫准备的。第二条线是AI Agent。2026年Agent已经不是概念了而是落到实处的工程方向。我从工具调用、记忆管理、规划决策、多智能体协作四个维度整理了知识框架每个维度都准备了实际案例和代码片段。面试中“你如何设计一个稳定的Agent系统”几乎是必考题。第三条线是AI应用开发。这部分包括RAG、微调、提示词工程、模型部署和服务化。我把自己做过的RAG项目重新梳理了一遍把每个环节的细节都回忆清楚文本切分用的是什么策略向量检索的召回率多少重排模型选了哪个最终效果提升多少第四条线是编码能力。华为的机试是硬门槛LeetCode Hot 100和剑指Offer的题目我刷了两遍重点准备动态规划、二叉树、字符串处理、回溯这几类高频题型。代码题现场写不出来其他准备得再好都白搭。现在回头看这个四线并行的策略是有效的尤其是准备过程中可以互相补强。比如我在准备Agent的工具调用时顺手就把函数调用Function Calling的底层原理搞清楚了而面试官后续追问的“怎么保证工具调用的可靠性”也从工程实践角度给出了答案整体串起来了。2. 核心考点拆解与知识体系搭建2.1 大模型基础从Transformer到推理优化不管什么AI岗位Transformer都是绕不开的第一道坎。面试官不会直接问你“Transformer是什么”但会从各种角度考验你对它的理解。比如“为什么要有位置编码”“缩放因子根号dk是怎么来的”“KV Cache是做什么的”这些看起来是基础问题但每一个都能往深了问。我给自己定了一个标准能不看任何资料用白板把Transformer的结构画出来并且能解释清楚每一层的输入输出和维度变化。这个要求听起来高但实际做起来并没有那么难。关键是理解Encoder和Decoder的差异、自注意力机制的计算流程、以及残差连接和层归一化的作用。一旦把这些核心逻辑弄明白后续学什么模型架构都会顺很多。推理优化是另一个重点考察方向。现在的模型动辄几十上百B参数怎么把它跑在有限的显存里是工程面试的核心问题。必考的技术点包括量化INT8、INT4以及常见的GPTQ、AWQ方法、剪枝、蒸馏、FlashAttention、KV Cache优化、动态批处理等。我建议你重点搞清楚量化的原理。很多面试者知道“量化能把模型缩小4倍”但说不清“为什么INT8量化会有精度损失”“Per-token和Per-channel量化有什么区别”更说不清“为什么LLM.int8()要混合使用两种精度”。这些问题我在面试中就被追问过。其实LLM.int8()之所以对FFN层做Per-channel量化、对注意力层做Per-token量化是因为激活值中的异常值主要出现在特定维度上。把原理弄明白远比背诵概念有用。关于推理还有个关键点要提醒显存占用计算必须会。推理一个7B模型大概需要多少显存粗略估算公式是权重显存 ≈ 参数量 × 字节数。FP16下7B模型约14GBINT8下约7GB还要算上KV Cache和激活值。面试中如果让你估算部署方案这一步是严谨推导的基础不能凭感觉。2.2 AI Agent开发从概念到工程落地AI Agent是这次面试的重头戏。热词里大量出现的“AI Agent开发”“AI智能体”“AI Agent”都在印证这个方向的热度。到2026年这个时间节点面试官已经不会满足于听到“Agent LLM 规划 记忆 工具”这种教科书式定义了。他们要听的是你真正做过Agent项目吗踩过哪些坑怎么解决工具调用失败怎么控制Agent的决策成本我在准备Agent相关的知识时把重点放在四个模块上工具调用Function Calling的机制和可靠性设计这是Agent执行力的底座。要掌握结构化工具描述、参数解析、调用结果校验以及失败重试机制的设计。面试中我讲了线上系统的兜底策略一次调用失败会触发重试机制连续三次失败则启动人工介入通道同时对这类高风险工具增加使用频率告警——这套设计其实就是从分布式系统领域的“熔断机制”迁移而来面试官听了明显比较认可。记忆管理。Agent的记忆分短期和长期。短期记忆就是上下文窗口里的内容长期记忆一般靠向量数据库。要搞清楚什么时候该把信息写入长期记忆、什么时候该从长期记忆检索、记忆的更新策略是什么。实际项目中我们用的是“对话摘要 关键信息抽取 向量检索”三层结构保证记忆既精简又准确。在设计长期记忆的写入机制时需要在“记住所有内容”和“只提取关键信息”之间做平衡——全都记会导致噪音膨胀影响检索精度还会增大使用成本只提取关键信息又可能丢失重要上下文。实际项目中我们先用一个轻量模型判断对话是否有值得记忆的信息有才做抽取并写入。规划决策。ReAct模式是基础但更关键的是如何控制Agent的迭代深度。