前几天，华盛顿大学 NLP 博士 Alisa Liu 发布了一篇长文《Notes on the Industry Job Search》，复盘自己从博士毕业到进入 AI 行业岗位的完整求职过程。几天后，她在 X 上表示自己即将加入 OpenAI；她的公开 CV 也显示，2026 年 6 月起，她的职位是 OpenAI Member of Technical Staff。
Alisa 把顶级 AI 公司求职里最容易被说成“玄学”的部分，拆成了一条可以复盘的流程：11 家公司，57 场面试，46 次 recruiter call，16 次 offer 后沟通，以及大量正式和非正式的 networking。
图 1 是 Alisa Liu 的求职时间线。灰色图标代表面试，彩色圆点代表不同结果；她在原文中说明，这张图没有包含 46 次 recruiter call、16 次 post-offer chat 和大量非正式沟通。
Alisa Liu 的背景本身就很硬。她是华盛顿大学计算机博士，导师包括 Yejin Choi 和 Noah A. Smith；本科毕业于 Northwestern University，计算机和数学双专业，GPA 4.0/4.0。她的 CV 里还列出了 Google Student Researcher、NVIDIA Academic Collaborator、OpenAI SuperAlignment Fast Grant 等经历。
这篇文章把一个容易被简化成“履历强的人继续赢”的故事，拉回到更具体的筛选过程里。AI Research Scientist / Member of Technical Staff 这类岗位，到底怎么判断一个候选人是否合适，她写得很细。很多人以为大模型岗位面试就是刷 LeetCode、背论文、讲项目。Alisa 的复盘更接近另一件事：你要同时证明自己会写代码、懂机器学习基础、能设计实验、能讲清研究判断、能承受密集流程，还能在 offer 后继续收集信息和谈判。
57 场面试，真正难的是流程管理
Alisa 写得很直接：求职在她脑子里曾经像《哈利波特》里的分院帽，高年级博士生消失几个月，然后突然带着确定的去向回来。轮到自己时，她才发现整个过程比想象中消耗得多。
她给出的第一条经验，落在时间安排上，而不是具体题目。
常见建议是先找几家公司练手，再把更重要的流程集中到同一时间段，方便最后一起比较 offer。Alisa 认可这个方向，但补了三个现实问题：练手会消耗体力；公司是否有 headcount、哪个 team 在招，不完全由候选人决定；offer deadline 往往比想象中有弹性，但也要提前打听清楚哪些公司会给“爆炸 offer”。
这其实是很多技术候选人容易低估的一点。求职更像一个高并发系统：面试、recruiter call、朋友内推、公司节奏、团队匹配、offer 期限和个人状态都在同时变化。只优化某一场面试的表现不够，还要管理整条 pipeline。
第一场面试，往往来自别人愿意给你背书
关于“怎么拿到面试机会”，Alisa 的答案并不神秘：博士期间好好做事，多交朋友，多合作，参加会议，多认识人。
这听起来有点朴素，但在顶级 AI 公司招聘里非常现实。很多时候，第一场面试需要公司内部有人愿意为你背书。她也承认，networking 对内向的人很难，自己也不例外；但求职期间重新联系多年没说话的朋友、询问机会、约 coffee chat，本身就是这个流程的一部分。
这不是让技术人去学“社交套路”。更准确地说，AI 领域的信任网络很密：论文合作、开源项目、会议交流、导师和同学关系，都会影响一个人能不能被更快识别出来。等到正式投递时才开始经营这些关系，已经有点晚了。
AI 面试到底考什么？
Alisa 把自己遇到的面试归为 7 类。这个部分很适合直接当成 AI 岗位准备清单来看。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
这张表最重要的信号是：AI 岗位不会只看“你做过什么”，也会看“你能不能现场工作”。ML Coding 和 Technical Discussion 会把候选人从论文叙事拉回到模型基础、代码实现和实验判断上；Behavioral 和 Negotiation 又会把候选人从技术能力拉回到真实团队协作里。
真正的准备，是把 LLM 基础练到手上
