2024年小结：从大模型算法工程师面试官的角度，聊聊今年就业情况

文章的原因。然而。

少喝冰美式

1098人浏览 · 2025-02-19 17:11:26

少喝冰美式 · 2025-02-19 17:11:26 发布

2022年11月，OpenAI 的 ChatGPT 横空出世，AI 行业出现了前所未有的重新洗牌局面。

最近公司也再“疯狂”招人，作为面试官，面了一些大模型算法岗的候选人。

为什么疯狂要加双引号呢？不是因为我们开出了很多 HC 岗位，更多是因为：

应聘大模型岗的候选人真的多，多到后面真的连 HR 都吐槽我们部门要求“太高”了，此处【委屈脸】！！！

然而事实并非如此…

这也是我为什么要在 2024年 ddl 写一篇关于面试总结文章的原因。

今年网上经常会刷到很多AI面试大佬写的面经，觉得面经里的问题写得很有意思，就收藏了起来，并在每次面试前根据求职者的简历抽了几道作为面试题提问应聘者。

然而理想有美满，现实就有多凄惨！！！

为什么这样说呢？

因为发现大多数应聘者的水平，根本就没必要问到这种程度，然后为了不给应聘者留下心里阴影（说白了就是凑面试时间），只能把难度一降再降。

所以有了想写一篇“从面试官角度，对求职者的面试大模型岗位的建议和指导”。

第一关：简历面

为什么要先说简历呢？

因为简历是面试官对于应聘者的第一印象的写照。

那应该如何写简历呢？

此处将从以下发现进行介绍

如何吸引 HR 和面试官的眼球？

第一个看到你简历的人并不是什么面试官，而是 HR，而作为一个对算法一窍不通的人，是如何从简历茫茫人海中找到他觉得 OK 的“你”呢？

首先，我们要知道用人单位在有招聘需求时，对需要的人有一个明确的画像。这个画像会较为清晰的体现在岗位JD上。

举个栗子：RAG、Agent、大模型、ChatGPT …

所以作为应聘者，在投递每一份简历的时候，一定要做到有针对性简历修改。

那何为有针对性的修改简历呢？

其实就是在投递简历之前，静下心来好好研究下该公司岗位JD，适当修改下简历，会有事半功倍的效果，能够大大提高简历的筛选率。

那针对这一块有哪些比较好的建议呢？

其实 HR 在进行算法岗位的简历筛选时，无外乎就是基于关键词检索，也就是会关注简历中项目中所用技术、针对什么行业、竞赛经验、学术背景、发表论文等。

所以我们要做的就是尽量详细叙述满足JD要求的相关经历，其它的可以不写或者少写。

举个栗子：假设一个岗位招的是大模型应用开发，那么可以详细叙述RAG、Agent相关的研究经历，其它的经历，例如模型预训练的经历稍微写写即可，只需要让用人单位知道你也具备某些岗位需求之外的能力即可。

如何润色个人简历？

在准备简历时，需要保证简历经历的真实性。虽然可以进行适度润色，但必须确保所有内容如果在简历中被问到时，都能对答如流，而不是陷入尴尬局面。

举个栗子，可以将“了解”调整为“熟悉”，或将“熟悉”提升为“掌握”，但不应轻易把“掌握”说成“精通”。一旦你在简历上声称自己具备某项技能，就意味着你能在面试中展示相应的深度和广度。

说说自己作为面试官的所见所闻，很多应聘者为了简历好看倾向于在简历里面列出所有的大模型训练方式，如pretrain、SFT，RLHF、PPO、DPO等，这样写确实可以，但是前提是你要真的对这些技术有所了解。虽然确实存在一些大佬能够全面掌握这些技术，但在实际中，能深入理解并成功应用二到三种微调的人已经相当出色了。

