AI 岗位面试准备：算法、工程与应用岗通关路线

AI 方向的招聘通常把岗位拆成几条相对独立的路线，不同路线的面试考察重心差异明显。本文先区分岗位大类，再给出通用基础清单，随后分别展开算法岗与工程岗的备战重点，最后用 STAR 法复盘项目并整理高频题型与备战节奏，帮助你建立一套可执行的面试准备方案。

AI 岗位大类差异（算法 / 工程 / 数据 / 产品）

在投递前先明确目标路线，能让复习精力花在刀刃上。四类岗位的常见定位如下。

算法岗（Algorithm）：以模型研究与迭代为核心，关注论文复现、算法推导、实验设计与指标提升。典型 title 含「算法工程师」「研究型算法」「机器学习工程师」。
应用工程岗（MLE / AI 工程）：以把模型落到业务系统为目标，关注推理服务、性能、稳定性与工程落地。典型 title 含「机器学习平台」「AI 应用开发」「推理优化」。
数据岗（Data）：以数据建模与分析为核心，关注特征工程、离线训练链路、数据治理与指标体系建设。典型 title 含「数据工程师」「数据分析」「特征工程」。
产品岗（AI PM）：以需求与场景为核心，关注技术边界认知、ROI 判断与跨团队协作。典型 title 含「AI 产品经理」「算法产品」。

同一家公司对这四类岗位的面试结构往往不同：算法岗重笔试与白板推导，工程岗重系统设计与代码质量，数据岗重 SQL 与建模，产品岗重案例与沟通。投递前建议先看清楚岗位描述里写的「职责」与「要求」，再决定复习重心。

通用基础清单（ML / DL / 编程 / 系统）

无论哪条路线，下面四块都是高频基础盘，建议先补齐再按岗位加深。

机器学习基础：

监督、无监督、半监督的基本概念与典型算法。
损失函数、梯度下降、正则化、过拟合与泛化。
评估指标：准确率、精确率、召回率、F1、ROC 与 AUC。
经典模型：线性回归、逻辑回归、决策树、SVM、集成学习。

深度学习基础：

前向传播与反向传播的计算逻辑。
常见激活函数、归一化（BN、LN）、优化器与学习率策略。
CNN、RNN、Transformer 的结构差异与适用场景。
训练技巧：初始化、batch size、微调、蒸馏、量化（工程岗更看重后两项）。

编程基础：

一门主力语言（Python 或 C++）的语法、数据结构与标准库。
数组、链表、树、图、哈希、堆、二分等基础数据结构与算法。
编码习惯：边界处理、复杂度意识、可读性。

系统基础：

操作系统：进程线程、内存、IO、并发。
网络：HTTP、TCP、RPC 的基本模型。
存储：关系型与 NoSQL 的取舍，缓存与消息队列的作用。
分布式：一致性、可用性与扩展性的基本权衡。

下面是一份可勾选的复习清单示例。

机器学习
  [ ] 逻辑回归推导与梯度更新
  [ ] 决策树分裂准则、剪枝
  [ ] SVM 对偶与核技巧
  [ ] 交叉验证与偏差方差权衡

深度学习
  [ ] 反向传播链式法则
  [ ] Transformer 注意力计算
  [ ] 常见归一化方法差异
  [ ] 过拟合的常见对策

编程
  [ ] 数组与双指针
  [ ] 树与图遍历
  [ ] 动态规划基础
  [ ] 时间与空间复杂度估算

系统
  [ ] 缓存更新策略
  [ ] 消息队列解耦
  [ ] 基本限流与降级

算法岗重点（推导、coding、论文复现）

算法岗面试通常分三轮硬仗：数学推导、手撕代码、论文与项目深挖。

推导题：面试官常让你从零推导一个熟悉模型。准备时应能写出目标函数、梯度形式与更新规则，而不是只背结论。

逻辑回归：写出似然、交叉熵损失与梯度。
线性回归：从最小二乘推导正规方程。
反向传播：用链式法则表达某一层的梯度。
注意力机制：写出 QKV 与缩放点积注意力的计算式。

coding 题：算法岗的编码题往往比工程岗更偏模型相关与中高难度，建议以题库分专题训练，重点覆盖数组、树、图、动态规划与字符串。

示例题型（仅描述，非真实公司原题）
  给定一组样本特征与标签，手写逻辑回归的一次训练迭代：
  1. 计算预测概率
  2. 计算梯度
  3. 更新权重
  要求说明学习率的作用与收敛判断方式

