AI 岗位面试准备：高频考点
AI 方向面试差异极大。同样是「AI 工程师」，算法研究、工程落地、业务应用三条线的考察重点几乎不重叠。先分清目标岗位属于哪一类，再针对性准备，比泛泛刷题有效得多。一个实用的判断：看 JD 里是「发论文 / 复现 SOTA」还是「搭管线 / 保服务」还是「懂业务 / 出指标」——这决定了你的准备重心该放在公式、系统还是业务闭环上。
常见考察维度
算法岗重基础推导与建模能力；工程岗重系统设计与 serving；应用岗重业务理解与指标落地。
通用底层：
- 机器学习基础：偏差-方差权衡、过拟合与正则（L1/L2）、评估指标
- 一道 coding：数据结构与算法（数组/树/动态规划等）
- 沟通：能否把复杂问题讲清楚
岗位差异：
- 算法：公式推导、损失函数设计、论文复现与消融
- 工程：训练管线、特征版本化、模型 serving、性能与成本
- 应用：需求拆解、离线/在线指标、A/B 与迭代节奏
以评估指标为例，面试官常追问「为什么用 AUC 而不是准确率」「样本不均衡时看什么」。能讲清 precision/recall/F1、ROC-AUC、PR 曲线各自适用场景，比背定义更加分。工程岗则可能被要求画一条推理链路：请求进来后怎么预处理、怎么批处理（batching）、怎么做缓存与降级、监控哪些指标（QPS、P99 延迟、预测分布漂移）。应用岗更关注「你怎么把一个业务目标翻译成模型目标，再翻译成可观测的指标」。
基础题的常见清单（通用，建议都能口述）：
- 偏差与方差是什么，如何判断模型是高偏差还是高方差
- L1 与 L2 正则的区别与几何直观
- 交叉验证怎么做，什么时候用分层/留一
- 梯度消失/爆炸的成因与对策（BN、残差、初始化）
- 过拟合的信号与常用缓解手段
- 分类/回归各看哪些指标，各自陷阱
这些题不靠背，靠「能举反例、能讲权衡」。例如被问「为什么用 BN」，期待的不只是「加速收敛」，而是「它平滑了每层输入分布、允许更大学习率、有一定正则效果，但也有训练/推理不一致、对小批量敏感等代价」。
准备方法
用项目串知识点，能讲清「为什么这么做、踩过什么坑」比背概念更加分。项目是你所有知识点的「索引」——被问到任何理论，都能回到自己的项目里给一个具体例子。
建议：
- 精准备 1-2 个项目，从数据、方法、实验到上线讲透
- 刷基础题但重理解：知道「为什么」而非「是什么」
- 练系统设计表达：画架构图、说清楚权衡（延迟 vs 成本 vs 准确）
- 准备 2-3 个「失败/踩坑」故事，体现复盘能力
工程方向可提前熟悉主流 serving 框架的取舍：TorchServe、NVIDIA Triton Inference Server、BentoML、KServe 各自适合什么部署形态；批处理与动态批处理（dynamic batching）如何提升吞吐；量化（INT8/FP16）与蒸馏怎么换延迟。这些不需要全用过，但要能说清「什么场景选什么」。训练侧则可了解 MLflow 做实验追踪、Feast 这类特征存储做特征一致性——面试中能提到「训练/serving 特征不一致」这种真实坑，远比泛泛而谈更可信。
现场 coding 也常被忽视。多数 AI 岗仍会考一道中等难度的算法题，重点不在 AC，而在「思路清晰、边界考虑周全、能交流」。建议用平时刷题积累手感，但面试时先把问题拆小、和面试官确认假设，再动手——这比闷头写更重要。
如何把项目讲成「有说服力」的故事，是比写代码更关键的软技能。一个有效的讲法是：先说背景与约束（数据多少、时延要求、资源限制），再说你做了什么选择、放弃了什么、为什么，最后说结果用什么指标度量、上线后发生了什么。避免一上来就报模型名字——面试官更想听「你在不确定中是怎么决策的」。如果能一句话点出「这个项目最难的不是模型，而是 X」，往往比罗列技术栈更抓人。