举个栗子，之前面试的时候，遇到一个“大佬”，简历上把所有大模型训练方法说了个遍，而且还写“精通”，刚好我们组那个时候也在做相关工作，然后就挑了几个我们在工作中遇到的难题进行提问，结果发现应聘者对于该技术只提留在名词层面上的了解。

在这里，我建议：在简历中描述技能时，应该体现出层次感。只有那些你在工作或研究中真正使用过、训练过或微调过的技术，才应标注为“熟悉”或“精通”。对于那些仅通过阅读源码或文献获得初步认识的技术，则更适合描述为“了解”。

这样做有助于设定合理的预期。当面试官查看你的简历时，他们会对你的能力有一个准确的预判：你能够详细讨论那些你真正掌握的技术，并且对于你有所了解但不精通的技术，也能够概述其基本原理。这不仅展示了你的专业性，还体现了你的诚信，使你在面试官心中的评分更高。

如果简历上的每一项技能都被标榜为“熟悉”，而实际上并非如此，那么在面试中遇到深入问题时，若无法给出满意的回答，可能会导致负面印象。因此，简历不仅是展现你能力的窗口，也是管理面试官期望的重要工具。对于大多数求职者来说，这一点尤为重要。而对于真正的行业领袖而言，他们在任何层面的技术交流中都能自信应对，或许不需要如此细致地考虑这些问题。

总而言之，简历应当真实反映个人的专业水平，同时也要巧妙地引导面试官的期望。这是一个经常被忽视但极其重要的技巧，有助于你在竞争中占据优势。

第二关：面试

应聘者 coding 能力面

首先，我们一般会给应聘者一两道算法题用于考察应聘者的 coding 能力。而这些题目一般都是 Leetcode 原题居多。

一般要求应聘者在 ddl 之前把题目写出来，并运行成功，然后要求应聘者讲清楚思路，后期为了考察应聘者的能力，会要求应聘者基于该思路提出一些改进策略，以此来作为加分项。

应聘者八股文技能面

在面试过程中，考察的重点通常是基于简历中所体现的技能和经验。正如前面提到的，对于你声称熟悉的领域，面试官会深入探讨，以评估你的实际掌握程度。

我们可以将面试问题的难度比作LeetCode上的题目分类：Easy、Medium 和 Hard。面试官通常不会一开始就抛出Hard级别的难题来刁难你；相反，他们会从Easy级别的基础问题开始，确保你能流畅回答后再逐步增加难度。Hard级别的问题更多是加分项，目的是测试你的极限和思考深度。

问题层次与类型

从概念上讲，任何技术问题都可以归结为三个维度：What（是什么）、How（怎么做）和Why（为什么这么做）。在AI算法这个实验科学领域，很多结论是通过实践验证得来的。因此：

What 类型的问题 相当于Easy级别的题目，它们有明确的答案，可以通过记忆和理解来解答。例如，“什么是Self-Attention？”或“有哪些类型的位置编码？”这类概念性问题。如果这些基本问题都难以回答，建议进一步加强基础知识的学习。
How 类型的问题 则对应于Medium级别的挑战，答案通常可以在经典论文中找到。这些问题考察的是你对最佳实践的理解和应用能力。比如，主流大模型是如何进行预训练的？数据集如何配比？后训练阶段做了哪些优化？为了回答这些问题，平时需要多读相关领域的论文，了解各种模型之间的差异，并形成自己的见解。阅读得越多，遇到不熟悉的问题时也能凭借积累的经验找到合理的解决路径。最近，我注意到一些候选人能够在面试中先提出一个大致的方向，然后通过讨论逐步完善答案，这反映了他们深厚的知识储备和快速学习的能力。
Why 类型的问题 属于Hard级别，往往没有标准答案。然而，对于那些数学基础扎实的专家来说，可以从更深层次的数学原理出发，进行分析和推测。例如，解释为什么Self-Attention机制中要使用根号d作为缩放因子。像苏神那样能够完整推导出这一因素的人，已经达到行业顶尖水平。

