在互联网圈子里判断一家公司是否值得去我有个习惯动作先把它近两年的职级表、薪资带宽和晋升节奏拉出来横纵向对比一遍。尤其像M站这种内容属性很强的平台它的技术序列、产品运营序列、以及近年新增的AI测评类岗位在定级和定薪上都有不少独有的门道。2026年了AI测试开发这个岗位早就从“锦上添花”变成了“刚需配置”但很多人对这家公司的职级体系还停留在“P几大概是多少钱”的模糊阶段对面试题的准备也往往只盯算法题忽略了业务建模和AI评测框架。这篇文章就结合我掌握的信息和多年的面试经验把职级体系、薪资构成、以及AI测试开发的面试题拆开揉碎讲一遍。1. 拆解M站的职级体系先搞懂晋升通道再谈薪资1.1 岗位序列怎么分P序列为主内容和运营单独成线M站的职级体系并不是一套通吃的模式它在技术侧采用行业内最常见的P序列也就是专业序列从P1一直延伸到P10往上整体呈金字塔结构。P1到P3基本是校招初级和外包过渡真正有分量的起点是P4也就是中级工程师。P5是高级工程师P6是资深/专家工程师P7开始进入专家层P8以上基本是某个技术方向或中台团队的负责人。这里有个容易忽略的点内容平台的核心资产是内容和社区氛围所以它还有一个非常独立的内容运营序列业界一般叫C序列另外产品岗位有PM序列。C序列和P序列在晋升节奏上不完全同步内容运营更看重爆款案例、用户增长数据和社区治理效果而P序列更看重系统设计能力和项目影响力。如果你看到一份薪资表格里同时出现“P6”和“C6”不要觉得它们是同一层实际含金量可能有明显差别。更进一步说2026年的M站在AI基建上投入非常明显它已经把算法、AI工程、AI测试开发统一纳入了P序列但是对AI测试开发岗新增了一个内部标签叫“AIQ”意思是负责AI质量保障的专项角色。这个标签不影响职级数字但影响定薪系数和绩效权重。简单说同样是P6AIQ方向的总包可能比普通后端P6高出10%到15%因为市场供给少、技能栈复杂公司需要用薪资杠杆来留人。1.2 职级晋升的隐性门槛P5到P6是分水岭很多人都以为从P4升P5最难因为那是从“执行者”到“能独立负责模块”的转变。实际上在M站P5升P6才是真正的分水岭。P5要求你写得一手好代码、能独立交付中型项目但P6的要求是能定义问题、拆解方案、协调跨团队资源并且对最终结果负责。举个例子同样做一个视频审核质量提升项目。P5的典型表现是我优化了审核模型的一个子模块把精确率提升了5%然后同步了结果。P6的典型表现是我发现审核召回不足的根因是训练样本中长尾case占比太低于是推动数据团队重建了一套难例挖掘管线同时设计了一个离线评测集来量化收益最终把整体召回率提升8%并且输出了一个可复用的评测工具给其他业务线使用。前者是“完成功能”后者是“定义问题并系统性解决”。从晋升时间看M站内部对P5升P6的平均预期是2到3年P6升P7则需要3年以上而且需要有跨BG事业群的影响力。很多人在P6卡了四五年不是能力不够而是缺少一个能拿得出手的“代表性项目”。这里也引出一个实战建议如果你想晋升不要只盯着自己的一亩三分地要主动去找那些能让技术产生杠杆效应的机会比如搭一套自动化测评平台帮三个业务线同时提效这种项目的说服力远大于你独自干了半年但无人使用的一个内部工具。1.3 2026年职级模型展望AI相关岗位怎么定级2026年的职级体系里AI相关岗位的定级出现了新的参考维度。因为AI测试开发不再只看工程能力还要看模型评估设计能力、数据质量分析能力、以及对大模型应用风险的判断力。我了解到M站在2025年下半年内部试点了一个“能力象限”评估法把AI测试开发岗分为四个象限工程自动化能力、AI算法理解能力、业务建模能力、持续交付能力。定级时不再单纯看年限和项目数量而是看你在哪个象限有突出优势。比如一个P6候选人如果他在算法理解上很强但在持续交付上线流程上经验不足可能会被卡在P5也就是一个过渡职级给6到9个月的时间补齐短板再转正P6。这个变化对求职者来说意味着面试准备不能只刷LeetCode也不能只背测试用例设计模板而要系统性梳理“AI模型如何准确评估、如何设计离线与在线评测方案、如何在资源有限条件下保证测试覆盖率”。后面我会详细拆解这些面试题。2. 2026年薪资体系总包、带宽和谈薪逻辑2.1 薪资构成base、绩效奖金和期权怎么搭配M站的薪资包和其他互联网中大型公司类似主要由三块组成base月薪、绩效奖金、期权/RSU。Base是每个月固定发放的部分绩效奖金一般按季度或半年发放通常和你的绩效档位挂钩常见系数在0.8到2.5之间。期权部分则是公司为了绑定核心员工给的长期激励分四年归属每年归属25%。