准备阶段，Alisa 提到自己先刷完 Stanford CS336: Language Modeling from Scratch 的课程讲座，再围绕一个个概念深入读博客、论文，也大量和 ChatGPT、Claude 讨论。
但她特别强调，不能只停留在纸面理解。她强烈建议认真做 Stanford CS336 的 Homework 1，因为实现和调试 Transformer 在面试里非常常见，把它练成肌肉记忆会有很大回报。
这里还有一个细节很有现实感：练习写代码时，要把 AI 辅助完全关掉，尽量模拟真实面试环境。现在很多开发者已经习惯 Copilot、ChatGPT、Claude Code 伴随写代码，但面试不一定允许这些工具。如果平时所有语法细节、边界条件和 debug 都交给 AI，到了没有 AI 的考场，很容易暴露“手感断层”。
这也是这篇面经对 AI 时代求职最有意思的一点：你可以用 AI 学习和梳理知识，但仍然要保留自己独立实现、独立调试、独立解释的能力。
Offer 之后，工作还没结束
很多人以为拿到 offer 就结束了。Alisa 的复盘恰好相反：offer 之后还有一段可能很长的沟通、了解团队和谈判过程。
她提到，这个阶段会有潜在同事、manager、recruiter 的大量沟通，也会有 lunch visit 和 post-offer chat。候选人要一边收集信息，一边判断团队方向、个人兴趣和 compensation。她还特别提醒，谈判不是博士训练里天然包含的一项能力；相比 recruiter，候选人在市场信息和谈判技巧上都处于劣势。
这段对很多技术人同样有启发。面试准备可以靠刷题和看课推进，offer 选择却更像信息战：你要知道自己愿意透露什么、不愿意透露什么；每次 recruiter call 前要写好可复述的话；面对不同公司的催促和试探，要能舒适但坚定地表达自己的边界。
对想进 AI 一线岗位的人，真正该带走什么
第一，不要只刷 LeetCode。AI 岗位会考算法，但 ML Coding、Transformer 实现、实验设计、研究讨论和系统性知识同样重要。
第二，不要把 networking 看成求职之外的东西。对研究型 AI 岗位来说，合作、会议、开源、论文和朋友背书，都是长期信用的一部分。
第三，不要把学习变成“看过”。Alisa 反复强调实现和调试，尤其是不要在模拟面试时依赖 AI。真正能进场的能力，是你能在没有自动补全的情况下，把一个模型组件写出来、解释清楚、debug 到能跑。
第四，offer 后的沟通也要准备。顶级 AI 岗位的竞争不只发生在面试题里，也发生在团队匹配、信息收集和谈判阶段。
最后，Alisa 写到，求职当然有流程、准备和谈判，也有比较、压力、信息不完整和外界评价带来的消耗。她没有把这段经历包装成“成功学模板”，读下来更像是把一条原本很孤独的路摊开：它可以被拆解，也可以被提前准备。
这可能比“57 场面试进 OpenAI”这个结果更值得留下。AI 行业还会继续卷，顶级岗位也会继续变难，但越是这样，越需要把玄学拆成方法，把焦虑拆成可执行动作，把别人的经验转成自己的训练计划。
附：Notes on the Industry Job Search 完整中文翻译。
关于工业界求职的一些笔记
2026 年 6 月 20 日
在我读博的大部分时间里，我脑子里的求职过程都像一顶分院帽：高年级博士生会消失几个月，然后带着已经决定好的命运重新出现。即使身边很亲近的朋友开始毕业、找工作，我对他们正在经历什么也知之甚少，除了偶尔看到一点“还活着”的证明。等终于轮到我自己时，我发现这个过程比我想象中要耗费精力得多，而且感觉自己是在一边玩游戏、一边学习游戏规则。
现在回头看，我的很多经历其实很普遍，很多一路上学到的东西如今也像是常识。我写下这篇文章，是想提供一个样本，让大家看到这段旅程可能是什么样子，也希望能让不久前还处在我这个位置的人，对求职少一点神秘感。
先简单介绍一下我的背景。 我在华盛顿大学 NLP 方向读了 6 年博士，在博士末尾申请了 Research Scientist / Member of Technical Staff 这类岗位。我这辈子一直在学校里，如果不是导师们最后推动我往前走，我其实很愿意永远做一个博士生。我读博的大部分时间里并没有太多思考毕业后要做什么，相比别的事情，我更多是被有趣的想法驱动。这也导致我中间换过很多方向，但幸运的是，最后两年我还是保持住了一条比较稳定的主线，也就是 tokenization。它恰好也和“做有趣的事”高度重合，而我认为，建立一个清晰的专业领域，确实帮助我在求职中更容易被看见。