不设上限的Agent可能会陷入死循环消耗大量token却得不到结果。我们的工程实践中通常设置最大迭代次数并且每次迭代都让Agent评估“当前进度是否在接近目标”如果连续两次迭代无明显进展就果断终止。多智能体协作。简单场景用单Agent就够了但复杂业务往往需要多Agent配合。要理解Master-Worker、Pipeline、 Debate等常见协作模式以及它们分别适用什么场景。多Agent的难点在于任务分配、通信协议和结果汇总如果某个子任务的数据格式不统一整个协作流程都会被拖垮——我们当时就吃过没提前约定好中间格式的亏。面试官喜欢沿着项目细节往下挖所以建议你准备Agent项目时一定要把技术选型和失败原因讲清楚。比如为什么选ReAct而不是Plan-and-Execute为什么工具描述要用JSON Schema而不是普通文本你的Agent系统在多高并发下会崩溃这些问题没有标准答案但能看出你是不是真的思考过。2.3 AI应用开发RAG、微调与工程化能力如果说模型是发动机那AI应用开发就是把发动机装进车里的过程。这部分考察的是综合工程能力核心包括检索增强生成RAG、模型微调、提示词工程以及服务层面的部署与监控。RAG是必考方向。你要能说清楚RAG的完整链路文档加载-文本切分-向量化-索引构建-检索-重排-生成。每个环节都有对应的难点和优化技巧。比如文本切分固定长度切分虽然简单但会破坏语义完整性我一般会按文档结构先做段落划分再对超长段落做滑动窗口切分这样能兼顾语义完整性和检索精度。重排环节我当时在两个方案里摇摆过一个是先用BM25和向量检索各自召回Top-50再通过RRF倒数排名融合合并另一个是直接用重排模型对Top-50结果做精排。前者就是冷启动期“先跑起来”的过渡方案连一周的临时方案都算不上。后来是我花了一个周末调试bge-reranker-v2-m3上线后综合指标直接涨了8个百分点才下决心把它正式接进去。说起来有点惭愧——上线当天我就把RRF那段代码注释掉的同时心想“这种过渡方案要赶紧下线省得天天给领导解释为什么流程这么复杂”。微调这块核心要搞清楚SFT和RLHF的差异、LoRA的原理和优势、以及什么时候该用微调、什么时候该用RAG。我的经验是需要引入新知识用RAG需要改变模型的输出风格或格式用微调。还有一个高频考点是“LoRA的秩r怎么设置”这个没有一个固定的答案总的来说如果任务简单或者数据量不大选4-8就好如果任务复杂度高可能要到32-64但也要注意过拟合的风险具体数值还是要靠实验来定。工程化能力方面你需要了解模型服务化的完整技术栈。模型推理服务一般用什么框架来做主流选择是vLLM它能通过PagedAttention和Continuous Batching大幅提升吞吐量。还要了解如何做服务监控QPS、延迟、显存、GPU利用率、模型灰度发布、A/B测试和回滚机制。另外还要掌握性能优化手段量化、并行策略张量并行、数据并行、以及用缓存来加速重复请求。我特别想强调一点做AI应用开发提示词工程也很重要。虽然2026年大家都在聊Agent和自动化但提示词依然是性价比最高的技能。面试中我被问到“你怎么优化一个效果不好的Prompt”我的思路是先定位问题是输出格式不对、内容不对、还是逻辑不对再针对性调整。结构化提示词、思维链、Few-shot示例这些方法要能熟练运用。3. 面试流程全记录3.1 机试环节代码硬实力是第一道门槛华为的机试一般是三道题难度从简单到困难递增时间大概两个小时全程在线编程需要共享屏幕。网上流传的说法是“机试通过才能进入下一轮”所以代码能力这一关必须过。我这次抽到的题目类型分布大概是一道字符串处理题一道动态规划题一道图论题。难度上第一题送分第二题中等偏上第三题有区分度——能完整ACAccepted通过所有测试用例第三题的人不多。机试用的编程语言不限我用的Python但需要提前确认环境支持的版本和常用库。机试的准备建议LeetCode Hot 100是最低标准在此基础上建议再刷一遍剑指Offer。重点题型是动态规划背包、子序列、区间DP、二叉树遍历、最近公共祖先、层序遍历、字符串滑动窗口、双指针、KMP、以及回溯子集、排列、组合。时间紧张的话优先刷高频题特别是动态规划和字符串相关的题目华为机试出现概率出奇地高。还有一点想提醒机试时一定要先把能拿的分拿到。第三题如果一时没思路不要死磕回头检查前两题有没有边界情况没考虑。我认识不止一个人因为第三题卡太久结果第二题的小细节没处理妥白白丢了分数。3.2 技术一面项目深挖与基础考察技术一面通常考察两个维度项目经历的真实性和基础知识的扎实程度。面试时长大概1小时前半段聊项目后半段考基础。