編譯 | 屠敏

出品 | CSDN（ID：CSDNnews）

作為一名即將從華盛頓大學計算機科學系畢業的博士生，Alisa Liu 近日在 X 上透露，自己將在下周正式加入 OpenAI。

消息一出，很快引發了社交媒體上不少人的關注。有人驚嘆，還沒正式畢業的博士生，就已經拿到了全球頂尖 AI 實驗室的入場券了；也有人好奇，她是怎么做到的？

而后在 Alisa Liu 的自述中，這件事并沒有外界想象得那么“順滑”。拿下令人驚羨的 Offer 背后，一組數字被擺上了臺面：6 年的 NLP 博士生涯、參與過 11 家公司的面試流程、進行過 57 場正式技術面試、46 次與招聘專員的電話溝通、16 份 Offer，以及求職前無數次的非正式人脈交流和行業交流......整個求職過程非常具有挑戰性，好在最終回報不錯。也正因為如此，Alisa Liu 決定寫下這篇《Notes on the Industry Job Search》，把這段經歷拆開講清楚——既是一次復盤，也希望能讓更多的從業者在面對 AI 圈的求職時，不至于覺得完全無從下手。

博士六年，她幾乎沒認真想過找工作

讀博期間，Alisa Liu 的研究主要圍繞語言模型的基礎機制展開，包括 tokenization、數據生成，以及推理階段的自適應方法等方向。她曾獲得 NSF Graduate Research Fellowship 和 OpenAI SuperAlignment Fellowship 等項目支持。

回顧整個博士階段，Alisa Liu 坦言，自己其實很少認真規劃職業道路。

在她看來，找工作一直像《哈利·波特》里的分院帽一樣神秘：高年級博士生會突然“消失”幾個月，等再次出現時，去向早已塵埃落定。即便是關系很好的朋友陸續畢業、入職，她對他們經歷了什么依然知之甚少，除了偶爾收到幾條“我還活著”的消息。

直到真正輪到自己時，她才意識到，求職遠沒有想象中那么簡單。

“感覺就像一邊上場比賽，一邊現學規則。”

畢竟從小到大，她幾乎一直待在學校里。如果不是導師后來不斷提醒自己該往前走了，她甚至覺得一直當博士生也沒什么不好。相比職業規劃，她更關心的是能否持續探索那些讓自己感興趣的研究問題。

也正因為如此，她的研究方向曾經歷過多次調整，直到后期逐漸聚焦于 tokenization，并在這一主題上持續深耕了兩年多。“之所以能堅持這么久，很大程度上是因為我確實樂在其中?！?/p>

對于找工作這件事，Alisa Liu 一直拖到博士第六年末，才開始正式申請 Research Scientist（研究科學家）和 Member of Technical Staff（技術團隊成員）等崗位。她篩選工作的標準并不復雜：依然能否繼續做有意思的研究。

而回頭再看，她發現這種長期聚焦帶來的積累同樣產生了現實價值——一個足夠清晰且鮮明的研究方向，也成為她在求職過程中脫穎而出的重要原因之一。

領取地址：https://s.csdn.cn/4nPsOp

時間線

Alisa Liu 繪制了一張圖，展示了她的求職時間線。其中灰色圖標表示面試，彩色圓點表示結果。

需要說明的是，“ghosted”指的是招聘方從未告知她最終結果或后續進展；

“withdrawn”則是指在拿到一些讓她很感興趣的 offer 之后，其禮貌地表示自己不再繼續參與該公司的流程并退出了面試。

整體來看，她一共面試了11 家公司，累計進行了 57 場面試。不包括圖中展示的部分，還有46 次與招聘專員的初步溝通，以及 16 次拿到 offer 之后的進一步交流。此外，在正式開始求職之前，Alisa Liu 還進行了大量非正式的 networking（人脈溝通）對話，這些都沒有計入統計中。

面試節奏的把控

在面試節奏的安排上，Alisa Liu 表示，自己并沒有一套嚴格的時間表。每家公司何時啟動面試流程，往往是多個因素共同作用的結果，包括自己的準備情況、招聘方推進流程的速度、對這家公司的興趣程度，以及一些更現實的因素——比如拖延癥。

在科技行業的求職圈里，一個常見建議是：先拿幾家公司“練手”，等面試狀態逐漸進入軌道后，再安排自己最想去的公司。同時盡量將各家公司的流程錯開，讓 Offer 集中在相近時間發放，以便后續比較和談判。

對此，Alisa Liu 認為，這個思路整體沒有問題，但在實際操作中，還有一些容易被忽視的細節。

• 首先，面試經驗的積累確實能夠提升表現，但求職者的精力同樣有限。連續高強度面試往往會帶來明顯的疲勞感，因此需要避免在真正重要的面試到來之前就已經消耗掉最佳狀態。