提高准备效率的方法

当然，也有更为高效的方式可以快速提升面试表现。首先，根据岗位描述（JD）调整简历内容，聚焦于最有可能被问到的核心技能和知识点。接下来，针对这些关键领域进行专项阅读和深入研究，无论是通过咨询如ChatGPT这样的AI助手，还是查阅相关的面试经验分享，都能帮助你获得满意的答案。这种方法不仅节省时间，还能确保你在面试中展现出最强的专业素养。

总之，面试不仅是对现有知识的考验，也是展示你解决问题能力和思维深度的机会。通过合理的准备和策略，你可以更好地应对不同层次的问题，在面试中脱颖而出。

应聘者项目简历面

在面试中，项目经历的考察通常比技能测试更为直观和轻松。毕竟，候选人对自己亲身参与的项目有着深刻的理解，在实际操作过程中遇到的问题及解决方案也更加熟悉。因此，当讨论具体项目时，候选人的回答往往更加流畅和自信。

简历项目放多少个最优？

这里建议放 3-4个，你比较熟悉，而且技术含金量高的项目最佳！！！

那问题来了 >>>

假如你是一位资深的算法工程师，做了特别多的项目，那应该如何写？

值得注意的是，并非所有项目都适合写入简历。特别是那些已经过去很久、你对其细节记忆模糊的项目，最好谨慎处理。如果面试官问到这些项目，而你的回答是“时间过得有点久，已经忘了”，这不仅会显得准备不足，还可能给面试官留下不专业的印象。

如何优雅地应对久远项目的提问？

如果你确实记不清某个项目的具体细节，不必急于承认“忘记了”。可以采取以下策略：

复盘整体逻辑：尝试从宏观角度回顾项目的主要目标、挑战以及最终成果。即使细节模糊，整体逻辑和思路仍然可以帮助你构建一个连贯的回答。
结合思考过程：分享你在项目中的决策过程和解决问题的方法。例如，“虽然具体的技术细节有些淡忘，但我记得当时面临的主要挑战是xxx，我们团队通过xxx方法解决了这个问题。”
聚焦核心贡献：明确指出你在项目中的主要职责和贡献。比如，“这个项目确实有些久远了，但我记得我主要负责的是数据预处理部分，确保了模型训练的数据质量。”
坦诚说明：如果实在无法回忆起更多内容，可以坦率地说：“这个项目距离现在较远，具体的实施细节我已经不太记得了。不过，我可以清楚地描述我在其中负责的主要工作，即xxx部分，以及我们如何设计并执行了整体方案。”

通过这种方式，你不仅能展现自己的诚实，还能体现出良好的沟通能力和逻辑思维，给面试官留下专业且可靠的印象。此外，这种处理方式有助于引导对话，将重点转向你更擅长或记忆更清晰的领域，从而更好地展示你的实力和潜力。

项目中角色定位问题

一个庞大的项目，一般会有多个算法工程师一起完成，就如同”罗马非一日建成“一样。

在面试中，清晰地描述你在项目中的具体角色和贡献至关重要。这不仅展示了你的专业能力，还体现了你对项目的理解和参与深度。因此，当被问及你在项目中的职责时，务必明确指出你具体负责了哪些部分，以及你在团队中扮演的角色。