项目深挖环节面试官会拿着简历一条条问。你会被不断追问“为什么这样做”“有没有考虑过其他方案”“效果怎么评估”“线上出现过什么问题”。这一环节的目标是考察你是否真的做过这个项目以及你的思考深度。我建议你准备项目时针对每个项目写一个完整的故事线背景-方案-落地-效果-复盘。特别要写清楚“踩过的坑”。面试官很喜欢问“你在项目中遇到过最大的挑战是什么”如果你只讲成功不讲失败反而显得不真实。更好的回答方式是先讲当时的困境再讲你的分析过程最后说解决方案和效果这样既体现了思考能力又展示了解决复杂问题的能力。基础知识考察部分一般会问一些计算机基础和机器学习基础问题。比如Python的GIL机制、多线程和多进程的区别、TCP三次握手、数据库索引原理、常见的机器学习算法决策树、SVM、K-Means等。这些内容虽然基础但不要掉以轻心——AI岗不仅要懂AI基础不牢也会被淘汰出局。大模型相关的问题在一面也会出现但难度相对基础。比如“RLHF的三个阶段是什么”“温度系数对生成结果有什么影响”“如何评估大模型的生成质量”。这些问题需要你答得既准确又有条理建议用“先说结论再展开细节”的方式来回答。3.3 技术二面系统设计与场景题技术二面是区分度最大的一轮考察的是系统设计能力和综合技术素养。常见题型包括设计一个RAG系统、设计一个对话机器人、设计一个内容审核系统等。我这次被问到的是设计一个面向企业用户的智能问答系统。面试官没有给太多约束条件而是让我自己假设场景、明确需求、给出设计方案。这种开放性问题考验的是结构化的表达能力你需要先澄清需求和边界再给出整体架构然后逐层细化最后讨论可能的性能瓶颈和优化方向。我当时的设计方案大概是这样的用户提问-意图识别-检索模块-重排-大模型生成-输出校验-日志反馈。每部分我都展开了细节比如检索模块用了“向量检索BM25关键词检索”的混合策略用RRF算法融合排序结果重排模型选择的是bge-reranker-v2-m3生成模块基于vLLM部署支持流式输出整个系统加了缓存层对高频相似问题进行命中缓存降低模型调用成本。系统设计题的高分关键在于一是有清晰的架构思维能画出整个系统的数据流向二是能主动考虑非功能需求比如高可用、低延迟、成本控制三是能结合真实业务场景给出取舍比如“这个场景下2秒延迟可以接受吗如果不能你打算怎么优化”这类问题没有标准答案关键是展示你的综合决策能力。3.4 主管面与HR面技术之外的考量主管面更关注的是综合能力包括学习能力、团队协作、项目管理和技术判断力。问题一般偏宏观比如“未来3年你怎么规划自己的技术方向”“你怎么看待AI行业的发展趋势”“如果在项目中与同事意见不一致你怎么办”。这些问题似乎很简单但回答得好不好体现的是一个人的认知深度和自我认知水平。技术判断力类的问题值得提前准备。比如“技术选型时你会优先考虑哪些因素”我的回答框架是业务需求是第一位然后是团队技术储备、生态成熟度和长期维护成本。千万别一上来就谈“哪个框架最流行”面试官想看到的是你基于场景的取舍能力。HR面相对轻松但也值得重视。常见问题包括为什么选择华为、为什么换工作、期望薪资、工作地在哪——这些问题需要提前打好腹稿回答时态度真诚别套模板。HR面也考察你的沟通表达能力和职业稳定性尽量展现出你对岗位的热情和清晰的职业规划。4. 常见问题与避坑指南4.1 我踩过的坑写这篇复盘的时候我回想了一下准备过程中踩过的坑挑几个最有代表性的分享一下第一过早陷入技术细节。我第一次准备时花了两天研究某个量化算法在极端情况下的数值精度问题。实际上这类细节除非你做AI Infra岗否则面试中根本不会问到。正确的做法是先搭建整体知识框架明确哪些是核心、哪些是边缘核心内容深挖边缘内容了解即可。AI准备的关键在于“广而不浅深而不偏”。如果目标岗位是应用开发方向把精力均衡分配到模型基础、Agent、RAG和工程化上收益会更高。第二准备太多但缺少自己的思考。最开始我看了一堆博客和论文感觉知识都懂了但真正被追问的时候就答不上来了。原因在于我没有把这些知识转化成“自己的语言”。后面我调整了策略每学完一个知识点我都要尝试不看资料把知识“讲一遍录下来”想象自己在对同事讲解这样才能真正检验自己是否理解透彻。第三轻视了机试。说实话面AI岗的人普遍有一种心态——“我是做算法的刷题差不多就行了”。这个想法在我第一次机试的时候就让我栽过跟头。后面我专门花了一周半时间集中刷高频题才把状态调整回来。如果你也准备AI岗请记住代码能力是入场券在大模型时代依然是硬通货。机试不过其他都白搭。