• 其次，影響求職結果的因素并不只有個人準備程度。很多時候，公司是否還有 HC（Headcount，即招聘名額）、哪些團隊正在積極擴張、哪些崗位存在緊急招聘需求，都可能對結果產生重要影響。她建議求職者盡量通過朋友、校友或招聘專員提前了解這些信息，因為這些因素有時甚至比“準備得是否足夠充分”更關鍵。

• 此外，Alisa Liu 還提到，求職者不必過于執著于讓所有公司的 offer 在同一天到來。現實中，大多數 deadline 都有一定彈性，招聘方也知道候選人往往同時在推進多個流程，因此通常會為候選人預留一定的協調空間。

  但她也提醒，并非所有公司都如此。一些 offer 帶有明確且較短的簽約期限，如果未能在 deadline 前接受，offer 可能直接失效。這類 offer 在業內被稱為“exploding offer（爆炸式 offer）”。因此，候選人最好提前向招聘專員了解相關政策，包括通常有多少時間做決定，以及是否存在延期空間。

獲得第一輪面試機會

這句話可能有點顯而易見，但還是要說：在博士期間盡量把研究做好，多交朋友，多與人合作。

很多時候，要拿到第一個面試機會，你需要有人在公司內部幫你“背書”。當然那，你也可以在更早的時候就為自己鋪路，比如積極參加學術會議、廣泛合作、參加一些社交活動。當然，這件事并不是對所有人都自然成立（至少對我來說也不是），所以也要注意自己的精力和舒適度，不要強迫自己進入不適合的社交狀態。

Alisa Liu 表示，在求職過程中，主動聯系身邊認識的人——甚至是平時并不算熟悉的人——了解崗位和團隊情況，是一件非常正常的事情。

她發現，求職的很大一部分工作，其實是在重新建立聯系：給多年沒有交流過的朋友、校友或前同事發消息，詢問機會和建議。雖然一開始難免會覺得有些不好意思，但在行業里，這種做法普遍被接受，也是職業發展過程中十分常見的一環。而回過頭來看，這種重新連接人與人的過程，甚至成了求職經歷中意外的收獲之一。

面試類型

經歷了 57 場正式技術面試后，Alisa Liu 將自己遇到的面試大致歸納為幾類。總的來說，對于 Research Scientist 和 MTS 等崗位而言，面試對技術能力和知識廣度的考察，往往遠多于對具體研究經歷的討論。不過，研究背景依然十分重要——它往往決定了候選人能否獲得面試機會，而技術面試則決定了能否走到最后。

ML 編碼

這是最常見的一類面試。題目通常會讓你實現某種模型結構、解碼策略、傳統機器學習算法，或者一些更“開放式”的設計問題。

熟練使用 PyTorch 是基本要求。少數公司還會要求僅使用 numpy 實現部分算法，例如從零手寫反向傳播，但一般不會刻意考察復雜的 numpy 各種語法細節。

通用編碼

本質上與 LeetCode 算法題類似，只是部分公司會加入一些工程場景或變體設計。Alisa Liu 認為，這部分基礎能力值得認真準備，因為許多算法和數據結構相關知識，同樣會出現在 ML Coding 環節。

技術討論

這類面試通常不寫代碼，但技術含量很高。

有時會圍繞一個主題展開深入討論，比如如何設計實驗來回答某個研究問題，或者如何實現某個目標。面試官會不斷追問你的設計選擇，并讓你分析假設結果、進一步提出新的實驗設計。

也有另一種形式，是快速問答式的“知識覆蓋”：比如“位置編碼有哪些不同方式？”、“什么是 5D parallelism？”、“PPO 和 GRPO 有什么區別？”這類問題的目的，是判斷你是否“確實懂這個領域”。前者更偏向考察思考方式，后者更偏向知識廣度。

研究討論

這或許是許多博士生最熟悉的環節。通常情況下，面試官會從候選人過去的一項研究工作切入，圍繞研究動機、技術路線、實驗設計和關鍵結論不斷深入，也可能延伸到簡歷中的其他論文。

Alisa Liu 認為，準備這類面試時，最重要的并不是重新背誦論文內容，而是能夠跳出具體項目本身，重新思考一些更本質的問題：為什么當初會選擇這個研究方向？過程中有哪些關鍵洞察？哪些結論改變了自己的看法？未來還有哪些值得繼續探索的方向？

她還提到，自己會根據不同公司的崗位需求調整研究介紹（Research Pitch）的重點。由于面試官的時間和注意力都有限，如果能夠快速突出與崗位最相關的研究關鍵詞，對方往往更容易判斷雙方是否匹配。

行為面試

除了技術和研究能力之外，Behavioral Interview（行為面試）也是幾乎所有公司都會設置的環節。內容與傳統科技公司類似，主要圍繞團隊合作、沖突處理、項目經歷等展開，部分 AI 公司還會額外討論 AI Safety（AI 安全）或人工智能社會影響等話題。

