系列文章AI工程师转型路径 · 第22篇 | 关注我第一时间获取后续更新1、AI程序员系列文章2、AI面试系列文章3、AI编程系列文章上周有个粉丝私信我面试官让我讲讲Transformer我把公式背了一遍他说’你只是背了课本’然后就没然后了。问题出在哪不是你不够努力而是你从一开始就搞错了面试的打开方式。AI工程师面试不是期末考试面试官不想听标准答案——他想看你怎么思考、怎么拆问题、怎么从原理推导到工程落地。今天这篇我把5轮面试全流程、高频题分类、答题模板、系统设计套路、行为面试话术全部给你拆透。 目录一、AI面试5轮全流程每轮在考你什么二、高频技术题分类ML基础/DL基础/工程题2.1 ML基础题别在概念题上翻车2.2 DL基础题Transformer是必考题2.3 工程题RAG/模型部署/优化三、答题模板概念→原理→代码→应用→踩坑四、系统设计题设计一个智能客服系统4.1 系统设计万能框架4.2 实战设计一个智能客服系统五、编程题准备LeetCode策略AI相关编程题5.1 LeetCode不是越多越好5.2 AI相关编程题六、行为面试STAR法则实战6.1 STAR法则模板6.2 实战演示6.3 行为面试高频题清单七、面试复盘方法录音回放弱点清单7.1 三层复盘法7.2 面试录音回放检查清单7.3 弱点清单模板7.4 面试节奏管理一、AI面试5轮全流程每轮在考你什么先说个扎心的事实60%的候选人死在前两轮根本走不到系统设计。不是技术不行是不知道每轮面试的评分标准不同。你拿准备技术面的方式去应对HR面或者拿背八股的方式去应对系统设计面——能过才怪。AI工程师面试典型流程长这样flowchart TD A[第1轮简历筛选br/HRATS系统] --|通过率~30%| B[第2轮技术初面br/45-60min 电话/视频] B --|通过率~40%| C[第3轮编程面试br/60-90min 在线Coding] C --|通过率~35%| D[第4轮系统设计br/60min 白板/在线画图] D --|通过率~50%| E[第5轮HR行为面br/30-45min 视频对话] E --|通过率~70%| F[✅ Offer] style A fill:#ff6b6b,color:#fff style B fill:#ffa502,color:#fff style C fill:#feca57,color:#333 style D fill:#48dbfb,color:#333 style E fill:#1dd1a1,color:#fff style F fill:#5f27cd,color:#fff每轮考察维度完全不同我用一张表给你说透轮次考察维度面试官角色致命错误简历筛选关键词匹配项目质量HR/ATS系统JD关键词一个没写技术初面基础扎实度表达能力一线工程师背答案不会推导编程面试代码能力边界处理资深工程师只写代码不沟通系统设计架构思维权衡能力Tech Lead/架构师只画框图不讲Trade-offHR行为面团队适配动机稳定性HRBP/招聘经理说前公司坏话⚠️避坑警告很多人把80%精力花在刷LeetCode上完全忽略系统设计。但现实是——LeetCode决定你能不能进第3轮系统设计决定你能不能拿Offer。大厂AI岗最后挂在新面的70%是系统设计没过。二、高频技术题分类ML基础/DL基础/工程题这部分是技术面的重头戏。我整理了近50场AI面试的真实题目按出现频率分了三个等级几乎必问、高频、偶尔问。2.1 ML基础题别在概念题上翻车ML基础题看着简单但面试官会往深了挖。你以为过拟合就一句话的事他能追问你5层。题目频率深度追问方向什么是过拟合怎么解决L1 vs L2区别→为什么L1能做特征选择→Dropout为什么能防过拟合偏差-方差权衡训练误差高偏差怎么办→模型复杂度与方差关系→集成学习如何降低方差交叉验证怎么做K折K怎么选→时间序列数据怎么做CV→分层采样什么时候用评估指标怎么选精确率vs召回率谁重要→F1的局限→多分类用macro还是micro正则化L1/L2区别L1为什么产生稀疏解→L2为什么叫权重衰减→Elastic Net什么时候用梯度消失/爆炸RNN为什么容易梯度消失→残差连接怎么解决→梯度裁剪的阈值怎么选常见评估指标适用场景表务必记牢指标公式适用场景不适用场景注意事项Accuracy(TPTN)/(TPTNFPFN)类别均衡的数据集类别不均衡如欺诈检测99%准确率可能只是预测了多数类PrecisionTP/(TPFP)垃圾邮件过滤宁可不删不可误删疾病筛查高Precision低误报RecallTP/(TPFN)疾病筛查宁可误查不可漏诊推荐系统高Recall低漏报F1-Score2·P·R/(PR)需要平衡P和R需要不同权重时用Fβ可以调整权重AUC-ROCROC曲线下面积二分类模型比较极度不均衡数据AUC 0.5随机1.0完美AUC-PRPR曲线下面积极度不均衡数据类别均衡数据比AUC-ROC对不均衡更敏感Log Loss-Σ(yᵢlog(pᵢ)(1-yᵢ)log(1-pᵢ))需要概率输出的场景只需要分类结果的场景对预测置信度敏感效率技巧面试时被问评估指标怎么选千万别直接背定义。