2026年4月8号我坐在面试间里翻完手里第9份简历心里闪过一个念头AI岗现在不缺人缺的是能真正把模型搬到业务里的人。这不是我一个人的感受。这一轮AI岗位的招聘候选人多到约不过来但真正能走到技术面后半程的人比想象中少。很多人简历写得很漂亮项目也做过不少可一到追问环节就露馅——要么对模型底层的理解停在调用API层面要么对部署、性能、成本这些工程问题毫无概念要么在Agent、RAG这些新场景下面试时只能背概念不能做设计。这篇内容不是我给谁写的面经是我把自己这一轮面试官视角的观察、筛人逻辑和现场高频题复盘整理出来。无论你准备冲华为AI岗还是在看其他大厂的AI工程、AI应用、大模型部署相关岗位这都能帮你校准准备方向。1. 2026年AI岗的真实画风从会调模型到搞定系统先说结论2026年的AI岗已经不是懂AI就能过的岗位了。这几年AI岗位的演变路径非常明显。2023年看你会不会用大模型API会写Prompt就能干2024年看你会不会做RAG、会不会微调到2025年市场开始要求你懂推理优化、懂部署、懂Agent工程化。到了2026年单一能力已经不够用了面试官最想确认的一件事是你面对一个真实业务问题时能不能把一个AI系统从头搭到尾并且说得清楚每个环节为什么这么选。我面过一位同学简历上写着熟悉LangChain、熟悉大模型应用开发还附带了一个问答机器人项目。我问他你这个系统的端到端延迟是多少他说没测过。我再问如果同时有200个用户使用你会怎么评估瓶颈他开始沉默了。这就是典型的只做了功能没做系统。反过来另一类候选人让我印象很深。他做过一个文档问答系统虽然技术栈不新但他能讲清楚为什么用RAG而不是微调、召回率选多少、chunk大小怎么调、检索结果低于多少分就触发兜底、向量检索的压力峰值是多少、显存占用怎么算的。这种人一开口你就知道他是真的在业务里跑过模型而不是在Jupyter Notebook里跑通了一个Demo。在2026年的AI岗位画布里技术栈已经不是核心竞争力了。市面上会写Prompt、会调API的人太多了。真正的分水岭在于三件事对模型能力边界是否有准确的判断对工程落地链路是否熟悉到可以独立排障对业务指标和模型效果之间的关系是否有认知这三件事恰好也是我这一轮面试里刻意考察的三条主线。2. 简历筛选技术面试前大多数人已经输在了三个细节上先谈谈技术面之前的筛人环节。网上总有人讨论简历格式但作为面试官我更在意的是候选人有没有让我愿意花40分钟去聊他的欲望。2.1 项目含金量评估仿真玩具项目一眼就能看出来很多人的简历写了三四个项目但每个项目都是用BERT做情感分类、用ResNet做图像识别、用大模型做一个聊天机器人。这类项目在简历筛选阶段就会被归入教学项目类别除非你的实现方式有非常明显的亮点否则几乎没有机会进入面试。真正能让我眼睛一亮的项目描述通常具有以下特征有明确的业务场景、有可量化的指标、有踩坑记录。比如面向客服场景的智能工单分类系统覆盖12个子类采用大模型规则兜底方案准确率从78%提升到93%针对长尾case建立了主动学习回流机制——这种写法在逻辑上已经能让人产生追问的冲动。这里要提醒一句简历上写的技术栈面试官默认你全部掌握。你写了vLLM我就默认你懂Continuous Batching和显存管理你写了LangGraph我就默认你理解图状态机的流转机制。如果你只是听说过名词那就别写。写过一次等于不会这是很多候选人在简历关就出局的原因。2.2 数据敏感性AI岗候选人最容易被忽略的素质我筛选简历时会特别留意候选人是否表现出对数据的敏感。AI岗和算法工程师的区别在于AI岗更偏向工程化而工程化的核心是对数据的掌控力。举个例子有一位候选人写做了一个销售预测模型AUC达到0.92。这个描述本身没有太大问题但他在项目中完全没有提到特征工程、数据清洗、样本不均衡处理也没有提到离线评估和线上表现的差异。