4.2 高频题速查表整理一份我这次准备中总结的核心高频题清单覆盖各个知识点方向方向高频问题回答要点TransformerSelf-Attention为什么要除以根号dk防止点积结果过大导致Softmax梯度消失除以根号dk可将注意力分数方差稳定在1附近Transformer为什么需要位置编码Transformer无循环结构不具备天然的顺序感知能力需要显式注入位置信息大模型LoRA的原理是什么冻结原权重通过低秩分解矩阵学习增量训练参数量可减少90%以上Agent如何保证Agent工具调用的稳定性结构化工具描述、参数校验、失败重试、熔断/兜底、调用记录审计AgentAgent多轮对话中的记忆怎么管理短期上下文长期向量检索及时做对话摘要设定记忆写入和遗忘策略RAGRAG中如何做文本切分按文档结构分段滑动窗口补充兼顾语义完整性和检索精度RAG向量检索的召回率低怎么办混合检索BM25向量、调切分策略、换更强的Embedding模型、加Rerank推理7B模型FP16推理需要多少显存约14GB权重KV Cache激活值总计按20GB估算较安全工程大模型服务如何监控QPS、首Token延迟、生成延迟、显存占用、GPU利用率、错误率4.3 面试官真正想听什么面试准备到最后你会慢慢发现一个问题面试官提问的十个问题可能背后只想验证三件事。第一件事你是否真的理解你简历上写的技术。这句话看上去很直接但很多人做不到。项目深挖时被问到“这个模块是怎么实现的”如果你只说得出“用了XX框架”而说不清框架内部的工作机制这就是“简历懂王”。第二件事你是否具备解决未知问题的能力。AI领域变化太快没有任何人的知识储备能覆盖所有面试问题。面试官问到你不会的东西其实是想观察你的反应是诚实说不会还是尝试用已知知识推演还是含糊其辞一带而过。诚实推演是最好的组合——先承认知识盲区再基于已有知识给出部分预判或分析框架。第三件事你是否适合团队协作。华为的研发体系非常重视团队面试中会刻意观察你的沟通表达能力和情商。永远不要在面试中贬低前同事或前公司回答问题时的姿态要保持谦逊同时能清晰表达自己观点的依据。5. 几个值得提前准备的问题面试快要结束时面试官一般会问“你有什么问题想问我”。这个问题千万别回答“没有”。它是一个展示你思考深度的机会同时也是你考察团队的机会。我准备的候选问题包括几个方向关于业务的问题可以问团队目前的核心业务方向以及AI在其中的切入场景关于技术栈的问题可以问团队在模型推理、数据管理、以及Agent相关方向的技术选型与既有积累关于团队协作的问题可以问产品和算法、工程团队之间的协作模式是什么样的关于个人发展的问题可以问团队对新人培养的路径是怎样的。这些问题既能展示你的积极态度也能帮你判断这个岗位是否真的适合自己。不过要提醒一点别问那些网上随便就能搜到答案的问题比如“华为的AI布局是什么”这种问题显得没做功课。也别在面试官面了1小时、明显很疲惫的时候问太多太空泛的问题。问一两个精准的、能引发共鸣的问题就够了。整个面试准备的过程说长不长说短不短。回看这段时间我最大的感受是AI岗位的考察已经逐渐成熟化和体系化了面试官不再满足于概念的复述而是要看到真实的项目经验、深度的技术理解和清晰的工程思维。如果你也准备面试AI岗我建议你趁早动手把手上的项目复盘梳理透把基础知识的每一个细节弄明白把代码能力扎实练好——这些动作没有捷径但在面试中一定会被看见。
把时间先拨到2026年3月14号那天我从华为南京研究所出来给朋友发了条消息“面完了感觉这次问得真细。”朋友秒回“AI岗现在到底面什么”我愣了一下发现这个问题其实很难用几句话讲清楚。今天这篇东西就是想把这次备战华为AI岗的经历完整复盘一遍从岗位理解、知识点拆解、面试流程到我踩过的坑和总结出的高频问题一次性写清楚。无论你是准备冲大厂AI岗还是刚入门想了解这个方向要学什么这篇内容应该都能给你一些参考。我自己的背景是两年大模型应用开发经验做过RAG落地项目也写过Agent框架的工程代码算是有一点点项目底子。但即便如此这次面试准备依然让我感受到了压力——AI岗的考察范围远比我预想的要宽。你不仅要懂模型原理还要能写工程代码要会设计Agent系统还要能说清楚线上服务的稳定性问题。说白了这岗位要的是“懂算法、会工程、能落地”的人。这篇文章我会把整个准备过程和面试过程都摊开来讲。里面的知识点、题目、思路都是基于我这次面试经历的整理希望能帮正在准备AI岗位的你少走一些弯路。1. 岗位画像与备战思路1.1 华为AI岗到底在招什么人先说我怎么理解这个岗位的。华为的AI岗和互联网大厂的算法工程师有明显区别。互联网大厂很多AI岗位是“研究驱动”的核心是发论文、刷榜、持续探索模型能力的上限。华为的AI岗更偏向“产品驱动”和“工程驱动”——你做的模型最终要落到具体的产品里要跑在具体的硬件上要能在实际业务中产生价值。