论文复现：中高级算法岗常问「你读过哪些论文、能否复现」。准备方式不是泛读，而是挑 2 到 3 篇与岗位强相关的论文，做到：讲清动机、方法、实验设置、与基线对比的结论，以及你若在工程里复现会踩哪些坑。

工程岗重点（推理服务、RAG / Agent 落地、工程能力）

应用工程岗更关心「模型怎么稳定、便宜、快速地服务业务」，而不是模型本身怎么发明。

推理服务：

模型部署形态：在线推理、离线批量、边缘部署的差异。
性能优化：批处理、算子融合、量化、KV Cache、吞吐与延迟取舍。
稳定性：超时、重试、降级、限流、监控与告警。

RAG 与 Agent 落地：

RAG：检索召回质量、向量库选型、切片策略、重排与答案可信度。
Agent：工具调用、状态管理、上下文压缩、失败重试与成本控制。
评估：用离线评测集衡量效果，而非只靠主观体验。

工程能力：

代码质量：单元测试、可观测性、配置与依赖管理。
系统设计：能在白板上画清一个 AI 服务的链路，说明各组件的取舍。
协作：能说清楚你负责模块的边界、依赖与上线流程。

下面是一段简化的在线推理链路示意，用分层文字表达各个环节的先后关系。

请求入口
  鉴权与限流
  预处理（分词 / 向量化）
  模型推理（批处理 + KV Cache）
  后处理（重排 / 格式化）
  返回结果
旁路环节：日志、监控、评测采样

项目复盘 STAR 法

面试官通过项目判断你的真实贡献，STAR 法能把经历讲清楚。

S（Situation 情境）：项目背景、业务问题与约束。
T（Task 任务）：你负责的目标与范围。
A（Action 行动）：你具体做了什么，技术选型理由。
R（Result 结果）：量化收益、复盘得失、可复用经验。

复盘时避免只说「我们做了」，要落到「我做了」。准备 2 个项目深度复盘，每个都能回答：难点在哪、你如何权衡、如果重来会怎么改。没有大项目时，可用课程作业、竞赛或开源贡献替代，关键是体现完整闭环。

高频题型与备战节奏

按出现频率，面试内容大致分成几类。

基础知识题：概念辨析与对比，例如 BN 与 LN 的区别。
推导题：模型或公式从零推导。
编码题：数据结构与算法，或模型相关的小实现。
设计题：设计一个推荐、检索或对话系统，说明取舍。
开放题：遇到某类 bad case 如何排查与优化。

建议的备战节奏（按周粗略划分，实际按基础强弱调整）：

第 1 到 2 周：补齐通用基础清单，建立知识框架
第 3 到 4 周：分岗位专题突破，算法岗重推导与 coding，工程岗重系统与落地
第 5 到 6 周：项目复盘 + 模拟面试，按岗位刷对应题型
第 7 周起：查漏补缺，针对弱项回炉，保持手感

节奏的核心是「先广后深、以练代看」。只看书不写代码，面试时容易卡手。

小结

AI 面试准备的第一步是分清路线：算法岗重推导、coding 与论文复现，工程岗重推理服务、RAG 与 Agent 落地以及工程质量，数据岗重建模与链路，产品岗重场景与协作。无论走哪条路，机器学习、深度学习、编程与系统四块通用基础都要先打牢。用 STAR 法把项目讲出个人贡献，用分专题刷题保持手感，最后以模拟面试暴露短板。系统化、可执行，比临时抱佛脚更有效。

参考与延伸阅读

LeetCode：编码题库与面试准备平台，提供数千道算法题与公司题库（来源类型：公开在线题库，已核验可访问）。
donnemartin/system-design-primer：开源系统设计面试资料，覆盖可扩展系统设计、常见设计题与解法（来源类型：开源技术文档，已核验为活跃仓库）。
scutan90/DeepLearning-500-questions：以问答形式梳理概率、线代、机器学习与深度学习的面试常见问题（来源类型：开源面试问答合集，已核验为活跃仓库）。
各公司官方招聘主页与岗位 JD：用于确认目标岗位的「职责」与「要求」（来源类型：公开招聘信息；具体岗位的细节因公司而异，待核实）。
牛客网等求职社区的 AI 岗面经合集：汇总求职者分享的面试经历与题型（来源类型：公开面经社区经验帖；具体题目随公司与时间变化，待核实，不引用内部信息）。

本文累计阅读 — 次