这种简历在我这里会直接打低分。为什么因为真实业务里数据和模型效果之间的gap才是AI工程的核心问题。你用一个开源数据集做实验和在一个每天产生千万条日志的真实系统里做特征工程是完全两回事。后者要求的不是拿到数据跑一个模型而是从数据埋点、清洗、存储、特征计算到模型训练的全链路能力。2.3 代码细节别让复制粘贴痕迹切断你的机会我见过太多简历GitHub链接点进去README是复制粘贴的开源模板代码结构混乱大量注释是自动生成的。这种情况会在面试官的心里种下一个疑问你过去的项目经验里有哪些是真正属于自己的部分简历上的GitHub链接说实话绝大多数面试官不看代码本身而是看提交历史、代码风格、依赖管理方式和README的完整程度。一个干净、有清晰提交记录、关键模块有注释、依赖管理规范的项目仓库比一个star多但全是搬运的仓库更能打动人。3. 技术面试高频考察点拆解原理、部署、应用三条线过了简历关到了技术面我的考察框架基本稳定在三块大模型原理、部署与推理优化、AI应用与Agent工程。这三个方向共同构成AI岗的核心能力栈。3.1 大模型原理追问从Attention到RLHF第一块是模型原理。这一块我不要求候选人能把论文里的公式全部背出来但至少要能讲清楚几个关键机制的逻辑。Transformer的Self-Attention为什么需要Scaled Dot-Product这个问题很多人会答防止softmax梯度消失但真正的原因是为了防止点积结果过大导致softmax进入饱和区反向传播时梯度接近0。你再追问一步这个缩放系数为什么是d_k的平方根如果你的理解只停留在因为原论文这么写那在后续聊到模型量化、精度影响时就会很吃力。多头注意力机制里的Head数量怎么定这不是拍脑袋定的参数它和模型宽度、训练数据的相关性结构、计算开销有关系。你训练一个百亿参数模型时head数量、head_dim的变化会直接影响并行策略的选择——比如Tensor Parallelism会涉及head的切分如果是GPT-NeoX风格head_dim必须能被TP size整除。这些都是工程上很真实的约束但很多人只在科研层面理解了多头注意力没在工程层面理解它。关于RLHF的考察现在不再只问什么是PPO而是会追问RLHF的奖励模型在训练时为什么容易出现reward hacking怎么缓解如果你做过相关实践你可以说用KL散度约束、奖励模型集成、或者对奖励模型做正则化。但如果你完全没做过至少要对奖励模型和策略模型的迭代更新有准确的理解而不是停留在RLHF就是人类反馈强化学习这句话上。3.2 模型部署与推理优化硬通货中的硬通货如果说模型原理是基础那模型部署与推理优化就是2026年AI岗面试区分度最大的一块。我几乎一定会问的题你现在有一个70B的模型需要部署到生产环境单机8卡A100你要怎么做请你从显存、吞吐、延迟、并发四个角度给我讲解。这道题很多人第一反应是用vLLM。但vLLM只是工具不是答案。你真正需要算清楚的是模型权重占多少显存70B参数按FP16计算权重约140GB8张80GB的A100单机显存640GB光权重要占掉将近四分之一。推理时KV Cache怎么算以输入序列长度2048、输出序列长度512、层数80、num_heads 64、head_dim 128为例每张卡上KV Cache的大小怎么估算这需要你对Transformer推理过程的内存占用有准确认知。如果采用Tensor ParallelismTP size设多大为什么通常设8而不是4这里涉及all-reduce通信开销和显存分布的整体平衡。量化之后的效果损失怎么评估INT8量化对70B模型的影响要比对7B模型小得多原因是什么因为模型参数量越大量化带来的相对噪声越小这是大模型量化友好特性的底层逻辑。