从57场面试到OpenAI offer:一位NLP博士的顶级AI公司求职复盘火了

机器之心编辑部

今天，华盛顿大学即将毕业的博士生 Alisa Liu 要加入 OpenAI 的消息上了 X 热搜。

主贴浏览量已突破百万，她表示这次找工作的过程比想象中更有挑战，但也收获满满。

所以她写了一篇小博客，分享一路走来学到的经验，也希望能让下一个经历这个过程的人少一点困惑。

如果你正在读博，或者即将走上求职这条路，这篇文章值得认真看完。Alisa Liu 研究旨在为语言模型构建更好的算法，包括 tokenization、数据创建和推理时适应等方向。毕业后，她拿到多家顶尖 AI 公司的 Research Scientist /MTS offer。

因此，她把整个求职过程写成了一篇复盘，毫无保留 —— 包括那些让她崩溃的时刻。博客开头，她写到在读博的大部分时间里，求职在她脑子里就像霍格沃茨的分院帽：高年级的师兄师姐消失几个月，再出现时，命运已经决定。她知道他们去了哪里，却对中间发生了什么几乎一无所知。

直到轮到她自己，才发现这个过程远比想象中残酷，而且她一直在「一边学规则，一边打牌」。这篇文章，是她写给还没开始的人的。

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

6 年NLP 博士，她申请的是 Research Scientist 和 Member of Technical Staff 岗位。整个求职期间，参与了11 家公司的面试流程，完成了57 场正式面试，接了 46 个招募电话，在拿到 offer 之后又进行了16 次深度沟通，另外还有数不清的非正式 networking 对话。有几家公司给了她心仪的 offer，她主动撤回了其他流程；也有几家公司，招募方再也没有回音。

要不要「练手」，是一个复杂的问题

关于面试顺序，流传最广的建议是：先用几家不那么在意的公司练手，然后把真正想去的公司集中推进，争取 offer 同时到手，方便后期谈薪。

这个逻辑大体没错，但她在实际操作中发现，事情比这复杂。

首先，精力是有限的。练手有用，但如果把前面几家当炮灰，打到精疲力竭，等轮到真正想去的地方时，状态已经垮了。

其次，面试的时间节点并不完全由你掌控。某家公司有没有招聘名额、哪个团队正在积极招人，这些外部因素的影响往往比你的「准备程度」更大，可以通过内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弹性，招募方知道你在同时推进多个流程，一般会配合。但她也提醒：确实存在给出极短签约窗口的「爆炸式 offer」，务必提前打听清楚游戏规则。

七种面试，考的完全不是同一件事

她把自己经历过的所有面试归纳为七种类型，并特别强调：整体来看，技术能力的考察远重于研究经历本身。当然，研究经历可能是让你拿到面试机会的原因。

频率最高的，是 ML 代码题。题目可能是实现某个经典架构，比如 Transformer；可能是实现一种解码策略，比如 beam search；也可能是传统 ML 算法，或者一些非常有创意的变体。PyTorch 是必须熟练掌握的工具。她偶尔也遇到只允许用 numpy 的情况，比如从零手写反向传播，但面试官不会要求她提前熟悉所有 numpy 语法。

然后是通用算法题，也就是 LeetCode 风格，有时加一些背景包装。她表示这部分的底层逻辑和 ML 代码题高度重叠，打好基础会让两类题目都受益。

技术讨论是不写代码但很烧脑的一类。有时候整场面试围绕一个问题展开：给你一个研究目标，你来设计实验，面试官追问你的设计决策，给你假设性的结果，让你分析并设计下一步 —— 考察的是你的思维方式。另一种形态则是快速连续抛出大量问题，比如「位置编码有哪些不同的实现方式」、「什么是 5D 并行」、「PPO 和 GRPO 有什么区别」，在短时间内摸清你的知识广度。

研究经历讨论是最接近 PhD 日常训练的一类，通常从「介绍一个你做过的项目」开始，然后顺着这个话题深入展开，面试官也可能就简历上的其他论文提问。她在准备这类面试时，会刻意从更高处俯视自己的研究 —— 为什么选这个课题、做的过程中积累了哪些独到的判断、未来最有价值的方向在哪里。她还会根据不同公司的方向调整自己的研究介绍角度，原话是：面试官都很疲惫，让他们快速感受到「你的背景和我们的需求高度匹配」，比什么都重要。

行为面试是她唯一有过惨败记录的类型。她说自己第一次行为面试完全没当回事，觉得自己「显然行为端正」，结果被问到最基础的问题时，脑子里一片空白，只能当场现场拼凑模糊的记忆。面试结束时，面试官说了一句让她如坐针毡的话：「你没有回答我的问题。」她在文章里说，那种痛苦是独特的 —— 你同时在搜索记忆、整理思路、开口表达，三件事都没做好。正确的方法是提前把 PhD 期间所有值得讲的故事都整理出来，按照常见行为题的框架做好映射，等到被问的时候，直接提取。