我的时间线
下面这张图展示了我的求职时间线，灵感来自 Nathan Lambert 的文章。图中灰色图标代表面试，彩色圆点代表结果。这里的 ghosted 指 recruiter 从来没有告诉我结果或下一步安排；withdrawn 指我在拿到一些自己很兴奋的 offer 后，礼貌地告诉公司我不再继续流程。总的来说，我一共面试了 11 家公司，经历了 57 场面试。图中没有画出来的，还有额外 46 次 recruiter call、16 次 offer 后沟通，以及求职前后无数次非正式 networking 对话。
公司顺序。 我什么时候开始每一家公司的面试流程，取决于好几个因素的组合：我是否觉得自己准备好了、公司给我的压力、我预期它们推进的速度、我对它们有多感兴趣，以及一些没那么有意识的因素，比如拖延。这里常见的经验是，先用几家公司练手，然后把其他流程安排到差不多同一个时间段，这样最后能大致同时拿到 offer，方便谈判。这个思路大体上是对的，但我还想补充几点。
-
练习面试很有帮助，但也要意识到人的精力是有限的。小心不要在真正想去的公司开始之前，就已经把自己耗光了。 -
面试时机还会受到很多外部因素影响，比如公司有没有 headcount、哪些团队正在积极招人，而这些因素有时比你自己的准备程度更重要。你可以通过朋友和 recruiter 对这些情况有一些了解。 -
deadline 通常有很大弹性，所以 offer 的时间不一定要卡得特别精准。Recruiter 知道你还有其他流程要走，也有各种方式可以推迟 offer 和决定时间。不过也确实有一些出了名的例外，也就是所谓的“爆炸 offer”，所以提前打听候选人通常有多长时间签字很重要。
拿到第一场面试。 先说一个显而易见的建议：读博期间尽量做出好工作，多交朋友，多合作。为了拿到第一场面试，有时候你需要公司内部有人愿意为你背书。你可以更早为自己创造条件，比如在会议上多社交、多合作、参加 networking 活动。当然，这部分不是每个人都擅长，我自己也不擅长，所以也要照顾好自己的能量和舒适边界。求职期间，可以联系你认识的人，或者不认识的人，询问机会。事实上，求职的很大一部分，就是重新联系那些你可能已经很多年没说过话的人。这没关系，也很正常，而且最后会变成这个过程里一个很美妙的副产品。
面试类型
我遇到的面试大致可以分成下面几类。整体来说，公司对技术能力和知识面的考察，远多于对研究经历的考察，虽然后者大概是你最开始拿到面试机会的原因。
ML Coding。 这是目前最常见的一类。这类题可能要求你实现一个给定的模型架构、一个解码策略、一个传统机器学习算法，有时也会出现更有创造性的题。熟练使用 PyTorch 是必须的；少数情况下，我被要求只能用 numpy，比如从零写反向传播，但面试并不期待我熟悉所有 numpy 语法。
General Coding。 基本就是 LeetCode，有时会带一点额外变化。这里最好打好基础，因为这些概念也经常出现在 ML Coding 面试里。
Technical Discussion。 这类面试不写代码，但非常技术化。有时，面试会围绕一个主题做较长讨论，比如你会如何设计实验来回答某个研究问题，或者实现某个特定目标。面试官通常会追问你的设计选择，让你评论一些假设结果，并设计后续实验。另一些情况下，面试会是一串快速问答，比如：有哪些编码位置信息的方式？什么是 5D parallelism？PPO 和 GRPO 有什么区别？目标是证明我确实懂这个领域。前一种面试看你怎么思考，后一种面试看你对领域知识的覆盖面。
Research Discussion。 这是我们在博士期间练得最多的一类对话。面试官通常会让你先介绍一个过去做过的项目，后面的讨论会从这里展开。他们也可能问你简历上其他论文的问题。准备这类讨论时，最好退一步想想：为什么你当初选择做这些事情，你在过程中形成了哪些洞见和判断，你认为未来哪些方向有前景。我也会根据岗位调整自己的 research pitch。面试官都很累，所以如果你能击中正确的关键词，会更容易让他们相信你的 profile 和这个岗位相关。