我会继续追问如果线上并发是100 QPS你的首Token延迟和端到端延迟分别要控制在多少此时你会暴露哪几个方面的瓶颈——预处理阶段、prefill阶段、decode阶段、还是后处理阶段能回答到这个层次的候选人在我这里已经排到前20%了。3.3 AI应用开发与Agent场景设计能力成为新重点第三块是AI应用开发。这里我主要考察两类能力一个是RAG系统的工程实现一个是Agent的工作流设计。RAG的考察已经非常细致了。一道典型的问题你有一个上千份PDF的文档库用户会问各种类型的问题你现在要做一个基于RAG的问答系统请设计你的索引策略和检索策略。这个问题没有标准答案但你在回答中要覆盖以下几个决策点要不要做版面分析如果你的PDF里有大量表格、多栏内容直接按段落切分语义会被切成碎片那就要引入版面分析工具。chunk切分用固定长度还是语义切分固定长度适合中文技术文档但会切断长段落语义切分能保留语义边界但开销更大。你怎么选得看你的文档类型和检索延迟预算。embedding模型选哪个BGE系列、M3E还是商用的text-embedding-3你用哪个直接影响了后续的检索阈值。召回之后怎么重排很多人只做向量召回top K不做rerank。但实际业务中向量召回的结果噪声很大尤其是长尾问题和领域术语多的场景。Cross-encoder的rerank成本高但你可以在候选数量上做控制比如先召回50条再rerank取top5。Agent方向我会给出一个业务场景让候选人做设计。比如给一个电商客服Agent用户可能会问售前、售后、物流、退换货等不同问题你怎么设计这个Agent我要考察的点很明确这是一个单Agent还是一个多Agent的架构怎么判断工具调用怎么设计是让模型自由选择工具还是给它一个固定流程多轮对话的状态怎么维护如果Agent需要记住用户之前提到的收货地址、订单号这个记忆放在哪里Agent的降级方案是什么如果模型生成的内容不符合规范怎么办要不要设置规则层在模型输出之后做合规过滤Agent工程里最容易翻车的地方是把所有逻辑都交给模型这在生产环境里是完全不可控的。设计方案时你要体现出模型负责理解与生成规则负责约束与兜底的混合思想这种分寸感是面试官最看重的。4. 华为式追问从会做到经得起抠除了标准化考察点华为的面试风格里有很鲜明的追问文化。一个候选人做完自我介绍、讲完项目后接下来的20分钟基本就是我根据项目细节进行的连环提问。这个过程不是为了为难候选人而是要通过细节验证这个项目你到底是做了还是只是参与了。我印象最深的一场面试是一位候选人介绍了一个RAG项目。他讲得条理清晰从数据预处理、embedding、向量检索到生成每一步都没落下。然后我开始追问你的向量检索返回的top5里如果出现2条完全不相关的结果你的处理策略是什么他明显愣了一下然后说我们当时只看整体的准确率没有单独分析bad case。我再追问如果用户问的是一句口语化的表述比如我这单怎么还没到你的系统能理解单指的是订单吗你的query改写是怎么做的是直接拿用户原始输入去检索还是经过模型改写后再检索他开始支支吾吾最后承认当时是直接用用户输入去检索的。这个例子不是要批评这位候选人而是想说明一个规律真实项目里80%的问题都不在模型本身而在数据质量和预案设计。你要让面试官相信这个项目是你做的最有效的方式是你对项目的每一个模块都知道它的局限性和替代方案。有些候选人会担心自己项目太小、不够高级。实际上哪怕只是一个很小的AI应用项目只要你把设计细节、技术选型、踩坑过程讲清楚也远比一个看着高大上但一追问就塌方的项目有说服力。我在面试时有一次问候选人你项目里用到的Prompt模板设计能告诉我你迭代过几个版本吗你基于什么信号觉得这个版本比上个版本好这个问题能准确反映出一个人的工程敏感度真正做过落地的人一定不是写一版Prompt就上线了他会做几组对比评测可能用十几条bad case去迭代最后还会留一条人工兜底链路。