校招与社招的准备重心也不同。校招更看基础扎实度与潜力，项目可以来自课程/竞赛；社招则更看「你独立扛过什么」，要能讲清在真实业务里的取舍与影响。准备时按目标调整叙事：校招突出学习能力与底层理解，社招突出ownership 与结果导向。
避坑
别只堆工具名，别说不清选型理由；行为问题也要准备，讲协作与复盘。
注意：
- 能解释指标背后的业务含义，而非只报数字
- 坦诚未知，别硬编；被追问时用思路补救比瞎答好
- 准备反问：问团队的技术债、模型迭代节奏，体现思考
- 避免把团队成果说成个人独占，也别过度谦虚埋没贡献
一个高频误区是「刷题代替理解」。面试官问梯度消失，期待的不是「用 BN 解决」，而是「BN 为什么有效、还有哪些办法（残差、合理初始化、激活函数选择）」。另一个误区是只准备技术：协作冲突、项目延期、和产品的分歧，往往以行为题出现，准备 STAR（情境-任务-行动-结果）结构作答，能让回答有层次、有证据。
反问环节同样是面试。好的反问不是「加班多吗」，而是围绕技术：「团队当前最大的模型 serving 瓶颈是什么」「特征如何保证离线在线一致」「模型上线后如何监控漂移」。这类问题既展示了你的工程视野，也帮你判断团队是否值得加入。
行为与 HR 面：别留短板
技术面之外，行为/HR 面常被轻视，却足以一票否决。它考察的是协作、抗压与职业成熟度。
高频行为题：
- 讲一次你和最难合作的人共事的经历
- 项目延期/指标没达标时你怎么处理
- 你和产品/算法/工程有分歧时怎么推进
- 你最近一次主动学的新技术，怎么学的
这类题用 STAR 结构（情境-任务-行动-结果）作答最稳：先讲清背景，再聚焦「你做了什么」而非「团队做了什么」，最后给出一个可验证的结果与反思。避免两种极端：把锅甩给别人，或把团队成果全揽自己身上。HR 还会关注离职动机与期望，坦诚但聚焦「我想在 X 方向更深」比「钱少/累」更专业。
需要提醒的是，行为面的准备也应落到具体事例，而非套话。面试官听过太多「我沟通能力强」的空话，能讲出一个有细节、有冲突、有成长的故事，才是真正加分项。
不同岗位的系统设计题
系统设计是工程岗重头戏，准备时可按模板练几遍：
典型题：设计一个「实时画像打分」/「推荐召回」/「审核模型服务」
回答骨架：
- 数据流：日志 -> 特征 -> 训练 -> 评估 -> 上线
- 服务形态：在线推理 vs 离线批处理，如何切分
- 性能：动态批处理、缓存、量化、降级策略
- 稳定性：灰度、回滚、监控与告警
- 指标：延迟/吞吐/准确率，以及业务指标
能把这套骨架讲顺，并主动指出「这里会有特征不一致风险、那里要防流量突增」，基本就达到了工程岗对系统思维的期待。算法岗则更可能被要求「现场推导」或「设计一个损失函数解决某问题」，准备时多练白板推导与符号表达。
小结
AI 面试的核心是「基础牢 + 项目真 + 权衡清」。先定位岗位类型，再用真实项目串起知识点，表达出每个决策的依据与代价，比题海战术更有效。最后提醒：面试是双向选择，你也在评估对方的技术成熟度与成长空间——带着问题去，比单纯被考更从容。把准备重心放在「能讲清为什么」，而非「能背出是什么」，机会会明显更多。
参考与延伸阅读
- scikit-learn 官方文档：模型评估与指标（precision/recall/AUC）— 已核验
- NVIDIA Triton Inference Server 官方文档（模型 serving）— 已核验
- 目标公司公开技术博客与 JD（针对性准备）— 待核实