例如，如果你提到自己参与了一个模型的微调工作，面试官很可能会进一步追问具体的细节：

你是项目的主导者吗？ 还是主要负责某个特定模块的开发？
具体到微调工作中， 你是否负责了数据预处理、超参数调优、模型评估，还是模型的部署？

对于这些问题，建议你根据实际情况如实回答，并能够详细阐述自己负责的部分，展示清晰的思路和逻辑。比如：

如果你是主导者，可以说：“在这个项目中，我担任了技术负责人，从需求分析、架构设计到最终部署，全程主导了整个流程。特别是在模型微调阶段，我负责规划数据预处理方案、选择并调整超参数，并领导团队完成了模型的优化与部署。”
如果你专注于某一模块，则可以具体说明：“在此次模型微调项目中，我的主要职责集中在数据预处理方面。我负责清洗和整理原始数据，确保其质量和一致性，为后续的训练过程打下了坚实基础。此外，我还参与了部分超参数调优的工作，通过实验验证了不同配置的效果。”
如果你参与了多个环节，则可以概述你的综合贡献：“我在项目中承担了多方面的任务，包括数据预处理、超参数调优以及模型评估。特别是，在数据预处理阶段，我开发了一套自动化脚本，大大提高了数据准备的效率；而在超参数调优过程中，我引入了贝叶斯优化算法，显著提升了模型性能。”

无论你负责的是哪个部分，关键在于能够清晰地解释你的工作内容及其价值，同时展示出你在项目中的思考过程和技术决策。这样不仅能证明你的实际能力，还能让面试官看到你在团队合作和个人贡献之间的平衡。

总之，诚实地描述你的角色和贡献，并能够深入讨论你所负责的具体工作，将有助于展现你的专业素养和解决问题的能力。这种透明度和深度会为你的面试加分不少。

项目中你遇到哪些难点？

在面试中，讨论你在项目中遇到的技术难题以及解决过程是一个展示你问题解决能力和系统性思考的重要机会。这部分不仅考察你的技术深度，还评估你面对挑战时的思维方式和决策过程。例如，当被问及如何处理训练过程中数据分布不均导致模型表现不佳的问题时，你可以这样组织回答：

展示系统的思考和解决问题的能力

举个栗子：在我参与的一个大模型训练项目中，我们遇到的第一个难题就是如何构建高质量的训练数据问题。这直接影响了模型的表现。

为了解决这个问题，我首先进行了详细的数据探索和分析，以下是构建SFT训练数据的最佳实践和具体步骤：

构建用于大模型的监督微调（Supervised Fine-Tuning, SFT）训练数据是一个关键步骤，它直接影响到微调后模型的表现和应用效果。以下是构建SFT训练数据的最佳实践和具体步骤：

明确任务需求
1. 确定目标领域：首先明确你想要将模型应用于哪个特定领域或任务，例如对话系统、文本摘要、情感分析等。
2. 定义输出格式：根据应用场景，明确规定模型生成内容的格式和风格要求，确保输出符合预期。
选择与准备数据源
1. 高质量数据集：选择来自可靠来源的数据，如公开的标注数据集（如GLUE、SuperGLUE）、行业报告、专业文献等。
2. 专有数据：收集特定领域的内部数据或用户生成内容（UGC），以提高模型在该领域的适应性。
3. 人工生成数据：如果缺乏足够的现成数据，可以考虑通过众包平台或内部团队创建高质量的标注数据。
数据预处理
1. 清洗与清理：去除噪声、重复项、低质量样本，并修正格式错误，确保数据的一致性和准确性。
2. 标注与标记：对于监督学习任务，需要对数据进行人工标注，提供正确的标签信息。确保标注过程遵循严格的质量控制标准。
3. 分词与归一化：根据语言特性进行适当的分词处理，并将文本转换为统一格式（如小写、去除特殊字符等）。
4. 上下文构建：为每个输入实例构造合适的上下文，确保模型能够理解并正确响应。
构建输入-输出对
1. 设计指令模板：根据任务需求，设计清晰的指令模板，指导模型生成期望的输出。例如，“请用一句话总结这段文字”或“回答以下问题：…”。
2. 多样化示例：确保输入-输出对覆盖各种可能的情况，包括不同长度、复杂度和风格的内容，以增强模型的泛化能力。
3. 平衡类别：确保不同类别之间的样本数量相对均衡，避免某一类别过度主导训练过程。
数据分布调整
1. 多样化采样：从不同来源、风格、主题中抽取样本，保证数据的广泛代表性。
2. 时间切片：如果适用，按时间段划分数据，确保模型能够适应最新的趋势和变化。
数据分割
1. 训练/验证/测试集划分：通常按照70%/15%/15%的比例分配，或者根据实际情况灵活调整，确保有足够的数据用于评估模型性能。
2. 交叉验证：采用K折交叉验证等方法进一步优化模型评估的可靠性。
隐私与合规
1. 遵守法规：确保数据收集、使用和共享符合相关法律法规（如GDPR），保护用户隐私和个人信息安全。
2. 脱敏处理：对敏感信息进行匿名化或加密处理，防止泄露个人信息。
反馈循环与迭代
1. 持续改进：建立机制定期收集用户反馈，评估模型在实际应用中的表现，及时调整和优化数据集。
2. 动态扩展：随着新数据的不断涌现和技术的发展，持续更新和扩充训练数据，保持模型的竞争力。
特别注意事项
1. 数据多样性：确保数据集中包含多样化的样本，涵盖不同的语境、语气、风格等，以提升模型的泛化能力和鲁棒性。
2. 对抗性样本：引入一些具有挑战性的对抗性样本，帮助模型更好地应对复杂情况。
3. 多轮对话支持：如果是对话系统，应包含多轮对话的上下文信息，使模型能够理解和延续对话。