这点从我的面试经历里能明显感受到。面试官几乎不问我“你读过哪篇论文”“某个SOTA模型怎么实现的”更多是问“你这个项目的推理延迟是多少”“QPS能扛到多少”“显存占用怎么优化”“Agent的工具调用失败怎么兜底”。这些问题背后透露出一个信息华为需要的是能把AI技术转化成产品能力的人。另外一个很重要的背景是华为有完整的昇腾计算生态。我在准备过程中特别关注了MindSpore和MindIE相关的内容因为芯片和框架的适配问题在华为的业务场景里绕不开。如果你手里有昇腾环境的实操经验哪怕是跑通一个简单的推理demo在面试中都会是加分项。还有一个容易被忽视的点华为AI岗对系统架构能力有要求。大模型不是单机程序它涉及数据管道、训练集群、推理服务、监控告警、模型迭代等一系列系统工程问题。面试官会从你的项目经历中挖掘你是否具备这方面的思考。所以不要只盯着模型本身把视野放到整个系统上。1.2 我的整体备战路线规划确定投递华为AI岗之后我花了两周做系统性准备。第一周用来补齐知识短板第二周用来刷题和模拟面试。整体路线分四条线并行第一条线是模型基础。我把Transformer架构、注意力机制、指令微调、RLHF这些最基础的知识重新过了一遍确保每一个概念都能用大白话讲清楚。大模型面经里问得最多的问题是“讲一下Self-Attention的原理”这个问题看起来简单但真要用5分钟讲明白并且能回答追问还是需要花功夫准备的。第二条线是AI Agent。2026年Agent已经不是概念了而是落到实处的工程方向。我从工具调用、记忆管理、规划决策、多智能体协作四个维度整理了知识框架每个维度都准备了实际案例和代码片段。面试中“你如何设计一个稳定的Agent系统”几乎是必考题。第三条线是AI应用开发。这部分包括RAG、微调、提示词工程、模型部署和服务化。我把自己做过的RAG项目重新梳理了一遍把每个环节的细节都回忆清楚文本切分用的是什么策略向量检索的召回率多少重排模型选了哪个最终效果提升多少第四条线是编码能力。华为的机试是硬门槛LeetCode Hot 100和剑指Offer的题目我刷了两遍重点准备动态规划、二叉树、字符串处理、回溯这几类高频题型。代码题现场写不出来其他准备得再好都白搭。现在回头看这个四线并行的策略是有效的尤其是准备过程中可以互相补强。比如我在准备Agent的工具调用时顺手就把函数调用Function Calling的底层原理搞清楚了而面试官后续追问的“怎么保证工具调用的可靠性”也从工程实践角度给出了答案整体串起来了。2. 核心考点拆解与知识体系搭建2.1 大模型基础从Transformer到推理优化不管什么AI岗位Transformer都是绕不开的第一道坎。面试官不会直接问你“Transformer是什么”但会从各种角度考验你对它的理解。比如“为什么要有位置编码”“缩放因子根号dk是怎么来的”“KV Cache是做什么的”这些看起来是基础问题但每一个都能往深了问。我给自己定了一个标准能不看任何资料用白板把Transformer的结构画出来并且能解释清楚每一层的输入输出和维度变化。这个要求听起来高但实际做起来并没有那么难。关键是理解Encoder和Decoder的差异、自注意力机制的计算流程、以及残差连接和层归一化的作用。一旦把这些核心逻辑弄明白后续学什么模型架构都会顺很多。推理优化是另一个重点考察方向。现在的模型动辄几十上百B参数怎么把它跑在有限的显存里是工程面试的核心问题。必考的技术点包括量化INT8、INT4以及常见的GPTQ、AWQ方法、剪枝、蒸馏、FlashAttention、KV Cache优化、动态批处理等。我建议你重点搞清楚量化的原理。很多面试者知道“量化能把模型缩小4倍”但说不清“为什么INT8量化会有精度损失”“Per-token和Per-channel量化有什么区别”更说不清“为什么LLM.int8()要混合使用两种精度”。这些问题我在面试中就被追问过。其实LLM.int8()之所以对FFN层做Per-channel量化、对注意力层做Per-token量化是因为激活值中的异常值主要出现在特定维度上。把原理弄明白远比背诵概念有用。关于推理还有个关键点要提醒显存占用计算必须会。推理一个7B模型大概需要多少显存粗略估算公式是权重显存 ≈ 参数量 × 字节数。FP16下7B模型约14GBINT8下约7GB还要算上KV Cache和激活值。面试中如果让你估算部署方案这一步是严谨推导的基础不能凭感觉。2.2 AI Agent开发从概念到工程落地AI Agent是这次面试的重头戏。热词里大量出现的“AI Agent开发”“AI智能体”“AI Agent”都在印证这个方向的热度。