正确答法“这取决于业务场景。比如做欺诈检测正负样本比可能是1:1000Accuracy没意义应该看AUC-PR和RecallK。但如果是猫狗分类Accuracy就够了。”——先说场景再说指标最后说为什么。2.2 DL基础题Transformer是必考题Transformer相关的题10场面试9场会问。这不是可能考是一定考。题目频率深度追问方向讲讲Transformer自注意力机制→为什么除以√d_k→位置编码为什么用sin/cos→LayerNorm vs BatchNormSelf-Attention计算过程Q/K/V怎么来的→注意力矩阵的shape变化→多头注意力怎么实现BERT vs GPT区别Encoder-only vs Decoder-only→掩码机制区别→预训练任务差异为什么LayerNorm不用BatchNormBatchNorm在NLP的问题→LayerNorm怎么解决→RMSNorm又是什么位置编码原理绝对vs相对位置编码→RoPE怎么实现相对位置→外推性怎么保证模型加速方法KV Cache原理→Flash Attention→量化INT8/INT4→投机解码Transformer自注意力机制核心公式手写级别要求Attention(Q,K,V)softmax(QKTdk)V\text{Attention}(Q, K, V) \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)softmax(dk​​QKT​)V面试时千万别只甩公式。你要这样讲“Q、K、V分别由输入X经过三个线性变换得到Q代表’我在找什么’K代表’我有什么特征’V代表’我实际的内容’。Q和K做点积得到注意力分数——衡量每个token对当前token的重要程度。除以√d_k是为了防止点积值过大导致softmax梯度消失。softmax归一化后乘以V就得到了加权聚合的输出。”一句话总结公式里的每个符号符号含义Shape以seq_len128, d_k64为例QQuery矩阵“我在找什么”(128, 64)KKey矩阵“我有什么特征”(128, 64)VValue矩阵“我的实际内容”(128, 64)QKᵀ注意力分数矩阵(128, 128)√d_k缩放因子防止梯度消失标量 8softmax(…)归一化注意力权重每行和为1(128, 128)输出加权聚合的表示(128, 64)⚠️避坑警告面试官最爱追问为什么除以√d_k而不是d_k——答案是当d_k较大时QKᵀ的值会很大softmax会进入饱和区梯度几乎为零。除以√d_k将方差控制在1附近保持梯度稳定。很多人答防止数值太大就停了面试官想听的是方差控制这个层面。2.3 工程题RAG/模型部署/优化这类题考的是你真的做过吗。背概念可以过ML题但工程题靠的是实战经验。题目频率回答要点RAG流程怎么设计文档切分策略→Embedding模型选择→向量数据库选型→检索重排→生成模型量化怎么做INT8量化原理→PTQ vs QAT→量化对精度的影响→混合精度训练模型部署方案vLLM/TGI/Triton对比→动态Batching→模型并行策略→显存管理推理加速KV Cache→Flash Attention→投机解码→模型蒸馏分布式训练Data Parallel vs Model Parallel→DDP vs FSDP→ZeRO三个阶段数据飞轮怎么搭数据采集→清洗→标注→训练→评测→上线→回流闭环三、答题模板概念→原理→代码→应用→踩坑技术面试中回答的结构比内容更重要。同样一个知识点不同人讲出来效果天差地别。我总结了一个万能答题模板叫5步法适用于90%的技术题flowchart LR A[①概念定义br/一句话说清是什么] -- B[②原理推导br/为什么这样做] B -- C[③代码实现br/关键代码片段] C -- D[④应用场景br/什么时候用/不用] D -- E[⑤踩坑经验br/实战中的问题] style A fill:#ff6b6b,color:#fff style B fill:#ffa502,color:#fff style C fill:#feca57,color:#333 style D fill:#48dbfb,color:#333 style E fill:#1dd1a1,color:#fff实战演示——面试官问“讲讲Dropout”❌低分回答背书式“Dropout是正则化方法训练时随机丢弃神经元防止过拟合。”