有两点和传统大厂不同。第一M站的现金占比相对偏高尤其是中级岗位年包里面现金加奖金通常能占到70%到80%期权更像是“额外的惊喜”而不是薪资主体。这对倾向于稳定现金流的人是好事但也意味着如果公司股价表现一般总包里的期权部分实际兑现价值可能小于纸面数字。第二M站的绩效奖金波动范围很大。同样是P6A档和B档的年度奖金能差出8到12个月的base所以完全看base去推断年包是不靠谱的必须把绩效预期也算进去。这里还要提醒一个细节M站内部有个“带宽对齐”机制理论上同一个职级的薪资带宽是全公司统一的但实际操作中业务部门可以在带宽内自主定薪。同样定级P6推荐算法组的offer可能比社区安全组高出15%因为算法人才的竞争更激烈。面试谈薪时如果对方只愿意给带宽下限不要轻易接受至少争取到带宽的中间位置。2.2 各级别薪资带宽参考数据和社区安全的差异我根据2025到2026年间多个渠道反馈整理了一份M站技术序列的参考带宽总包范围包含base和绩效预期。需要说明的是这只是参考不是官方数据城市差异和部门差异都会造成结果浮动。职级角色定位参考总包范围税前建议关注点P4中级工程师28-40万校招或1-3年经验P5高级工程师40-60万独立负责模块P6资深工程师60-90万技术骨干能带小型项目P7专家90-130万领域专家或小组长P8高级专家130-180万方向负责人跨团队影响力P9总监级180-260万中台或核心业务负责人从表里能看到一个明显特点P5到P6的带宽跨越并不大但P6到P7的跃升幅度很大这也印证了P6作为晋升分水岭的价值。在AI测试开发岗位P6的带宽会稍微上浮大概在65到100万之间因为市场给的竞争压力摆在那里。如果你面的是M站上海总部的AI测评团队年包开在80到90万对方不会觉得离谱但如果你面的是非核心的边缘业务线同样的能力可能只给到70万附近。2.3 薪资谈判实操怎么报期望、怎么谈期权薪资谈判是我见过最多人吃亏的环节。很多候选人一上来就报一个具体数字比如“我期望年包80万”然后就把底牌全亮出来了。我的建议是报价时给出一个合理区间而不是单一数字并且把区间的下限设置在你完全能接受的底线之上3万到5万。比如你能接受的底线是75万那可以报“78到88万”这样即使对方按区间下限给你也不会太难受。期权谈判要特别注意“面值”和“归属条件”。有些公司给你的期权数量很漂亮但行权价可能已经不低了实际收益要打个大折扣。M站的做法相对透明offer里会直接列出期权数量、行权价和预计生效时间。我建议在评估期权价值时用当前估值的70%作为保守预期如果能接受再签。另外4年归属期意味着你至少要待满2年才能拿回一半如果你本身就打算先进去看看再做长期打算期权的实际吸引力就要打折。还有一个小技巧如果对方在总包上压得比较死可以谈签字费或者首年保底奖金。M站对AI测试开发这类稀缺岗位是有一定签字费预算的通常能争取到2到4个月base的一次性补贴。这个钱不算进base不进社保基数但确实是实打实的现金补贴。谈判时不要只盯总包数字这些附加条款往往能补上几千块的月薪差距。3. AI测试开发面试题深度拆解3.1 这个岗位到底在招什么人AI测试开发和传统测试开发最大的区别在于传统测试开发的核心是自动化、提效和质量平台而AI测试开发的核心是“评估”。评估一个模型的性能好不好评估一次Prompt改写有没有风险评估一套RAG方案检索回来的内容是否可靠评估一个新推荐策略上线后对社区生态的影响。这些评估工作传统的黑盒测试用例写不出来必须要懂模型原理、懂数据分布、懂评测指标体系。M站在面AI测试开发岗位时看重的核心能力依次是业务理解能力、评测方案设计能力、工程交付能力、以及沟通推进能力。你可以算法推公式不是很强但不能没有评测sense你可以不精通每一种模型结构但必须知道在什么场景下选什么指标。3.2 业务测试题一个推荐场景的评测方案面试里几乎必考的一类题目是“给定业务场景设计测试方案”。我见过一个很典型的题请你设计一个针对视频推荐策略的评测方案覆盖离线评测和在线A/B测试。这题的答题框架可以分为四层。第一层是明确评测目标推荐策略的核心指标是什么是点击率、播放时长、完播率还是关注转化率。不同目标的评测方案完全不同。第二层是离线评测你要构建一个带标签的评测集思考采用哪些离线指标如AUC、GAUC、NDCG、RecallK。还要注意样本偏差问题离线数据本身是旧策略产出的直接用来评测新策略会存在偏差需要做样本加权或反事实评估。第三层是在线A/B测试明确实验周期、分流方式、显著性检验和最小样本量。