面试准备：问题、回答与反问

写在前面：这篇文章还会继续更新

这篇文章不是一份已经完善的求职指南，而是我对求职、面试准备和反向提问的一些阶段性整理。它会随着后续投递、面试反馈、岗位理解和个人选择继续更新，所以现在更像一个持续打磨中的 blog，而不是最终版本。事实上本博客站点中的大部分文章都是不断更新调整的，所以经常见到补丁痕迹和不定时的重构。

这里不会关注如何拿到一个 offer，而是讨论如何去寻找适合自己的工作并尝试。没有找到非常渴望的工作是常态，也不一定是一件坏事。当你对 title 或者别的东西过度渴望时，往往会忽视一些真实成本，最后度过一段并不愉快的时光。

求职不是单向被筛选，也不是简单地把简历投出去等待结果，而是在有限信息里不断确认：我想做什么、我适合什么、这个机会是否真的值得投入，以及进入团队之后我能不能持续成长。

这篇文章也会聊一聊，我可能会问被问到的一些问题，一些我觉得对我来说有价值的观点，可能不值得扩充为一篇blog，不过确实需要找个地方存放一下，那就先放到这里吧。

泛泛而谈的一些建议

求职前先确认方向

首先我们一定需要一个整体规划，工业界和学术界关心的问题往往没那么相近，各大公司中也存在各种业务岗位和 Lab 岗位，工作内容差距还是非常大的。

明确了这个方向，再据此决定简历重点、项目讲法和投递策略。不同方向对经历的解释方式并不一样：工业界更关注你能否解决真实问题、能否协作交付、能否把技术放进业务流程；学术路线则会更关注研究问题、方法创新、论文产出和长期研究潜力。

目标定位也不应该只看岗位名称。一个岗位是否适合自己，通常要一起考虑行业、城市、薪资、成长空间、专业匹配度，以及企业文化是否符合自己对工作节奏和加班强度的接受度。

很多岗位名称看起来相似，但实际工作可能完全不同；同样是算法、数据、后端或者 Agent 开发，有的更偏研究探索，有的更偏业务交付，有的则更接近工程平台和工具链建设。可能需要根据 JD 确定或者多方面打听，最起码需要在面试的时候问出来。

当然，规划不是一次性决定。外部机会、市场需求和个人状态都会变化，真正有用的规划应该允许自己根据投递反馈、面试反馈和兴趣变化不断调整。

怎么判断一个机会值不值得去

我会把机会拆成几个维度来看：收入、方向、成长、匹配度和团队氛围。薪资当然重要，但它不是唯一指标。如果更在意长期前途和能力增长，就要重点看团队方向、业务质量、岗位能提供的锻炼，以及自己能不能在里面接触到真正有价值的问题。

方向是否匹配尤其重要。一个岗位如果短期待遇不错，但实际工作和自己长期想做的事情关系很弱，就需要认真评估它会不会把自己带到一个并不想深入的路径上。反过来，有些机会短期不一定最优，但如果团队问题足够真实、技术栈足够贴近自己的长期方向，也可能值得考虑。

团队氛围同样不能忽略。日常协作方式、决策机制、对技术债的态度、是否允许个人成长和探索，都会直接影响工作体验。很多问题只有在面试反问阶段才能逐渐看出来，所以反向提问不是流程末尾的客套，而是求职决策的一部分。在本篇的结尾我们会讨论一些反问，作为参考。

面试准备不只是背答案

面试准备不能只理解成背八股或者背标准答案。对技术类岗位来说，Coding 基础和常见问题当然重要，它们决定了能否顺利通过筛选和技术面。但项目经历本身也需要提前整理，否则很容易在面试时讲成流水账。

我会尽量把每段经历整理成几个问题：当时要解决什么问题，难点在哪里，我具体承担了什么角色，用了什么方法，最后产出了什么结果，这件事的价值和边界分别是什么。这样组织之后，面试官更容易理解项目，也更容易判断我在其中的真实贡献。

