機器之心編輯部

今天，華盛頓大學即將畢業的博士生 Alisa Liu 要加入 OpenAI 的消息上了 X 熱搜。

主貼瀏覽量已突破百萬，她表示這次找工作的過程比想象中更有挑戰，但也收獲滿滿。

所以她寫了一篇小博客，分享一路走來學到的經驗，也希望能讓下一個經歷這個過程的人少一點困惑。

如果你正在讀博，或者即將走上求職這條路，這篇文章值得認真看完。Alisa Liu 研究旨在為語言模型構建更好的算法，包括 tokenization、數據創建和推理時適應等方向。畢業后，她拿到多家頂尖 AI 公司的 Research Scientist /MTS offer。

因此，她把整個求職過程寫成了一篇復盤，毫無保留 —— 包括那些讓她崩潰的時刻。博客開頭，她寫到在讀博的大部分時間里，求職在她腦子里就像霍格沃茨的分院帽：高年級的師兄師姐消失幾個月，再出現時，命運已經決定。她知道他們去了哪里，卻對中間發生了什么幾乎一無所知。

直到輪到她自己，才發現這個過程遠比想象中殘酷，而且她一直在「一邊學規則，一邊打牌」。這篇文章，是她寫給還沒開始的人的。

博客地址：https://alisawuffles.github.io/blog/job-search/

6 年NLP 博士，她申請的是 Research Scientist 和 Member of Technical Staff 崗位。整個求職期間，參與了11 家公司的面試流程，完成了57 場正式面試，接了 46 個招募電話，在拿到 offer 之后又進行了16 次深度溝通，另外還有數不清的非正式 networking 對話。有幾家公司給了她心儀的 offer，她主動撤回了其他流程；也有幾家公司，招募方再也沒有回音。

要不要「練手」，是一個復雜的問題

關于面試順序，流傳最廣的建議是：先用幾家不那么在意的公司練手，然后把真正想去的公司集中推進，爭取 offer 同時到手，方便后期談薪。

這個邏輯大體沒錯，但她在實際操作中發現，事情比這復雜。

首先，精力是有限的。練手有用，但如果把前面幾家當炮灰，打到精疲力竭，等輪到真正想去的地方時，狀態已經垮了。

其次，面試的時間節點并不完全由你掌控。某家公司有沒有招聘名額、哪個團隊正在積極招人，這些外部因素的影響往往比你的「準備程度」更大，可以通過內部朋友或招募方提前摸底。

第三，offer 的截止日期通常比你想象的更有彈性，招募方知道你在同時推進多個流程，一般會配合。但她也提醒：確實存在給出極短簽約窗口的「爆炸式 offer」，務必提前打聽清楚游戲規則。

七種面試，考的完全不是同一件事

她把自己經歷過的所有面試歸納為七種類型，并特別強調：整體來看，技術能力的考察遠重于研究經歷本身。當然，研究經歷可能是讓你拿到面試機會的原因。

頻率最高的，是 ML 代碼題。題目可能是實現某個經典架構，比如 Transformer；可能是實現一種解碼策略，比如 beam search；也可能是傳統 ML 算法，或者一些非常有創意的變體。PyTorch 是必須熟練掌握的工具。她偶爾也遇到只允許用 numpy 的情況，比如從零手寫反向傳播，但面試官不會要求她提前熟悉所有 numpy 語法。

然后是通用算法題，也就是 LeetCode 風格，有時加一些背景包裝。她表示這部分的底層邏輯和 ML 代碼題高度重疊，打好基礎會讓兩類題目都受益。

技術討論是不寫代碼但很燒腦的一類。有時候整場面試圍繞一個問題展開：給你一個研究目標，你來設計實驗，面試官追問你的設計決策，給你假設性的結果，讓你分析并設計下一步 —— 考察的是你的思維方式。另一種形態則是快速連續拋出大量問題，比如「位置編碼有哪些不同的實現方式」、「什么是 5D 并行」、「PPO 和 GRPO 有什么區別」，在短時間內摸清你的知識廣度。

研究經歷討論是最接近 PhD 日常訓練的一類，通常從「介紹一個你做過的項目」開始，然后順著這個話題深入展開，面試官也可能就簡歷上的其他論文提問。她在準備這類面試時，會刻意從更高處俯視自己的研究 —— 為什么選這個課題、做的過程中積累了哪些獨到的判斷、未來最有價值的方向在哪里。她還會根據不同公司的方向調整自己的研究介紹角度，原話是：面試官都很疲憊，讓他們快速感受到「你的背景和我們的需求高度匹配」，比什么都重要。

行為面試是她唯一有過慘敗記錄的類型。她說自己第一次行為面試完全沒當回事，覺得自己「顯然行為端正」，結果被問到最基礎的問題時，腦子里一片空白，只能當場現場拼湊模糊的記憶。面試結束時，面試官說了一句讓她如坐針氈的話：「你沒有回答我的問題。」她在文章里說，那種痛苦是獨特的 —— 你同時在搜索記憶、整理思路、開口表達，三件事都沒做好。正確的方法是提前把 PhD 期間所有值得講的故事都整理出來，按照常見行為題的框架做好映射，等到被問的時候，直接提取。