完。面试官面无表情空气突然安静。✅高分回答5步法①概念定义“Dropout是一种正则化技术训练过程中以概率p随机将神经元输出置零测试时不丢弃但输出乘以(1-p)。”②原理推导“本质上Dropout相当于训练了指数级数量的子网络的集成。每次forward都是一次随机采样不同子网络学到的特征不同最终效果类似于模型集成。同时它防止神经元’偷懒’——不能依赖某个特定神经元必须学到更鲁棒的特征。”③代码实现“PyTorch里就是nn.Dropout(p0.5)注意训练和推理模式切换——model.train()时生效model.eval()时自动关闭。一个容易忽略的点Dropout层和BatchNorm层的执行顺序很重要先BN后Dropout效果通常更好。”④应用场景“在全连接层之间用Dropout很常见p一般取0.3-0.5。但CNN的卷积层通常用Spatial Dropout丢弃整个channelTransformer里更多用attention dropout。注意太高的p会导致欠拟合太低没效果——需要根据验证集调整。”⑤踩坑经验“之前训一个文本分类模型Dropout设了0.5训练loss下不去。后来发现是因为模型本身就不大4层Transformer0.5太激进了。调到0.1之后训练稳定多了。经验是模型越大Dropout可以越高小模型要保守。”看到差距了吗同样的知识点5步法展示了理解深度代码能力工程经验三个维度。效率技巧不是所有题都要完整走5步。如果面试官只是快速过一遍基础题“L1和L2区别”“梯度下降和牛顿法区别”1-2步即可。只有当面试官说详细讲讲XXX或深入聊聊XXX时才上完整5步法。判断标准面试官的速度。四、系统设计题设计一个智能客服系统系统设计是区分工程师和API调用师的关键轮。面试官想看的是你的架构思维和权衡能力。4.1 系统设计万能框架无论题目是设计智能客服“设计推荐系统还是设计内容审核系统”框架是通用的flowchart TD A[1.需求澄清br/功能需求非功能需求规模评估] -- B[2.高层架构br/画系统全景图] B -- C[3.核心模块设计br/数据流模型选型接口定义] C -- D[4.数据层设计br/存储方案数据流一致性] D -- E[5.权衡讨论br/Trade-off瓶颈分析扩展方案] style A fill:#ff6b6b,color:#fff style B fill:#ffa502,color:#fff style C fill:#feca57,color:#333 style D fill:#48dbfb,color:#333 style E fill:#1dd1a1,color:#fff4.2 实战设计一个智能客服系统Step 1需求澄清3-5分钟面试官说设计一个智能客服系统别急着画图。先问清楚“这个系统是用于什么行业的电商、金融还是通用” “日均请求量大概多少峰值QPS有预期吗” “是否需要支持多轮对话” “是否需要对接人工坐席”假设面试官回答电商场景日均100万请求峰值QPS 500需要多轮对话需要人工转接。Step 2高层架构用户 → API网关 → 对话管理器 → 意图识别 → ├─ FAQ匹配简单问题→ 返回答案 ├─ RAG检索知识库问题→ 生成回答 └─ 人工转接复杂/敏感问题→ 坐席系统Step 3核心模块设计模块技术选型关键指标意图识别BERT微调 / 大模型prompt准确率95%延迟50msFAQ匹配Sentence-BERT 向量检索Top-1召回率90%RAGEmbedding 向量数据库 LLM生成端到端延迟2s对话管理状态机 上下文窗口多轮上下文保持人工转接规则模型联合判断转接准确率90%Step 4RAG模块深入设计⚠️避坑警告90%的人系统设计题挂在RAG模块上——只会画文档→Embedding→向量库→检索→生成的流水线图但说不出切分策略、为什么选这个Embedding模型、检索完怎么重排。RAG模块要讲清楚这几个关键决策文档切分按语义切分而非固定长度chunk_size512 tokensoverlap50Embedding模型bge-large-zh-v1.5中文场景维度1024向量数据库Milvus亿级数据或Qdrant中小规模HNSW索引检索策略混合检索——向量检索Top-20 BM25关键词检索Top-10去重后Rerank取Top-5重排模型bge-reranker-largeCross-Encoder架构生成模型Qwen2-72B / GPT-4o-mini成本敏感时温度0.3Step 5权衡讨论面试官“如果QPS从500涨到5000你的架构需要怎么改”这个问题考的是你的瓶颈分析能力“首先500QPS的瓶颈大概率在LLM推理。