Behavioral。 这些基本就是教科书式的行为面试，只是偶尔会问到 AI safety 或社会影响相关问题。你需要列出博士期间印象深刻的故事，并把它们对应到常见行为面试问题上，这样面试时就能立刻调取合适的故事。我第一次 behavioral 面试失败了，因为我当时觉得自己显然表现得很“得体”，结果遇到极其简单的问题时脑子一片空白。相信我，一边努力重建模糊记忆，一边在面试里把它讲出来，最后还被面试官说“你没有回答这个问题”，这是一种非常独特的痛苦。
Math。 有些公司会有数学面试，范围可以从有趣的逻辑题，到真正需要纸笔推导的严肃数学问题。我建议复习概率、线性代数和微积分。
Job Talk。 Job talk 的形式会有一些差异，但和学术 job talk 相比，它通常更短，也更聚焦在一篇论文或一个方向上。我的 job talk 全部围绕 tokenizer 展开；我把大部分时间放在一篇一作工作上，然后简要讲了几篇二作和正在进行的工作。幸运的是，它们之间联系得很好。
准备
真的没有什么比准备面试更值得投入时间。对我来说，这段经历很像重新回到本科：我做笔记，画图，刷题，一整天泡在咖啡馆里，确保自己真正理解机器学习的基础概念。笔记包括我在整个过程中持续整理的 LLM notes，以及只为了一场命运般的面试而整理的 math notes。技术面试很难，被考察的能力需要在日常研究之外专门投入精力培养。对我和我聊过的大多数人来说，求职本身就是一份全职工作。
我一开始看完了 Stanford Language Modeling from Scratch 课程的所有讲座。这门课很好地展示了我需要学习的主题有多广，也帮我把脑子里很多零散概念组织成一幅关于这个领域的连贯图景。打完基础后，我把剩下的时间花在一个个概念的深入学习上：阅读相关博客和论文，和 ChatGPT、Claude 大量讨论，并练习从零实现各种东西。Homework 1 非常关键：实现和调试 Transformer 在面试里出现得非常频繁，把它练成肌肉记忆会有巨大回报，真的不值得在这里丢分。练习写代码时，一定要完全关闭 AI 辅助，尽量模拟真实面试环境，否则你会低估自己对 AI 的依赖。
我发现每一场面试都有自己的特点，都值得做一点，有时是很多，针对性准备。通常，你可以从面试描述、公司感兴趣的话题、recruiter 给的提示，以及公司的技术声誉里，大致形成对面试范围的直觉。在面试最密集的时候，我感觉自己不断把信息装进脑子、又从脑子里换出去，好让某一场面试最相关的知识保持新鲜。最贴切的描述是：每场面试都像一门略有不同的数学课或计算机课，你从来没去听过课，而现在你只有大约 3 天时间准备期中考试。
面试当天。 也许是因为我年纪大了，但面试前一晚没有什么比睡够更重要。我第一次技术面试前犯了个错误：为了把 LLM inference 的各种细节塞进脑子，我只睡了 2 个小时。结果最后一刻背进去的知识一个都没考到，我还因为脑子几乎转不动，在一个 off-by-one 错误上花了 10 分钟。面试结束后，记得记录一些笔记，这会对之后的学习和复盘很有帮助。
额外收益。 准备面试给我带来了巨大的额外收益。知识面的拓宽直接提升了我作为研究者的信心。我在对话里更踏实，因为不再那么担心自己的知识缺口被暴露出来；即使暴露出来，我也不再觉得必须把它藏起来。我真心相信，如果我在博士更早期就做过其中一些学习，它会扩大我能够思考、能够产生想法的问题空间，也一定会增加我主动寻找的对话数量。更让我惊讶的是，学习还让我在当时正在进行的项目上变得高效得多。我开始能想到以前根本接触不到的技术想法，也能完成更多技术工作，这让我很兴奋。
谈判
我很震惊地发现，拿到 offer 之后，工作远远没有结束。相反，你还会经历一段可能很长的时间，用来进一步了解自己的选项，并和各家公司谈 offer。这个阶段包括很多和未来潜在队友、manager 的对话，lunch visit，以及 recruiter call。那时我需要处理大量沟通，总有一些邮件让我因为没有回复而心怀愧疚。
事实是，谈判很难。博士训练完全没有为我们准备这件事，而且不同于面试，这部分不能靠学习直接攻克。和 recruiter 相比，你在市场信息和谈判技巧上都处于劣势，而每个和你说话的人，都想从你这里得到不完全一样的东西。你可能会想：“我已经对 offer 很满意了，也愿意不考虑 compensation 独立做决定。”确实，知道自己的价值排序很好。但如果不谈判，你也是在亏待自己。初始 offer 本来就是按留有谈判空间来设计的；recruiter 经常会明示邀请我参与这个游戏，比如说：“我不期待你接受我们的第一版 offer。”在这里投入几周精力，字面意义上，可能相当于以初始 offer 工作好几年带来的差异。