通过以上步骤，你可以构建出一个高质量、针对性强的SFT训练数据集，从而有效提升大模型在特定任务上的表现。每个环节都需要细致规划和执行，确保最终产出的数据集能够充分满足项目的需求。

强调对比与选择的理由

在回答这类问题时，重要的是不仅要描述你采取的具体措施，还要解释为什么选择了某一种方法而非其他。比如：

效率：某些方法可能更快实现，但长期来看未必最优。
效果：特定技术可能在提高模型性能方面表现出色，但也需要评估其泛化能力。
工程复杂度：一些解决方案虽然理论上完美，但在实际部署中可能会带来额外的复杂性和维护成本。

通过这种方式，你不仅能证明自己具备解决实际问题的能力，还能展现你在技术和工程实践之间的平衡考量。面试官更关心的是你是否有系统化的思考方式和解决问题的方法论，而不是单纯解决了多少问题。这种展示能够有效突显你的专业素养和技术领导力。

项目中如何发掘亮点？

一般在第一个项目问完，我都会习惯性的问一句：

“你的项目中是否有亮点？比如引入了哪些新技术？是否有优化效果？”

在面试中，展示项目中的亮点和创新点是突出你专业能力和思考深度的绝佳机会。即使不是每个项目都需要创新，但能够体现你在面对实际问题时的深入思考，并尝试做出改进，无疑会大大加分。

举个栗子：在一个检索增强生成（RAG, Retrieval-Augmented Generation）项目中，你可以详细描述你是如何引入新技术或优化现有组件的。

展现你的创新与优化能力

“在我参与的一个RAG项目中，我们不仅成功实现了预期功能，还特别关注了系统的性能优化和技术创新。具体来说：

检索组件优化：为了提升检索效率和准确性，我探索并实施了几种优化策略。比如，通过引入高效的索引结构（如倒排索引、向量索引等），显著缩短了检索时间；同时，应用了BM25、TF-IDF等经典算法的变体，以更好地匹配查询意图。此外，我还实验了基于Transformer的语义检索方法，进一步提高了检索结果的相关性。
后训练方法引入：考虑到模型的持续改进，我在项目中引入了新的后训练方法，如知识蒸馏、对抗训练和自监督学习。这些方法不仅增强了模型的泛化能力，还在某些关键指标上取得了显著提升。特别是通过知识蒸馏，我们将大模型的知识迁移到较小的模型中，实现了性能与效率之间的良好平衡。
数据增强与预处理：针对训练数据，我设计了一套定制化的数据增强流程，包括同义词替换、句子重组等技术，确保了数据集的多样性和质量。这不仅帮助模型更好地应对真实场景中的变化，还有效缓解了过拟合问题。”