原生化内容平台的推荐效果往往要观察一周以上因为推荐系统存在冷启动和探索机制短期数据不够稳定。第四层是生态健康度指标推荐策略长期看会不会导致信息茧房会不会让某些垂直品类失去曝光这些需要设计单独的覆盖度指标来监测。这个答题框架如果完整输出基本就能向面试官展示出你有体系化的评测思维。反过来如果你只回答“我会准备一个测试集跑一下准确率”那大概率会被判为不合格。M站内部对这类题的评价标准不是有没有标准答案而是有没有完整的路径思考。3.3 AI模型测试题图像模型与评估指标再来看一道具体的模型测试题某个视频封面场景需要上线一个图像质量打分模型目标是自动过滤模糊、低质和含有敏感信息的封面图。请你设计测试策略。这道题比通用测试设计更进一步要求你理解图像模型评测的细节。首先你要明确任务的输入输出模型输出的是一个质量分数还是一个二分类结果。如果是分数你需要定义阈值的选取方式和不同业务场景下阈值的差异化配置。其次数据集的构建是关键正负样本从哪里来模糊样本是否覆盖了运动模糊、高斯模糊、压缩伪影等不同类型敏感信息样本是否覆盖了文字遮挡、人体姿态、画面截断等各类case。没有覆盖长尾情况的数据集评测结果再高也没有说服力。然后是指标设计。二分类问题可以用精确率、召回率、F1但也要关注误拦截率因为封面被错误拦截会直接造成内容分发量下降。打分问题则需要用MAE或者秩相关性指标还要看分数分布是否合理。最后是持续监控方案模型上线之后需要设计一个抽样回流机制把线上预测分数和用户反馈做比对及时发现badcase并回流到训练集。实际操作中这类岗位对代码能力也有要求。至少你要能独立写一个评估脚本处理一份标注好的CSV数据计算指标并输出可视化报告。如果连Pandas和Sklearn的评估函数都用不熟即使方案设计说得再好手写代码环节也会露馅。3.4 大模型应用测试题RAG与Prompt评测2026年的AI测试开发面试大模型相关的题几乎是必考项尤其是针对RAG检索增强生成应用的评测。一个典型题目是公司要做一个基于内部知识库的智能问答助手你是质量负责人怎么搭建评测体系这类题的关键在于拆解。RAG系统的效果由三个环节决定检索器是否召回了正确的文档、排序器是否把最相关的文排到了前面、生成器是否基于检索到的内容作了正确回答。因此你的评测体系需要分层设计。针对检索层评测指标包括RecallK、PrecisionK、MRR等要重点看多轮对话场景下检索query的改写是否准确。针对生成层除了常规的BLEU、ROUGE还需要人工评价准则比如忠实度回答是否基于文档而不是幻觉编造、完整性、可读性、安全性。一个很常见的badcase是模型检索到正确文档但生成时仍然答错这种case用自动化指标很难完全捕捉需要建立一套半自动化的badcase聚类机制。Prompt评测也是考察点。比如你设计了一个Prompt模板怎么证明它比另一个Prompt模板好思路是固定同样的模型和检索链路只改Prompt模板用一批标准测试题对比输出质量。你可以参考输出差异率、空答率、有害内容触发率等指标来做判断。这类题没有唯一答案但清晰的对比实验设计思路会比死记硬背某个指标重要得多。3.5 手写代码题与场景模拟题AI测试开发的面试也会考手写代码但难度通常低于算法岗。我总结出三类高频手写题指标计算、测试工具脚本、数据校验。为了避免只有题目没有参考我给出一个典型的指标计算示例。面试官可能会让你实现一个计算IoU交并比的Python函数这本质是一道评测基础题。def compute_iou(box1, box2): 计算两个矩形框的IoU box格式: [x1, y1, x2, y2]坐标均为整数 x1_min, y1_min, x1_max, y1_max box1 x2_min, y2_min, x2_max, y2_max box2 inter_x_min max(x1_min, x2_min) inter_y_min max(y1_min, y2_min) inter_x_max min(x1_max, x2_max) inter_y_max min(y1_max, y2_max) inter_w max(0, inter_x_max - inter_x_min) inter_h max(0, inter_y_max - inter_y_min) inter_area inter_w * inter_h box1_area (x1_max - x1_min) * (y1_max - y1_min) box2_area (x2_max - x2_min) * (y2_max - y2_min) union_area box1_area box2_area - inter_area if union_area 0: return 0.0 return inter_area / union_area # 测试用例 print(compute_iou([0, 0, 10, 10], [5, 5, 15, 15])) # 期望输出约为0.142857写这道题时面试官真正想看的不是你能不能背出公式而是你的边界处理能力。