5. 现场设计题一道没有标准答案的Agent场景题为了让这组复盘更具体我把一道我现场面试时用过的高频设计题完整还原出来你可以拿来练手。场景描述你现在要为一个有几十万日活的在线教育平台做一个AI学习规划助手。用户会输入自己的学习目标比如我要在3个月内通过雅思6.5Agent需要帮他制定每日学习计划、推荐课程内容、每周生成一次学习复盘。问题请你完成这个Agent的整体架构设计并说明关键技术选型。我现场收到的答案里最常见的坑有三种第一种一上来就画架构图把Agent拆成意图识别模块、用户画像模块、计划生成模块、推荐模块、复盘模块但完全不提数据从哪来、模块之间怎么交互、失败怎么处理。这种设计是看上去正确的空壳。第二种一上来就写代码号称用LangGraph加了几个节点。让模型在节点之间跳转但没想清楚每个节点判断的输入输出是什么、判断错了怎么办。这种设计是过分聚焦实现细节的盒子。第三种完全依赖模型说直接把用户目标发给大模型让它生成计划让大模型自己判断学习进度。这种设计在Demo阶段能跑通但上线之后大概率会出现幻觉问题——模型会一本正经地推荐不存在的课程。好的面试答案是什么样的我给大家一个参考框架第一层先明确边界。如果用户输入的目标笼统学好英语Agent要怎么拆解这里需要设计目标澄清模块在生成计划前先确认用户的时间投入、当前水平、目标期限。第二层数据层设计。用户的学习行为数据怎么采集怎么存储Agent的推荐和复盘是依赖实时行为还是离线特征这里的架构决策会影响后续召回和推荐逻辑。第三层协调层设计。要不要把计划生成课程推荐学习复盘拆成三个子Agent我的建议是初期不要拆用一个总控Agent两个工具化模块课程检索工具、计划模板库就够了。拆分太多子Agent在工程上会引入巨大的协调开销。第四层优化与迭代机制。每周的复盘结果如何反馈到下周计划这个闭环是人工打标、离线评估还是直接在Prompt里携带上下文你要能给出一个可落地的信号指标比如计划完成率用户停留时长课程完课率。这道题没有标准答案但一个经验丰富的面试官能通过你的设计判断出你是在业务里泡过的人还是在教程里泡过的人。这也是我建议所有AI岗候选人在面试前多找几道类似的场景设计题逼自己写完整方案的直接原因。6. 一面、二面、三面每一轮的能力模型都不同很多备考AI岗的人把精力花在刷LeetCode和背大模型八股上却忽略了不同轮次面试的考察逻辑。我按自己的经验把华为AI岗的几轮面试梳理了一下面试轮次考察重点典型问题类型准备侧重点一面技术面基础扎实度、项目真实度代码题项目深挖数据结构、模型原理、RAG/Agent基础二面综合技术面工程落地能力、系统设计场景设计题部署优化系统设计题、推理优化、案例复盘三面业务主管面业务认知、推动力、协作开放性问题、职业规划业务场景理解、项目取舍逻辑一面和二面是决定性的。一面的核心是基础不牢地动山摇你要保证自己Tensor维度操作熟练、Python性能优化有概念、Transformer结构能手绘、主流提升手段能解释清楚。二面的核心是像工程师一样思考。场景设计题是区分度最高的环节你要多练从需求反推架构的思维方式语言和细节是靠积累的不是靠临场发挥的。三面容易被忽视。业务主管不会和你抠技术细节但会看你是否有业务判断力。你过去做的项目失败过几个你怎么复盘你觉得AI项目里模型效果和业务价值哪个更重要这类问题你如果平时没有思考过很容易说出一些看似积极但实际空洞的答案比如失败是成功之母。更好的回答逻辑是把项目当成一个决策过程来描述我当时面临什么选择为什么这么选后来证明选对了还是选错了如果重来一次我会在哪一步做不同决定。这比我一共做了5个项目都非常成功有说服力得多。7. AI学习路线距离2026年AI岗还剩几个月优先补哪三块如果你现在正在准备AI岗我会反复强调三个优先补强的方向。