Alisa Liu 建議提前整理一份屬于自己的“故事庫”，將博士期間的重要經歷按照不同主題分類，例如團隊協作、項目失敗、技術分歧、領導力等，并提前對應常見行為面試問題。這樣在面試過程中，可以快速找到最合適的案例進行回答。

她坦言，自己第一次行為面試就遭遇了失敗。當時她以為這類問題并不需要特別準備，結果面對一些看似簡單的問題時，卻發現很難在短時間內從記憶中提取出合適的經歷，并組織成完整清晰的表達。“最糟糕的情況，就是面試官最后告訴你：你其實并沒有回答這個問題。”

數學

有些公司會單獨設置數學面試，形式從邏輯謎題到手寫推導不等。建議重點復習概率論、線性代數和微積分。

Job talk（求職報告）

不同公司對 job talk 的形式略有差異，但整體上相比學術匯報，會更短一些，并且更聚焦在一篇核心論文或一個主要方向上。

Alisa Liu 的求職報告幾乎全部圍繞 tokenization 研究展開，重點介紹了一篇第一作者論文，其他合作論文和進行中的項目則只作簡要提及。由于這些工作都圍繞同一個研究主題展開，因此整體敘事較為連貫，也更容易向面試官展現自己長期積累形成的專業方向。

準備工作

回顧整個求職過程，Alisa Liu 認為，準備面試可能是自己投入時間后回報最高的一件事。

為了應對接連不斷的技術面試，她幾乎重新進入了“備考模式”：整理學習筆記、繪制知識框架圖、刷題、做實現練習，甚至長時間待在咖啡館里集中學習。她形容道，那段時間給人的感覺有些像回到了本科備考階段，只不過這一次準備的內容變成了機器學習、深度學習和大模型相關知識。

在她看來，技術面試本身就是一項需要專門訓練的能力。許多考察內容雖然與研究工作相關，但并不會因為擁有博士背景就自動掌握。因此，對不少研究人員而言，求職本身幾乎等同于另一份全職工作。

Alisa Liu 的準備從斯坦福課程《Language Modeling from Scratch》開始。她系統看完了課程內容，希望先搭建起完整的知識框架。相比零散地查漏補缺，這種方式能夠幫助她快速明確哪些內容需要掌握，并將原本分散的知識點重新組織成一張更完整的“知識地圖”。

在完成基礎梳理后，她開始圍繞不同主題逐個深入學習。除了閱讀博客和論文，她還頻繁利用 ChatGPT、Claude 等工具輔助理解概念，并通過大量從零實現來強化記憶和理解。

其中，Transformer 的實現與調試是她特別強調的一項內容。根據她的經驗，這類題目在面試中出現頻率極高，因此非常值得反復練習，直到形成近乎“肌肉記憶”的熟練程度。

與此同時，她也發現了一個容易被忽視的問題：AI 工具正在改變開發者的工作方式，但真實面試環境通常無法依賴這些工具。因此，她建議求職者在準備過程中定期關閉 AI 輔助，獨立完成編程練習，否則很容易高估自己的掌握程度，而低估自己對 AI 的依賴。

隨著面試數量增加，Alisa Liu 逐漸意識到，幾乎每家公司都需要進行一定程度的針對性準備。崗位描述、公司重點布局的技術方向、招聘專員透露的信息，以及企業在業內的技術標簽，都會影響面試內容的側重點。

在密集面試的那段時間，她經常在腦子里不斷“切換知識模塊”，把最可能用到的內容臨時調到前臺，確保自己能夠在面試時快速進入狀態。

她用一個形象的比喻來描述這種體驗：每一場面試，都像是一門自己從未修過的數學或計算機課程，而留給自己的準備時間，往往只有三天左右。

相比繼續熬夜突擊，她后來發現，面試前保證充足睡眠反而更加重要。

她回憶，自己第一次技術面試前幾乎通宵復習，只睡了兩個小時，把大量時間花在大模型推理的各種細節上。結果真正面試時，這些臨時記住的知識點幾乎一個都沒有派上用場，反而因為精神狀態不佳，在一個簡單的 off-by-one 錯誤上卡了十分鐘。

因此，她建議每次面試結束后及時記錄過程，包括遇到的問題、自己的回答以及遺漏的知識點。這些內容往往會成為后續復盤和學習的重要素材。

不過，對 Alisa Liu 來說，這段經歷最大的收獲并不只是拿到 Offer。

隨著知識面的不斷擴展，她發現自己作為研究者的自信心也明顯增強。在與同行交流時，她不再擔心暴露知識盲區，也更愿意參與自己過去并不熟悉的話題討論。

更重要的是，這種系統性的學習最終反過來提升了她的研究能力。過去不會關注的問題開始進入視野，不同領域的知識之間逐漸建立聯系，一些此前從未想到過的技術思路也開始浮現。