到2026年这个时间节点面试官已经不会满足于听到“Agent LLM 规划 记忆 工具”这种教科书式定义了。他们要听的是你真正做过Agent项目吗踩过哪些坑怎么解决工具调用失败怎么控制Agent的决策成本我在准备Agent相关的知识时把重点放在四个模块上工具调用Function Calling的机制和可靠性设计这是Agent执行力的底座。要掌握结构化工具描述、参数解析、调用结果校验以及失败重试机制的设计。面试中我讲了线上系统的兜底策略一次调用失败会触发重试机制连续三次失败则启动人工介入通道同时对这类高风险工具增加使用频率告警——这套设计其实就是从分布式系统领域的“熔断机制”迁移而来面试官听了明显比较认可。记忆管理。Agent的记忆分短期和长期。短期记忆就是上下文窗口里的内容长期记忆一般靠向量数据库。要搞清楚什么时候该把信息写入长期记忆、什么时候该从长期记忆检索、记忆的更新策略是什么。实际项目中我们用的是“对话摘要 关键信息抽取 向量检索”三层结构保证记忆既精简又准确。在设计长期记忆的写入机制时需要在“记住所有内容”和“只提取关键信息”之间做平衡——全都记会导致噪音膨胀影响检索精度还会增大使用成本只提取关键信息又可能丢失重要上下文。实际项目中我们先用一个轻量模型判断对话是否有值得记忆的信息有才做抽取并写入。规划决策。ReAct模式是基础但更关键的是如何控制Agent的迭代深度。不设上限的Agent可能会陷入死循环消耗大量token却得不到结果。我们的工程实践中通常设置最大迭代次数并且每次迭代都让Agent评估“当前进度是否在接近目标”如果连续两次迭代无明显进展就果断终止。多智能体协作。简单场景用单Agent就够了但复杂业务往往需要多Agent配合。要理解Master-Worker、Pipeline、 Debate等常见协作模式以及它们分别适用什么场景。多Agent的难点在于任务分配、通信协议和结果汇总如果某个子任务的数据格式不统一整个协作流程都会被拖垮——我们当时就吃过没提前约定好中间格式的亏。面试官喜欢沿着项目细节往下挖所以建议你准备Agent项目时一定要把技术选型和失败原因讲清楚。比如为什么选ReAct而不是Plan-and-Execute为什么工具描述要用JSON Schema而不是普通文本你的Agent系统在多高并发下会崩溃这些问题没有标准答案但能看出你是不是真的思考过。2.3 AI应用开发RAG、微调与工程化能力如果说模型是发动机那AI应用开发就是把发动机装进车里的过程。这部分考察的是综合工程能力核心包括检索增强生成RAG、模型微调、提示词工程以及服务层面的部署与监控。RAG是必考方向。你要能说清楚RAG的完整链路文档加载-文本切分-向量化-索引构建-检索-重排-生成。每个环节都有对应的难点和优化技巧。比如文本切分固定长度切分虽然简单但会破坏语义完整性我一般会按文档结构先做段落划分再对超长段落做滑动窗口切分这样能兼顾语义完整性和检索精度。重排环节我当时在两个方案里摇摆过一个是先用BM25和向量检索各自召回Top-50再通过RRF倒数排名融合合并另一个是直接用重排模型对Top-50结果做精排。前者就是冷启动期“先跑起来”的过渡方案连一周的临时方案都算不上。后来是我花了一个周末调试bge-reranker-v2-m3上线后综合指标直接涨了8个百分点才下决心把它正式接进去。说起来有点惭愧——上线当天我就把RRF那段代码注释掉的同时心想“这种过渡方案要赶紧下线省得天天给领导解释为什么流程这么复杂”。微调这块核心要搞清楚SFT和RLHF的差异、LoRA的原理和优势、以及什么时候该用微调、什么时候该用RAG。我的经验是需要引入新知识用RAG需要改变模型的输出风格或格式用微调。还有一个高频考点是“LoRA的秩r怎么设置”这个没有一个固定的答案总的来说如果任务简单或者数据量不大选4-8就好如果任务复杂度高可能要到32-64但也要注意过拟合的风险具体数值还是要靠实验来定。工程化能力方面你需要了解模型服务化的完整技术栈。模型推理服务一般用什么框架来做主流选择是vLLM它能通过PagedAttention和Continuous Batching大幅提升吞吐量。还要了解如何做服务监控QPS、延迟、显存、GPU利用率、模型灰度发布、A/B测试和回滚机制。另外还要掌握性能优化手段量化、并行策略张量并行、数据并行、以及用缓存来加速重复请求。我特别想强调一点做AI应用开发提示词工程也很重要。虽然2026年大家都在聊Agent和自动化但提示词依然是性价比最高的技能。面试中我被问到“你怎么优化一个效果不好的Prompt”我的思路是先定位问题是输出格式不对、内容不对、还是逻辑不对再针对性调整。