5000QPS时单机GPU扛不住。方案是第一用vLLM做推理加速开Continuous Batching吞吐量能提升3-5倍。第二多机部署前面加负载均衡按session_id做一致性哈希。第三FAQ匹配层加Redis缓存高频问题直接返回不走LLM。第四RAG检索层可以引入异步预取——在用户打字时就预测可能的意图提前检索。”五、编程题准备LeetCode策略AI相关编程题编程面试这一轮策略比刷题量更重要。5.1 LeetCode不是越多越好刷200道精选题的效果远大于刷500道随机题。按类型分配精力题型推荐题量优先级AI面试常考场景数组/字符串30题数据预处理、文本操作哈希表15题词频统计、特征工程二叉树/链表15题算法基础考察动态规划20题序列标注、路径规划排序/搜索15题Top-K问题、检索图算法10题推荐系统、知识图谱效率技巧面试前一周别再刷新题了。把之前做过的题重新做一遍重点练在白板/在线编辑器上写出bug-free的代码。很多人LeetCode刷了300题面试时手写代码还是写不出来——因为平时只看不练没有肌肉记忆。5.2 AI相关编程题除了常规算法题AI岗常考这几类编程题类型1手撕注意力机制import torch import torch.nn.functional as F import math class SelfAttention(torch.nn.Module): def __init__(self, d_model, n_heads): super().__init__() self.n_heads n_heads self.d_k d_model // n_heads self.W_q torch.nn.Linear(d_model, d_model) self.W_k torch.nn.Linear(d_model, d_model) self.W_v torch.nn.Linear(d_model, d_model) self.W_o torch.nn.Linear(d_model, d_model) def forward(self, x, maskNone): batch_size, seq_len, d_model x.shape # 线性变换 Q self.W_q(x).view(batch_size, seq_len, self.n_heads, self.d_k).transpose(1, 2) K self.W_k(x).view(batch_size, seq_len, self.n_heads, self.d_k).transpose(1, 2) V self.W_v(x).view(batch_size, seq_len, self.n_heads, self.d_k).transpose(1, 2) # 注意力分数: (batch, heads, seq, seq) scores torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(self.d_k) if mask is not None: scores scores.masked_fill(mask 0, float(-inf)) # softmax归一化 attn_weights F.softmax(scores, dim-1) # 加权求和 output torch.matmul(attn_weights, V) # 合并多头 output output.transpose(1, 2).contiguous().view(batch_size, seq_len, d_model) return self.W_o(output)类型2实现简单RAG检索流程import numpy as np from sklearn.metrics.pairwise import cosine_similarity class SimpleRAG: def __init__(self, embedding_model, llm, top_k3): self.embedding_model embedding_model self.llm llm self.top_k top_k self.documents [] self.embeddings [] def add_documents(self, docs): 添加文档到知识库 self.documents.extend(docs) new_embeddings self.embedding_model.encode(docs) self.embeddings.extend(new_embeddings.tolist()) def retrieve(self, query): 检索最相关的文档 query_emb self.embedding_model.encode([query]) sims cosine_similarity(query_emb, np.array(self.embeddings))[0] top_indices np.argsort(sims)[-self.top_k:][::-1] return [self.documents[i] for i in top_indices] def generate(self, query, retrieved_docs): 基于检索结果生成回答 context \n.join(retrieved_docs) prompt f基于以下信息回答问题\n{context}\n\n问题{query} return self.llm.generate(prompt) def answer(self, query): 端到端RAG流程 docs self.retrieve(query) return self.generate(query, docs)类型3评估指标实现面试官可能让你手写F1-Score、IoU或BLEU。这些不难但很多人写不对边界条件。⚠️避坑警告写完代码后一定要自己跑测试用例。面试官不会告诉你代码有bug他会默默扣分。手写代码时养成习惯——写完先在脑子里跑一遍再用面试官提供的例子验证。一个division by zero就够把你从通过拉到不通过。六、行为面试STAR法则实战技术面过了挂在了HR面——这比你想象的更常见。行为面试不是走过场HRBP会根据你的回答评估团队适配性、抗压能力、成长潜力。一个大厂HRBP跟我说“技术强但行为面不过的人我们叫’高风险候选人’宁可不要。”6.1 STAR法则模板STAR是回答行为面试题的万能框架字母含义回答要点占比S - Situation情景简洁交代背景1-2句话15%T - Task任务你面对的挑战/目标是什么15%A - Action行动你做了什么不是我们50%R - Result结果量化结果有数据有对比20%6.2 实战演示面试官问“讲一个你遇到过的技术挑战你是怎么解决的”❌低分回答“之前做一个推荐系统模型效果不好后来换了算法就好了。”——没有Situation、没有具体Action、没有量化Result。✅高分回答(S)“上一个项目是给电商平台做商品推荐日均UV约50万。上线后发现点击率只有2.1%低于行业平均的3.5%。”(T)“我的任务是在一个月内把点击率提升到3%以上同时保证推荐延迟不超过100ms。”(A)“我做了三件事第一分析了bad case发现冷启动商品占比30%且几乎零点击。我设计了一个基于商品属性embedding的冷启动策略用图文描述生成初始向量。第二把召回模型从ItemCF换成了双塔模型离线训练用了一周。第三重排阶段引入了多样性约束防止同质化推荐。整个过程中我主动和产品对齐指标定义和工程团队协调上线节奏。”®“上线后点击率从2.1%提升到3.4%超出目标。推荐延迟从80ms降到65ms双塔模型线上只需算query侧embedding。这个策略后来被复用到其他两个业务线。”关键点Action里强调我做了什么不是团队做了什么Result有明确的数字对比。效率技巧面试前准备3-4个STAR故事分别覆盖技术挑战“团队协作”“失败经历”快速学习四个方向。90%的行为面试题都能套进去。但注意——不要让面试官觉得你在背稿子控制语速适当停顿像在讲故事。6.3 行为面试高频题清单题目考察维度STAR故事方向讲一个技术挑战及解决过程技术深度问题解决选一个有深度的技术问题团队意见冲突怎么处理沟通协作情商选一个用数据说服别人的故事最大的失败经历抗压能力成长思维选一个真实的失败明确复盘为什么要转型做AI动机职业规划选一个啊哈时刻而非薪资驱动最近学了什么新技术学习能力自驱力选一个你真的深入学过的技术你对我们公司了解多少准备程度诚意提前研究产品技术博客⚠️避坑警告被问为什么离开上一家公司时绝对不要说前公司坏话。即使前公司真的有问题也要用中性表达“我希望在AI方向上有更深入的实践机会而上一家公司的技术方向更偏传统后端。”