结合业界最新进展展望未来

“当然，我也时刻关注着业界最新的研究进展，并思考如何将这些成果应用于我们的项目中。例如，最近关于对比学习和多模态融合的研究非常有启发性。未来，我们可以考虑将这些技术引入到RAG系统中，进一步提升其表现。

对比学习：利用对比学习可以更有效地捕捉文本和检索结果之间的深层关系，从而提高生成内容的质量。
多模态融合：随着图像、视频等非文本数据的重要性日益增加，探索多模态信息的融合将为RAG带来全新的维度，使其能够处理更加复杂和丰富的应用场景。

通过这种方式，不仅展示了我对当前项目的深刻理解，也体现了我对未来发展方向的敏锐洞察力和前瞻性思考。我相信，这种结合实践与理论的能力，正是推动技术和产品不断创新的关键所在。”

整体思考

总的来说，能够在项目中展现出你对实际问题的深入思考和解决问题的能力非常重要。无论是引入新技术还是优化现有方案，都能够证明你具备独立思考和技术实现的能力。同时，结合业界最新研究成果进行讨论，不仅能展现你的专业知识，还能让面试官看到你对未来趋势的理解和预测能力，这无疑是一个重要的加分项。

第三关：面试后复盘

面试后的复盘是一个极其重要的环节，尽管并非每位候选人都会进行这项工作。通过系统性地回顾和分析面试过程，你可以明确自己的优势与不足，从而为未来的面试做好更充分的准备。以下是如何有效进行面试复盘的具体建议：

1. 评估表现亮点

流畅回答的问题：记录下那些你回答得较为顺畅且面试官反馈积极的问题。这些往往是你的强项领域，可以在未来面试中作为重点展示内容。思考为什么这些问题能够让你表现出色——是因为知识掌握扎实、准备充分，还是因为你具备良好的表达技巧？将这些成功经验总结出来，形成一套有效的应对策略。

2. 识别改进空间

未答好的问题：诚实地面对那些回答不够理想的问题，仔细分析原因：
- 知识储备不足：是否对某些概念或技术的理解不够深入？如果是这样，制定一个学习计划，填补这些知识空白。
- 表达不够清晰：有时即使掌握了知识，也可能因为表达不清晰而影响了效果。练习如何用简洁明了的语言解释复杂的技术问题，确保逻辑严密、条理清晰。
专项学习与练习：针对识别出的薄弱环节，进行有针对性的学习和练习。可以通过阅读相关文献、观看教程视频、参与在线讨论等方式加深理解，并通过模拟面试来提高实际应用能力。

3. 重视面试官反馈

主动获取反馈：在面试结束时，不要错过向面试官寻求反馈的机会。你可以直接问：“您对我今天的表现有什么评价或建议吗？” 这不仅展示了你的谦逊态度和学习意愿，还能获得宝贵的意见。
针对性改进：如果面试官给出了具体的反馈（如某些方向的知识欠缺、某些环节表达不清），务必高度重视，并将其纳入后续的学习计划中。例如，如果被告知需要加强某一领域的理论基础，可以专门安排时间深入研究；若表达方面存在问题，则可以通过演讲练习或与他人交流来提升。

4. 持续优化与成长

建立长期改进机制：将面试复盘作为一项常规活动，每次面试后都进行细致的反思和总结。随着时间推移，你会发现自己逐渐克服了许多早期的弱点，变得更加自信和专业。
保持开放心态：无论是正面肯定还是否定意见，都要以开放的心态接受，并转化为成长的动力。每一次面试都是一个学习和进步的机会，帮助你在职业生涯中不断前行。

通过系统性的复盘和有针对性的改进，你可以不断提升自己的面试表现，同时也在这个过程中积累了宝贵的经验和技能。这种持续优化的态度不仅有助于你在求职过程中脱颖而出，更能为未来的职业发展打下坚实的基础。