结构化提示词、思维链、Few-shot示例这些方法要能熟练运用。3. 面试流程全记录3.1 机试环节代码硬实力是第一道门槛华为的机试一般是三道题难度从简单到困难递增时间大概两个小时全程在线编程需要共享屏幕。网上流传的说法是“机试通过才能进入下一轮”所以代码能力这一关必须过。我这次抽到的题目类型分布大概是一道字符串处理题一道动态规划题一道图论题。难度上第一题送分第二题中等偏上第三题有区分度——能完整ACAccepted通过所有测试用例第三题的人不多。机试用的编程语言不限我用的Python但需要提前确认环境支持的版本和常用库。机试的准备建议LeetCode Hot 100是最低标准在此基础上建议再刷一遍剑指Offer。重点题型是动态规划背包、子序列、区间DP、二叉树遍历、最近公共祖先、层序遍历、字符串滑动窗口、双指针、KMP、以及回溯子集、排列、组合。时间紧张的话优先刷高频题特别是动态规划和字符串相关的题目华为机试出现概率出奇地高。还有一点想提醒机试时一定要先把能拿的分拿到。第三题如果一时没思路不要死磕回头检查前两题有没有边界情况没考虑。我认识不止一个人因为第三题卡太久结果第二题的小细节没处理妥白白丢了分数。3.2 技术一面项目深挖与基础考察技术一面通常考察两个维度项目经历的真实性和基础知识的扎实程度。面试时长大概1小时前半段聊项目后半段考基础。项目深挖环节面试官会拿着简历一条条问。你会被不断追问“为什么这样做”“有没有考虑过其他方案”“效果怎么评估”“线上出现过什么问题”。这一环节的目标是考察你是否真的做过这个项目以及你的思考深度。我建议你准备项目时针对每个项目写一个完整的故事线背景-方案-落地-效果-复盘。特别要写清楚“踩过的坑”。面试官很喜欢问“你在项目中遇到过最大的挑战是什么”如果你只讲成功不讲失败反而显得不真实。更好的回答方式是先讲当时的困境再讲你的分析过程最后说解决方案和效果这样既体现了思考能力又展示了解决复杂问题的能力。基础知识考察部分一般会问一些计算机基础和机器学习基础问题。比如Python的GIL机制、多线程和多进程的区别、TCP三次握手、数据库索引原理、常见的机器学习算法决策树、SVM、K-Means等。这些内容虽然基础但不要掉以轻心——AI岗不仅要懂AI基础不牢也会被淘汰出局。大模型相关的问题在一面也会出现但难度相对基础。比如“RLHF的三个阶段是什么”“温度系数对生成结果有什么影响”“如何评估大模型的生成质量”。这些问题需要你答得既准确又有条理建议用“先说结论再展开细节”的方式来回答。3.3 技术二面系统设计与场景题技术二面是区分度最大的一轮考察的是系统设计能力和综合技术素养。常见题型包括设计一个RAG系统、设计一个对话机器人、设计一个内容审核系统等。我这次被问到的是设计一个面向企业用户的智能问答系统。面试官没有给太多约束条件而是让我自己假设场景、明确需求、给出设计方案。这种开放性问题考验的是结构化的表达能力你需要先澄清需求和边界再给出整体架构然后逐层细化最后讨论可能的性能瓶颈和优化方向。我当时的设计方案大概是这样的用户提问-意图识别-检索模块-重排-大模型生成-输出校验-日志反馈。每部分我都展开了细节比如检索模块用了“向量检索BM25关键词检索”的混合策略用RRF算法融合排序结果重排模型选择的是bge-reranker-v2-m3生成模块基于vLLM部署支持流式输出整个系统加了缓存层对高频相似问题进行命中缓存降低模型调用成本。系统设计题的高分关键在于一是有清晰的架构思维能画出整个系统的数据流向二是能主动考虑非功能需求比如高可用、低延迟、成本控制三是能结合真实业务场景给出取舍比如“这个场景下2秒延迟可以接受吗如果不能你打算怎么优化”这类问题没有标准答案关键是展示你的综合决策能力。3.4 主管面与HR面技术之外的考量主管面更关注的是综合能力包括学习能力、团队协作、项目管理和技术判断力。问题一般偏宏观比如“未来3年你怎么规划自己的技术方向”“你怎么看待AI行业的发展趋势”“如果在项目中与同事意见不一致你怎么办”。这些问题似乎很简单但回答得好不好体现的是一个人的认知深度和自我认知水平。技术判断力类的问题值得提前准备。比如“技术选型时你会优先考虑哪些因素”我的回答框架是业务需求是第一位然后是团队技术储备、生态成熟度和长期维护成本。千万别一上来就谈“哪个框架最流行”面试官想看到的是你基于场景的取舍能力。HR面相对轻松但也值得重视。常见问题包括为什么选择华为、为什么换工作、期望薪资、工作地在哪——这些问题需要提前打好腹稿回答时态度真诚别套模板。HR面也考察你的沟通表达能力和职业稳定性尽量展现出你对岗位的热情和清晰的职业规划。