科研项目、企业合作项目、解决实际问题的论文、比赛经历和实习经历，只有被整理成清晰的问题链条，才会真正变成面试中的有效材料。否则经历再多，也可能只是简历上的几个名词。

一些关于我的相关问题

对具身智能的一些理解

看起来我的简历和具身智能以及机器人没有任何关系，但是我确实对这个方向很感兴趣。我不关注 VLA 模型的训练，跟我之前一直研究的问题一样，我更关注应用，以及这个东西应该如何被真实地落地。

具身智能的落地可能不是一个强大的 VLA 模型，GPT 6 Astra 的发布可能为 Gen-AI 带来了一些新观点。

如果我们想画一张图片，可能并不需要一个扩散模型生图，而是可以让一个文本模型通过 Tool Calling 靠 SVG 画出鹈鹕；如果你想去建出一个优秀的三维模型，那么类似于 Meshy AI 的生成式模型或者混元的三维生成模型，可能不如直接让 AI 根据视觉效果在 blender 里面靠调工具慢慢画。生成式语言模型现在有 Omni 的输入，可以通过”生成—渲染/执行—检查—修改”的反复执行去更加贴近人类目标。

我们可以将其称之为 Agentic Generation，一种在 End2End Model Generation 以外的新形态，此时无论是我在网易做的 UI Gen 工作流还是 Embody-AI 的落地，最终都可以被归类为 Agentic Generation，与此同时，传统的生成模型，无论是生图还是视频和动作，都可以被视为 Agentic Generation Tools 的一部分，而优化这个 Agent 系统本身将成为微调 Pi-0.5 以外的核心工作。

Agentic Generation 相比于通过端到端模型进行生成，还会带来一个更大的优势，**整个生成 Pipeline 的可检查和可控性。**用户需要的是满足要求的结果，而实现它可能需要选择表示方式、调用工具、观察中间结果、局部修改和验证。Agentic Generation 可以接受用语言或者 Agent 逻辑代码描述的约束、路由多种多样的能力、保留中间状态并进行局部修正，当整个系统可以被追踪和复现，它的调试和修改速度总会比训练一个模型更快。

Agentic Generation 又在尝试找到**哪些决策适合留在模型内部，哪些能力需要通过外部工具、状态管理和执行机制实现？这些边界如何随任务变化？**等选项之间的 TradeOff，底层 VLA 和高层 Agent 混合可能是短期来看更现实的路线，但那个平衡点在哪？

工作在物理世界的机器人，很多动作做完以后就不能再 Ctrl+Z。具身智能的 Tool 应该如何被设计，应该给出大脑什么样的反馈？我在《当我们构建 AI Agent 时，我们究竟在解决什么问题？》讨论前向知识与后向反馈的部分里写过：Tools 从来不是一份工具列表，而是 AI Agent 能看到、也能影响的整个世界。，之前的 Tool Calling 主要集中在虚拟空间，到了物理世界，这个判断需要落到更具体的接口和反馈设计上。

把这些问题放到具身智能里，工具返回的就不该只有一句“调用成功”，还需要让大脑知道动作是否真的完成、环境发生了什么变化，以及失败以后还能做什么。这些信息怎样从传感器、VLA 与底层控制系统中获得，又应该以什么粒度、什么时机交给上层 Agent，仍然是我想进一步研究的问题，应该还没有任何人能够给出这个问题的答案。

我遇到的最大的困难是什么

好像不止一次在被面试的时候问到这个问题，尤其是现在开始流行的 AI 面试，非常喜欢给你问一堆没什么卵用，但是就是想问。

如果一定要说我遇到过最大的困难，我觉得可能不是某一个具体的技术问题，而是：在不知道答案是否存在的时候，仍然要决定下一步做什么。

因为我过去做的很多事情，其实不是那种已经定义得非常清楚的工程题。尤其是 AI 和 Agent 相关的项目，很多时候一开始连问题的边界都不是很清楚——模型能力到底够不够，这条技术路线能不能走通，甚至什么样的结果才算“有效”，这个问题本身是否有解，都不一定知道。