数学面试在部分公司存在，难度从趣味逻辑题到需要纸笔推导的严肃计算题都有。她建议复习概率论、线性代数和微积分。

最后是 Job Talk， 相比学术界的版本更短、更聚焦。她的 job talk 以 tokenization 为核心，主要深讲了一篇第一作者论文，辅以几篇二作和进行中的工作，内容恰好能串联成一条完整的叙事线。

准备这件事，没有捷径

她表示，没有任何事情比认真备考更值得投入时间。她把这段经历比作回到本科：做笔记、画图、刷题、整天泡在咖啡馆里从头推导 ML 基础。她专门做了一份 LLM 笔记，在整个求职期间持续更新；还做了一份数学笔记，是为某一场特定的面试临时抱佛脚赶出来的。

备考路径大致是这样的：先从头看完斯坦福《Language Modeling from Scratch》全部课程，用来把脑子里零散的知识点整合成一张完整的地图。打好基础之后，再逐个深挖具体概念，通过读 blog 和论文、和 AI 大量对话、自己从零手写实现来真正吃透。

她特别强调了 Transformer 的实现，「能从头实现和调试一个 Transformer，在面试中出现的频率高到值得练成肌肉记忆，这里绝对不能丢分」。

她还提醒：练习时必须完全关掉 AI 辅助工具，模拟真实的面试环境。你会严重低估自己对 AI 的依赖程度，直到被迫独立解题才会发现。

针对每场具体面试，她也会单独准备，「就像一门你从没上过课的数学或 CS 课，现在距期中考试只剩大约三天，你需要临时抱佛脚。」她会从面试描述、公司的技术方向、招募方的暗示和公司的口碑里综合判断这场面试的考察范围，然后集中突击最相关的内容。

关于考前状态，她有一个代价惨重的教训：第一场技术面试前只睡了两小时，把一整夜花在复习 LLM Inference 的细节上，结果这些知识一点没考到，反倒因为困倦在一道简单的 off-by-one error 上卡了整整十分钟，因为「脑子根本转不动」。结论是：充足的睡眠，比任何最后一刻的临时复习都重要。

她还提到了一个自己没想到的收获：大量备考显著提升自信心，不再担心知识盲区被暴露，在学术对话里也不再需要藏着掖着。她甚至说，如果在 PhD 阶段早点做这些准备，能涉足的问题空间会更宽，想到的想法会更多，主动找人聊的对话也会更多。

拿到 offer，只是开始

很多人以为拿到 offer 就结束了。她说，恰恰相反。

接下来是一段可能相当漫长的时间，你要继续和未来的队友、manager 深聊，去公司吃饭，接招募方的电话，处理铺天盖地的邮件 —— 她承认自己在这个阶段有一些邮件一直没来得及回。

谈薪是这个阶段最核心的事，也是她觉得最难的事，「我们 PhD 根本没有准备过这个，而且这件事不像面试，没办法靠刷题征服它。招募方在市场信息和谈判技巧上都比你有优势，而且每个人想要的东西都不一样。」

但不谈是不对的。初始 offer 本来就预留了谈判空间，不止一位招募方直接告诉她：「我不期望你接受我们的第一个 offer。」在这几周认真投入，实际上可能抵得上按初始 offer 工作好几年的收入差距。

她的具体做法是：在每一次招募电话前，写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诵的措辞。预判对方可能提出的问题和论点，提前构思应对方案，让自己能在舒适的状态下坚守立场。这个过程很耗时，但每一个细节都值得认真对待。

那些没人说的部分

她在文章快结尾的地方写了这样一段话，有必要完整传达给所有人，「求职期间，她一直在管理大量情绪。和同伴比较是一件很难受的事，而且几乎不可避免。周围的人会突然对你的选择异常在意，充满各种建议和期待，这种社交压力本身就很耗神。更难受的是，你要在信息严重不完整的情况下做出影响深远的重大决定，而很多看似微小的选择 —— 比如先联系谁 —— 都没有标准答案，却可能产生不成比例的影响。」

那几个月她一直处于崩溃边缘，其他方面的生活基本停摆。「希望你比我找到更多乐趣。如果没有，至少知道你不是一个人。」

最后想说的

在文章的收尾，她说了一些关于 PhD 本身的话，可能是这篇文章里最好的部分。

一路狂奔着走向博士结束，走到了终点，她反而有一种巨大的失落感。博士是一段特殊的时光，你唯一的职责是产生好想法、执行它们、学习和成长，不需要立刻为谋生发愁。

她希望这篇文章能让你在面对未来时少一点迷茫，同时也提醒你，不必因为焦虑而过早透支当下。一路走来，她越来越清楚地意识到，自己做得最好的那些工作往往都发生在真正享受研究、并被某个问题反复牵引的时候。对未来保持准备，和对当下保持热爱，这两件事其实可以同时成立。