數學面試在部分公司存在，難度從趣味邏輯題到需要紙筆推導的嚴肅計算題都有。她建議復習概率論、線性代數和微積分。

最后是 Job Talk， 相比學術界的版本更短、更聚焦。她的 job talk 以 tokenization 為核心，主要深講了一篇第一作者論文，輔以幾篇二作和進行中的工作，內容恰好能串聯成一條完整的敘事線。

準備這件事，沒有捷徑

她表示，沒有任何事情比認真備考更值得投入時間。她把這段經歷比作回到本科：做筆記、畫圖、刷題、整天泡在咖啡館里從頭推導 ML 基礎。她專門做了一份 LLM 筆記，在整個求職期間持續更新；還做了一份數學筆記，是為某一場特定的面試臨時抱佛腳趕出來的。

備考路徑大致是這樣的：先從頭看完斯坦福《Language Modeling from Scratch》全部課程，用來把腦子里零散的知識點整合成一張完整的地圖。打好基礎之后，再逐個深挖具體概念，通過讀 blog 和論文、和 AI 大量對話、自己從零手寫實現來真正吃透。

她特別強調了 Transformer 的實現，「能從頭實現和調試一個 Transformer，在面試中出現的頻率高到值得練成肌肉記憶，這里絕對不能丟分」。

她還提醒：練習時必須完全關掉 AI 輔助工具，模擬真實的面試環境。你會嚴重低估自己對 AI 的依賴程度，直到被迫獨立解題才會發現。

針對每場具體面試，她也會單獨準備，「就像一門你從沒上過課的數學或 CS 課，現在距期中考試只剩大約三天，你需要臨時抱佛腳。」她會從面試描述、公司的技術方向、招募方的暗示和公司的口碑里綜合判斷這場面試的考察范圍，然后集中突擊最相關的內容。

關于考前狀態，她有一個代價慘重的教訓：第一場技術面試前只睡了兩小時，把一整夜花在復習 LLM Inference 的細節上，結果這些知識一點沒考到，反倒因為困倦在一道簡單的 off-by-one error 上卡了整整十分鐘，因為「腦子根本轉不動」。結論是：充足的睡眠，比任何最后一刻的臨時復習都重要。

她還提到了一個自己沒想到的收獲：大量備考顯著提升自信心，不再擔心知識盲區被暴露，在學術對話里也不再需要藏著掖著。她甚至說，如果在 PhD 階段早點做這些準備，能涉足的問題空間會更寬，想到的想法會更多，主動找人聊的對話也會更多。

拿到 offer，只是開始

很多人以為拿到 offer 就結束了。她說，恰恰相反。

接下來是一段可能相當漫長的時間，你要繼續和未來的隊友、manager 深聊，去公司吃飯，接招募方的電話，處理鋪天蓋地的郵件 —— 她承認自己在這個階段有一些郵件一直沒來得及回。

談薪是這個階段最核心的事，也是她覺得最難的事，「我們 PhD 根本沒有準備過這個，而且這件事不像面試，沒辦法靠刷題征服它。招募方在市場信息和談判技巧上都比你有優勢，而且每個人想要的東西都不一樣。」

但不談是不對的。初始 offer 本來就預留了談判空間，不止一位招募方直接告訴她：「我不期望你接受我們的第一個 offer。」在這幾周認真投入，實際上可能抵得上按初始 offer 工作好幾年的收入差距。

她的具體做法是：在每一次招募電話前，寫下自己愿意透露什么、不愿意透露什么，以及一些可以直接背誦的措辭。預判對方可能提出的問題和論點，提前構思應對方案，讓自己能在舒適的狀態下堅守立場。這個過程很耗時，但每一個細節都值得認真對待。

那些沒人說的部分

她在文章快結尾的地方寫了這樣一段話，有必要完整傳達給所有人，「求職期間，她一直在管理大量情緒。和同伴比較是一件很難受的事，而且幾乎不可避免。周圍的人會突然對你的選擇異常在意，充滿各種建議和期待，這種社交壓力本身就很耗神。更難受的是，你要在信息嚴重不完整的情況下做出影響深遠的重大決定，而很多看似微小的選擇 —— 比如先聯系誰 —— 都沒有標準答案，卻可能產生不成比例的影響。」

那幾個月她一直處于崩潰邊緣，其他方面的生活基本停擺。「希望你比我找到更多樂趣。如果沒有，至少知道你不是一個人。」

最后想說的

在文章的收尾，她說了一些關于 PhD 本身的話，可能是這篇文章里最好的部分。

一路狂奔著走向博士結束，走到了終點，她反而有一種巨大的失落感。博士是一段特殊的時光，你唯一的職責是產生好想法、執行它們、學習和成長，不需要立刻為謀生發愁。

她希望這篇文章能讓你在面對未來時少一點迷茫，同時也提醒你，不必因為焦慮而過早透支當下。一路走來，她越來越清楚地意識到，自己做得最好的那些工作往往都發生在真正享受研究、并被某個問題反復牽引的時候。對未來保持準備，和對當下保持熱愛，這兩件事其實可以同時成立。