7.1 模型部署与推理优先补的最硬技能刚才我已经讲了很多部署相关的考察点但这里我想更系统地说一下为什么不建议你只学大模型应用开发。原因很简单应用开发的入门门槛已经低到极致。一个懂Python的人用LangChain写一个简单的问答Agent半天就能跑通。当门槛低到人人都会时门槛就不是壁垒而是入场条件。真正有壁垒的是当你的Agent出现问题时你能定位到是哪一层的问题。是Prompt写得太开放是检索召回率太低是模型生成了非法JSON导致工具调用失败还是并发一上来推理服务的TTFT从200ms飙到了2秒这些问题的排查能力要求你同时对模型、框架、服务、系统有完整的认知。这也就是为什么部署和推理优化在2026年的AI岗面试里权重越来越高。7.2 数据工程能力容易被忽略的关键项很多AI岗候选人的数据能力是短板。你做一个推荐Agent特征从哪来用户行为的埋点日志怎么解析训练数据的分布发生了变化怎么办数据工程能力不是要你去精通Spark或者Flink而是要你理解AI系统和数据系统之间的关系。至少你要能看懂数据管道的每一个环节知道训练数据和推理数据的一致性有多重要。一旦数据分布发生漂移你的模型效果会肉眼可见地变差这是AI系统里最常见的故障之一。在面试里你可以用一个具体例子展示这段经历比如你发现线上推理效果和离线评测差距很大后来排查发现是训练语料和线上用户输入的分布差异太大。这种发现问题—定位问题—解决问题的经历比十句话的自我评价都有用。7.3 Agent工程化2026年AI岗的必答题我给一个比较实际的学习路线按顺序走先把RAG做到极致。不要只调LangChain的API去理解文档切分、向量检索、rerank、query改写、评估集的构建这五个环节。再学Function Calling。理解模型是怎么把用户意图映射到结构化工具调用的这需要你看一些模型的函数调用评测数据集也要自己设计几个带约束的工具。接着做多Agent编排。从一个简单的研究者Agent 写作Agent开始手动实现状态转移逻辑。任何框架都只是帮助你抽象底层思路还是图的状态机。最后学评估。Agent系统的评估是2026年的大热门方向。如何构造评测集、如何用LLM-as-a-Judge评估生成质量、如何做回归测试这些能力非常稀缺。8. 给2026年求职者的几条实在建议复盘了很多场面试之后我把最想反复叮嘱的几条建议放在最后算是我个人踩过不少坑之后的体会。第一别在简历里堆概念名词。面试官提问时默认你写的每个词你都能从原理讲到实践。你每多写一个没有吃透的名词就是在给自己的面试增加一个可能爆炸的雷。第二项目宁可少也要完整。一个从数据采集、模型训练、评估优化、部署监控跑通闭环的项目抵得过五个只做到Notebook Demo的练习项目。因为面试官想听的不是你做了什么而是你在做这个的过程中遇到了什么困难怎么解决的。第三一定给自己准备一个失败案例。没有失败案例的候选人往往给人研究不扎实的感觉。你踩过什么坑通过什么手段定位到根因最后做了什么调整——这些内容在面试里的价值远高于一个完美的成功故事。第四练一练白板设计。不要只在IDE里写代码试着在纸上、在文档里把系统架构画出来把模块间的数据流标出来。面试时白板设计题你如果能在十分钟内画出一个逻辑清晰、边界明确的设计图就已经超过80%的候选人了。第五多刷一些现场评测类的题目。让ChatGPT或者其他大模型充当面试官给你出AI系统设计题然后你写完方案后再让它扮演挑剔面试官来追问。用这种方式逼自己看到方案的漏洞比一个人埋头读论文高效得多。最后再分享一个小技巧面试前用30分钟把你简历里提到的每一个项目分别写一个三句话版本。第一句话讲项目背景和业务目标第二句话讲你的核心设计和技术选型第三句话讲结果和你对失败/局限性的思考。这三句话能清晰讲出来你的自我介绍和项目概述就不会垮。真正进了面试间你会发现这30分钟的准备比多刷100道代码题更救命。