这个阶段真的很需要依靠朋友：一方面获得和 recruiter 打交道的 know-how，另一方面获得更多数据点，帮助校准自己的要求。每次 recruiter call 之前，我都会写下哪些信息愿意分享、哪些不愿意分享，也会写下可以逐字复述的句子。在 offer 后阶段，我会提前预判他们可能会问的问题、可能会提出的说法，然后仔细构造一些我能舒服地讲出来、同时仍然为自己争取利益的回答。虽然很耗时间，但有意识地对待这个流程里的每一个环节，真的很值得。
结语
这篇文章里，我重点写了求职中比较具体的部分。但实际上，对我个人来说，求职体验中很大一部分，是管理进入市场后随之而来的各种情绪。这里有很多社会感知需要处理：和同龄人比较并不好受，每个人都会对你应该去哪里、不应该去哪里发表意见，人们也会异常关注你的生活进展。我还发现，在信息不完整的巨大决策空间里做选择很有压力；一些没有对错答案的小选择，比如什么时候联系谁，也会产生不成比例的影响。坦白说，有几个月我压力很大，很痛苦，生活的其他部分也无法正常运转。希望你能在其中找到更多快乐；如果没有，也请记住，你并不孤单。
几个月来，我一直飞快地冲向博士阶段的终点。现在一切结束，我非常难过要离开人生中的这一章。博士是一段非常特别的时间，在这段时间里，我们唯一的工作就是提出好想法并把它们做出来，作为研究者学习和成长，而不必担心马上要找到一份真正的工作。所以，我当然希望这篇文章能帮你在心理上为未来做准备，也确实承认当下工业界的力量非常容易让人分心；但我也希望你能珍惜博士这段独特的时间。毕竟，这两个目标或许是互补的。我一直发现，当我真正享受其中、追逐那些让我脑子无法停下来的问题时，我往往能做出自己最好的工作。
附录：学习资源
-
LeetCode 75 / Neetcode Blind 75 -
Stanford CS336: Language Modeling from Scratch -
Self-Attention & Transformers -
The Illustrated GPT-2 -
Backpropagation -
Introduction to Policy Gradient for LMs -
Lightweight Guide to understanding GRPO and RL principles -
How to Scale Your Model
参考链接
-
Alisa Liu 原文：Notes on the Industry Job Search
https://alisawuffles.github.io/blog/job-search/ -
Alisa Liu 个人主页
https://alisawuffles.github.io/ -
Alisa Liu CV
https://alisawuffles.github.io/uploads/Alisa-Liu-CV.pdf -
Alisa Liu 的 X 原帖
https://x.com/alisawuffles/status/2068765723569324462 -
Alisa's Book of LLMs
https://alisawuffles.notion.site/alisa-s-book-of-llms -
Stanford CS336: Language Modeling from Scratch
https://cs336.stanford.edu/spring2025/ -
Stanford CS336 Assignment 1: Basics
https://github.com/stanford-cs336/assignment1-basics
进技术交流群请添加AINLP小助手微信（id: ainlp2)
请备注具体方向+所用到的相关技术点 
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括LLM、预训练模型、自动生成、文本摘要、智能问答、聊天机器人、机器翻译、知识图谱、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP小助手微信(id：ainlp2)，备注工作/研究方向+加群目的。