在她看來，如果能夠更早進行這樣的系統性學習，不僅會拓寬研究者能夠思考的問題空間，也可能顯著提升研究工作的效率和深度。

談判

在拿到 offer 之后，Alisa Liu 才意識到，整個求職流程并沒有結束，反而才剛剛進入下一階段。

在隨后的幾周甚至更長時間里，她需要進一步比較不同選擇，并與公司進行 offer 談判。這一過程往往伴隨著大量溝通，包括與未來團隊成員、潛在 manager 的交流，以及午餐訪談和招聘專員之間反復的郵件與電話溝通。

在這一階段，Alisa Liu 稱，自己溝通負擔一度明顯增加，郵件回復頻繁堆積，“總有事情還沒處理完”的感覺也隨之持續存在。

她坦言，談判本身是一個很難提前準備的環節。在博士訓練中，幾乎沒有任何系統性內容可以幫助應對這一過程，與技術面試不同，談判能力也很難通過刷題或短期訓練獲得提升。

從現實情況來看，候選人往往在兩個方面處于劣勢：一方面對市場信息的掌握程度通常不如招聘專員，另一方面在談判經驗和技巧上也相對不足。同時，在這一過程中，不同溝通對象的目標并不完全一致，這也增加了復雜性。

不少候選人可能會傾向于接受“已經足夠滿意”的初始 offer，而不再繼續談判。但在 Alisa Liu 看來，這種選擇雖然合理，卻并不一定符合最優結果。她指出，絕大多數初始 offer 本身都預留了談判空間，部分招聘專員甚至會明確暗示候選人“通常不會直接接受第一版報價”。

在這種情況下，即使只投入幾周時間進行溝通和調整，最終結果也可能帶來顯著差異——在某些情況下，甚至相當于數年的收入差距。

她特別強調，在這一階段依賴外部信息非常重要，包括來自朋友的經驗、行業內的“非正式規則”，以及市場薪酬數據。這些信息往往比單一公司的反饋更能幫助候選人校準預期。

在具體操作上，她通常會在每次與招聘專員溝通前提前準備兩類內容：

• 一類是信息邊界，即哪些內容可以透露、哪些需要保留；

• 另一類則是標準化表達，有時甚至會準備接近逐字稿的說法，以確保溝通清晰且不偏離目標。

同時，她也會提前預判對方可能提出的問題與論點，并準備相應回應，從而在保持自然表達的同時，堅持自己的核心訴求。

盡管這一階段消耗大量時間和精力，但她認為，如果認真對待，每一步溝通都具有實際價值。尤其是在 offer 談判中，任何隨意應對的空間都可能被結果放大。

結語

在這篇文章里，上文更多集中在求職過程中的具體環節，但對 Alisa Liu 來說，更深層的體驗其實來自整個過程中持續存在的情緒波動。

在真實的求職場景中，壓力往往不僅來自面試本身，也來自外部的社會比較：同齡人的進展、身邊人的建議，以及圍繞“應該去哪里”的各種判斷，會讓個人選擇變得更容易被外界解讀和討論。

與此同時，在信息并不完全對稱的決策環境中做選擇，本身就極其消耗精力。許多看似細微的決策——例如何時推進某一條面試線、先聯系哪一家公司——在實際結果中都可能產生被放大的影響。

她坦言，那段時間自己確實承受了較大的壓力，情緒狀態也受到一定影響，甚至在一段時間內波及到日常生活的其他方面。她也希望后來者在面對類似過程時能夠相對輕松一些，但同時也指出，這種壓力在現實中并不罕見。

隨著博士階段逐漸接近尾聲，她反而在某種程度上產生了不舍。對她而言，博士階段是一段相對特殊的時期：研究者可以圍繞問題本身展開探索，在不必立即進入職業系統評價的前提下學習、試錯，并逐步形成自己的研究方向。

因此，盡管求職經驗能夠幫助后來者更好地理解行業現實，她仍然認為博士階段本身具有不可替代的價值。在她看來，這兩者并不矛盾——一方面需要對行業變化保持清醒認知，另一方面也不應忽視這段時間所帶來的探索空間。

從她的個人經驗來看，當研究者真正能夠持續投入在感興趣的問題上，并不斷追問那些尚未解決的關鍵問題時，往往也是產出最具創造性的階段。

最后，祝福 Alisa Liu 在 OpenAI 開啟新的研究階段。

來源：https://alisawuffles.github.io/blog/job-search/

CSDN 寵粉福利炸裂組合！

送 AMD 200小時硬核算力 + 滿血版 DeepSeek-V4 Pro 300萬Token

本地重負載+云端最強推理，一步到位解鎖 AI 自由！

領取地址：https://s.csdn.cn/4nPsOp