而我现在比较习惯的一种方式，是先根据自己当前掌握的信息和经验，形成一个 belief，也就是我现在最相信、最值得尝试的一条技术方向。对于一个技术出身的开发者而言我认为有 Belief 是应该的，也是大概率的事情，这是之前做过的项目总结下来的经验。

然后我不会花很长时间试图证明自己一开始就是对的，而是尽快围绕这个方向做出一个最小原型。因为对我来说，原型最重要的作用不一定是把东西直接做成，而是让我从真实的技术反馈里获得新的信息。因为每一次原型、每一次失败，都会改变我对这个问题的理解。然后我再根据新的信息去修正自己的 belief，选择下一条更有可能的路线，再做下一轮尝试。

所以后来我越来越觉得，面对未知问题的时候，最重要的能力可能并不是一开始就找到正确答案，而是：你能不能形成一个足够好的判断，快速走出去，然后让现实不断纠正你的判断。

这也是为什么我现在其实挺喜欢处理一些答案不明确的问题。因为一个已经知道怎么解决的问题，本质上更多是在执行。但一个一开始不知道有没有解的问题，你需要不断观察、判断、尝试，然后慢慢从混乱里找到结构。它有挑战性和以及本身的乐趣。

所以现在如果突然给我一个完全陌生的问题，我第一反应通常已经不是：

“这个东西我会不会？”

而是：

“基于我现在知道的东西，我最相信哪条路？我能不能先做一个足够小的东西，看看现实会告诉我什么？”

我觉得这可能是我这些年面对困难时形成的最重要的一种习惯。

面试反问：我会重点确认什么

反向提问的核心目的，是确认团队真实在做什么、岗位真正需要什么、自己加入后会承担什么，以及这份工作是否符合自己的判断。

下面这些问题更偏 AI Agent 工程化岗位，主要用来判断团队的技术路线、产品落地方式、工程成熟度和协作方式。也存在一些通用的问题，均可以作为提问的参考，或者参考这个仓库：viraptor/reverse-interview。

Agent 与工程化方向

我了解到公司在积极布局 Agent。在目前的规划中，咱们的 Agent 应用是更偏向于对内赋能，比如研发提效、内部知识库问答和运营自动化，还是已经有明确的对外商业化产品落地场景？团队主要在解决什么问题，我进去以后的主要工作会是什么？可以给出一些具体的例子。

注1：这是非常公式的提问，是作为了解部门业务的基础提问，基本上所有的反问环节都应该包含一个这样的问题或者类似的问题。

注2：ToB（面向公司内部）和 ToC 对于 AI Agent 是一个我认为的关键问题；Agent ToB 的容错相对更高，也更容易推进新技术测试和迭代，但可能属于边缘业务；ToC 则更需要关注幻觉、稳定性和用户体验等问题，它会更利于学习系统的工程化以及安全边界的设置，但推进新技术相对更难。

注3：基于这个问题的答案进行一些更加细节和专业的追问可能会为你加分，最好提供一些二选一的选择题以及进行引导性提问。如果 A or B 总是被回答成 both 或者绕开回答，那就把自己的假设说清楚，然后等对方否定，也是个可以的方案。

目前行业里 Agent 的应用百花齐放。咱们团队聚焦的场景，是更偏向于处理明确的结构化任务，比如通过 API 调用执行自动化流程，还是更侧重于对非结构化知识的深度理解与推理，比如基于复杂长文档的结构感知与 Agentic RAG？

注：前者更加侧重自动化 workflow，需要对业务本身有深入理解；后者则更侧重 Agent Dev 相关技术，更高的自主权也更依赖模型能力，以及开发者对安全边界的认知。这属于一个 A or B 的技术拷打，和 Agent 本身关系紧密。

关于咱们关注的 Agent 应用场景，目前的系统设计是更多定位在 Copilot 模式，也就是需要频繁的人类反馈和确认，还是致力于在特定垂直业务流中实现高自动化率的闭环工作流？