——说我要什么不说我逃什么。七、面试复盘方法录音回放弱点清单面试结束不等于结束。真正的高手每场面试后都会做结构化复盘。7.1 三层复盘法flowchart TD A[第1层内容复盘br/哪些题答得好/不好] -- B[第2层表达复盘br/逻辑是否清晰/节奏是否合适] B -- C[第3层策略复盘br/准备方向是否正确/时间分配是否合理] A -- A1[✅ 记录所有问题br/标注回答质量] A -- A2[✅ 整理面试官追问方向] B -- B1[✅ 录音回放找问题] B -- B2[✅ 检查是否跑题] C -- C1[✅ 更新复习重点] C -- C2[✅ 调整下一场策略] style A fill:#ff6b6b,color:#fff style B fill:#ffa502,color:#fff style C fill:#1dd1a1,color:#fff7.2 面试录音回放检查清单如果面试允许录音线上面试大部分允许回放时重点检查检查项好的表现差的表现回答长度30秒-2分钟节奏分明5秒结束或5分钟停不下来逻辑结构“第一…第二…第三…”东一句西一句没有结构互动感会反问、会确认需求自说自话不管面试官反应不确定时“我不确定但我的理解是…”不知道或乱猜深度控制面试官追问才深入一上来就讲10分钟细节手写代码边写边说思路默不作声写完才说话7.3 弱点清单模板每场面试后把没答好的题整理成弱点清单## 面试弱点清单 - 2026.07.XX 面试XX公司 ### 答得不好的题 1. ❌ Flash Attention的原理 — 只知道是加速说不清tiling机制 → 补充看原论文Section 2.2理解SRAM/HBM读写优化 2. ❌ 设计一个实时推荐系统 — 只考虑了离线部分实时特征没答好 → 补充学Flink实时特征工程 特征服务化方案 3. ⚠️ 你的职业规划 — 回答太泛没有和公司方向结合 → 改进针对每家公司定制3年规划话术 ### 答得好的题保持 1. ✅ Transformer自注意力机制 — 5步法回答面试官点头 2. ✅ RAG系统设计 — 切分策略和重排讲得很细 ### 下次面试改进 - [ ] 系统设计加一道实时特征流 - [ ] Flash Attention原理重学 - [ ] 准备3个公司定制版职业规划效率技巧把弱点清单按高频考点分类优先补出现频率最高的弱点。如果5场面试有3场被问Flash Attention你都没答好那就别再刷LeetCode了——花两天把Flash Attention彻底搞懂ROI高得多。7.4 面试节奏管理别把所有面试安排在同一周。正确节奏是阶段公司类型目标场次第1-2周非目标公司练手找感觉、暴露弱点3-5场第3-4周第二梯队目标公司针对性补弱点、冲击Offer3-5场第5-6周第一梯队目标公司状态最佳时冲刺2-3场⚠️避坑警告最蠢的策略是一上来就面你最想去的公司。面试状态是需要热身的前3场面试你大概率发挥不出真实水平。把最想去的公司放在你状态最好的时候——通常是面了5-6场之后手感最热的时候。面试的尽头是对话感说到底面试不是考试是对话。面试官不是你的敌人他是你的未来同事。他在想的是“这个人我愿不愿意一起工作”技术扎实是基础但最终决定你拿不拿Offer的是对话感——你能不能把复杂问题讲清楚、能不能在不确定时坦诚说我不确定但我的思路是…、能不能在被追问时保持冷静和逻辑。这些东西不是背出来的是练出来的。拿你的弱点清单找朋友模拟面试录音回放改进再练。3轮下来你会发现面试没那么可怕。面试官想听的不是完美答案是一个真实、有思路、能合作的工程师的声音。源码获取本文涉及的所有代码片段Self-Attention完整实现、RAG流程代码、评估指标实现已整理为完整可运行项目 Self-Attention手撕代码 → 关注公众号回复「attention」获取 SimpleRAG完整实现 → 关注公众号回复「rag」获取 面试弱点清单模板 → 关注公众号回复「review」获取思考题面试官问为什么Transformer比RNN好你的5步法回答会怎么组织试着写出来。设计一个AI内容审核系统你会怎么拆分模块数据飞轮怎么搭你的STAR故事库里最薄弱的方向是哪个现在就写一个出来。系列文章预告下一篇《求职渠道与节奏管理——AI岗位求职的时间线规划》面试技巧掌握了但往哪投什么时候投内推、猎头、招聘平台、开源社区——哪些渠道的转化率最高投递节奏怎么安排才能Offer最大化下一篇带你拆解AI岗位求职的渠道选择和6个月时间线规划。 本文是《AI工程师转型路径》系列第22篇全系列30篇持续更新中。如果觉得有用点赞收藏关注三连你的支持是我更新的动力。