比如两个框完全不重合时max(0, ...)这种写法能不能想到两个框完全重合且面积为0时union_area等于0的除零保护能不能处理。这些小细节如果没注意到很容易被判“代码不够严谨”。除了写代码M站还非常喜欢场景模拟题。比如“有一个线上AI审核服务突然出现了大量误判你怎么排查”这类题考的是你的全局排查思路。正确的回答顺序通常是先确认影响范围和时间窗口再看监控指标和日志然后抽取出具体的badcase做分类分析是模型漂移、数据分布变化还是上游特征异常最后给出回滚、限流或热修复的方案。能按照这个顺序答出来面试官基本会认定你有实战经验。4. 常见问题与避坑实录4.1 网上流传的薪资表能不能信网上流传的“M站2026年薪资表”非常多但可信度差别很大。我见过有人把校招P4的总包写成了60万也见过有人把P7的现金部分和总包混为一谈。参考这些薪资表时你需要搞清楚几个前提数字是税前还是税后是纯base还是包含绩效预期有没有算期权城市是上海还是其他办公地。一个更靠谱的做法是同时看多个渠道的交叉验证。脉脉、一亩三分地、以及身边真实在职朋友的反馈三者对齐后基本能校准出准确的带宽。另外要警惕那些“晒offer”截图很多截图P图的成本极低带节奏的帖子在求职季尤其多。我自己看薪资信息时最后都会回归到一条原则把网上信息当作起点用面试时的真实定级和offer去验证而不是反过来被网上的数字绑架心理预期。4.2 谈offer时的真实博弈谈offer是一场信息不对称的博弈。HR比你更清楚带宽上限而你往往不知道同样定级的其他人拿了多少。这种情况下我建议你采用两步策略。第一步先确认职级。在对方亮出职级之前不要先报预期总包。因为一旦你先报数字对方很容易把职级往低了定来匹配你的期望。比如你说期望年包70万对方可能本来想给你定P6看到你的期望后直接给你定P5然后把给到65万还让你觉得“超出预期了”。正确的节奏是让对方先说明定级、带宽范围然后你在这个范围内表达期望。第二步用外部信息建立锚点。如果你手上有其他公司的offer哪怕只是口头意向也可以在适当的时候透露出来这会明显提高谈薪筹码。不要撒谎但也不要把已有的本钱藏起来。还有一个小提醒Base和绩效奖金的拆分比例会影响你的月现金流。如果一家公司给你年包80万但base只有50万剩下的全靠绩效那么遇到绩效一般的季度实际拿到的钱可能会远低于预期。签offer前我建议至少把base的部分算清楚确保它能覆盖你的日常开销和还款压力。4.3 入职后如何避免变成“杂工”入职之后AI测试开发岗位的一个尴尬现实是你很容易被当成“什么杂活都干的人”。业务方找你写临时脚本开发团队找你补用例产品经理找你出测试报告。忙了一年回头一看自己的技术深度几乎没有增长。从我的经验看入组前三个月最关键的动作是“建立自己的核心工具或评测资产”。不要只是被动响应需求要主动和leader对齐目标选定一块别人都依赖你、但你又可以持续建设的领域。比如搭建一套持续评测平台沉淀评测数据集或者建立badcase回归库。这些资产一旦做出来不仅晋升时有话可说日常工作中别人也会更愿意配合你的流程而不是一味地指使你干活。另外AI测试开发要特别注意和算法团队的协作方式。算法同学对“测试”这个词有时会本能抗拒觉得你在拖后腿。你需要换一种沟通语言不是“我来测你看你做得对不对”而是“我来帮你建一套评测基线让结果更可信”。同样的事换个说法协作阻力会小非常多。最后再分享一个我个人实际操作中的体会在M站这种内容平台做AI测试开发最有趣的不是测模型本身而是测“模型如何影响人和内容”。同样一个推荐策略离线指标涨了线上社区氛围可能变差同样一个AI审核模型精确率调高了误伤创作者的风险也跟着上来。你以为自己在做技术岗其实你做的是一种新的“内容守门人”的工作。面试题可以背方案可以学但那种“既要对技术负责、又要对内容生态负责”的感觉只有真正上手做过才懂。如果你正准备面这个方向建议先把RAG评测和推荐A/B测试这两个场景吃透它们几乎是所有算法团队的必问项。