注：Human in the loop 目前来看依旧很重要。如果希望打造高自动化率系统，自动化的高质量校验会是核心问题；如果更多允许人工介入，那么扩展系统功能可能会比打磨极致自动化更值得关注。这属于一个 A or B 的技术拷打，和 Agent 本身关系紧密。

考虑到复杂业务场景的需求，咱们目前的重心是在打磨单智能体的复杂任务拆解能力，还是已经开始探索多智能体协作的业务落地？

注：多智能体协作已经从技术报告逐渐进入 Demo 阶段，虽然稳定性依旧堪忧，但它仍然是值得关注的前沿方向。当然，它更偏技术探索而非成熟技术，高自主性的 MAS 很可能会带来和人类协作类似的问题。这属于一个 A or B 的技术拷打，和 Agent 本身关系紧密。

团队目前是如何构建 Agent 评估指标的？除了传统的 LLM Benchmark，有没有针对业务建立特定的工具调用准确率、执行轨迹或者自动化评测框架？

注：Evaluation 永远是 Agent 绕不开的问题。没有评估，就很难判断系统是真的变好，还是只是 Demo 看起来更顺。如果一家公司希望搞高自主 Agent 但没有维护自己的专用 Evaluation，那么他们还没有走上正轨。

在成本和延迟上的权衡策略是什么？团队更多依赖成熟的闭源大模型，还是已经考虑将不同请求路由给不同层级的模型？是否会系统性评估成本、延迟与性能之间的 trade-off？

注：这是工程化绕不开的问题。从技术 Demo 走向生产，需要认真处理成本、延迟、性能和安全边界之间的关系。生产环境的安全边界不能轻易 trade-off，但慢一点、贵一点，有时反而是可以接受的。

如果一个团队已经深思了这个问题，那么证明他们的业务至少已经相当可用了。当然，只用自动 router 不算，但不用任何 router 更烂。

团队、协作与个人成长相关的问题

每个开发者有多大的自由来做决定？团队内部结构、协作方式和日常工作划分是什么样的？如果遇到不同意见，通常会怎样处理？

注：了解一下团队整体的工作情况，这个问题可以追问一些团队氛围，技术协作之类的问题。

一个典型的一天或者一周的工作是怎样安排的？

注：你就可以追问这个。

AI Coding 已经介入了绝大多数程序员的工作流。公司如何看待 AI Coding？是否允许员工在项目中较多使用 AI Coding 来加速迭代？团队是否会提供统一的 AI 工具、账号或使用规范？

注：程序员现在没得 AI 用确实活不下去了，当然这个问题目前来看和 Infra 大神以及写算子选手无关。一个 Pro5x 是公司及格线。

你对在这里工作最满意的地方是什么？你为什么选择并留在这家公司？

注：感觉在拷打面试官，本问题是网上抄的，本身不对此问题负责。

团队的工作时间和加班情况是怎么样的，On-call 的情况，以及加班费相关问题。

注：正式入职可以多考虑考虑 WLB，实习生感觉无所谓，我在学校早已经是 9117 大神了，公司再加班能比我在实验室猛？雷军楼免费空调免费咖啡还有淋浴，给个床我直接住办公室。

我可以为开源项目做贡献吗？是否需要审批？

注：这个问题注释就在题目里。

公司是否有技术分享交流活动？有的话，多久一次呢？

注：这个问题注释就在题目里。

有公司级别的学习资源吗？比如电子书订阅或者在线课程？有获取证书的预算吗？有官方的学习经费吗？

注：花公司的钱，干自己的事情，让人感到有薅羊毛的爽快感，虽然和工资相比可能九牛一毛，但莫名的爽怎么回事？

你们现在盈利吗？如果没有的话，还需要多久？如果有的话，年度营业额是大概有多少？公司未来的计划是怎么样的。

注：去 Startup 和偏向 Startup 风格的小公司可以提问，毕竟公司不赚钱等于慢性倒闭。

远程工作和办公室工作的比例是多少？

注：CN 真有远程工作？

本文仍旧在长期更新。