4. 常见问题与避坑指南4.1 我踩过的坑写这篇复盘的时候我回想了一下准备过程中踩过的坑挑几个最有代表性的分享一下第一过早陷入技术细节。我第一次准备时花了两天研究某个量化算法在极端情况下的数值精度问题。实际上这类细节除非你做AI Infra岗否则面试中根本不会问到。正确的做法是先搭建整体知识框架明确哪些是核心、哪些是边缘核心内容深挖边缘内容了解即可。AI准备的关键在于“广而不浅深而不偏”。如果目标岗位是应用开发方向把精力均衡分配到模型基础、Agent、RAG和工程化上收益会更高。第二准备太多但缺少自己的思考。最开始我看了一堆博客和论文感觉知识都懂了但真正被追问的时候就答不上来了。原因在于我没有把这些知识转化成“自己的语言”。后面我调整了策略每学完一个知识点我都要尝试不看资料把知识“讲一遍录下来”想象自己在对同事讲解这样才能真正检验自己是否理解透彻。第三轻视了机试。说实话面AI岗的人普遍有一种心态——“我是做算法的刷题差不多就行了”。这个想法在我第一次机试的时候就让我栽过跟头。后面我专门花了一周半时间集中刷高频题才把状态调整回来。如果你也准备AI岗请记住代码能力是入场券在大模型时代依然是硬通货。机试不过其他都白搭。4.2 高频题速查表整理一份我这次准备中总结的核心高频题清单覆盖各个知识点方向方向高频问题回答要点TransformerSelf-Attention为什么要除以根号dk防止点积结果过大导致Softmax梯度消失除以根号dk可将注意力分数方差稳定在1附近Transformer为什么需要位置编码Transformer无循环结构不具备天然的顺序感知能力需要显式注入位置信息大模型LoRA的原理是什么冻结原权重通过低秩分解矩阵学习增量训练参数量可减少90%以上Agent如何保证Agent工具调用的稳定性结构化工具描述、参数校验、失败重试、熔断/兜底、调用记录审计AgentAgent多轮对话中的记忆怎么管理短期上下文长期向量检索及时做对话摘要设定记忆写入和遗忘策略RAGRAG中如何做文本切分按文档结构分段滑动窗口补充兼顾语义完整性和检索精度RAG向量检索的召回率低怎么办混合检索BM25向量、调切分策略、换更强的Embedding模型、加Rerank推理7B模型FP16推理需要多少显存约14GB权重KV Cache激活值总计按20GB估算较安全工程大模型服务如何监控QPS、首Token延迟、生成延迟、显存占用、GPU利用率、错误率4.3 面试官真正想听什么面试准备到最后你会慢慢发现一个问题面试官提问的十个问题可能背后只想验证三件事。第一件事你是否真的理解你简历上写的技术。这句话看上去很直接但很多人做不到。项目深挖时被问到“这个模块是怎么实现的”如果你只说得出“用了XX框架”而说不清框架内部的工作机制这就是“简历懂王”。第二件事你是否具备解决未知问题的能力。AI领域变化太快没有任何人的知识储备能覆盖所有面试问题。面试官问到你不会的东西其实是想观察你的反应是诚实说不会还是尝试用已知知识推演还是含糊其辞一带而过。诚实推演是最好的组合——先承认知识盲区再基于已有知识给出部分预判或分析框架。第三件事你是否适合团队协作。华为的研发体系非常重视团队面试中会刻意观察你的沟通表达能力和情商。永远不要在面试中贬低前同事或前公司回答问题时的姿态要保持谦逊同时能清晰表达自己观点的依据。5. 几个值得提前准备的问题面试快要结束时面试官一般会问“你有什么问题想问我”。这个问题千万别回答“没有”。它是一个展示你思考深度的机会同时也是你考察团队的机会。我准备的候选问题包括几个方向关于业务的问题可以问团队目前的核心业务方向以及AI在其中的切入场景关于技术栈的问题可以问团队在模型推理、数据管理、以及Agent相关方向的技术选型与既有积累关于团队协作的问题可以问产品和算法、工程团队之间的协作模式是什么样的关于个人发展的问题可以问团队对新人培养的路径是怎样的。这些问题既能展示你的积极态度也能帮你判断这个岗位是否真的适合自己。不过要提醒一点别问那些网上随便就能搜到答案的问题比如“华为的AI布局是什么”这种问题显得没做功课。也别在面试官面了1小时、明显很疲惫的时候问太多太空泛的问题。问一两个精准的、能引发共鸣的问题就够了。整个面试准备的过程说长不长说短不短。回看这段时间我最大的感受是AI岗位的考察已经逐渐成熟化和体系化了面试官不再满足于概念的复述而是要看到真实的项目经验、深度的技术理解和清晰的工程思维。如果你也准备面试AI岗我建议你趁早动手把手上的项目复盘梳理透把基础知识的每一个细节弄明白把代码能力扎实练好——这些动作没有捷径但在面试中一定会被看见。
