一位华盛顿大学NLP博士的OpenAI求职复盘：57场面试之后

原文作者：Alisa Liu
原文：Notes on the Industry Job Search
链接：https://alisawuffles.github.io/blog/job-search/
本文是对原文的中文整理与转述，保留作者的核心经验、结构和原始配图，方便中文读者参考。

对很多博士生来说，找工作像一顶“分院帽”：师兄师姐突然消失几个月，然后带着已经决定好的命运重新出现。即使身边的朋友陆续毕业、入职，旁观者也很难真正知道他们经历了什么。

Alisa Liu 在 6 年 NLP 博士快结束时，开始申请 Research Scientist / Member of Technical Staff 这类工业界岗位。她来自华盛顿大学，博士期间主要做 NLP，后两年逐渐形成了一个更稳定的研究主线：tokenization。

这篇复盘最值得中文读者参考的地方在于：它不是“我很强所以我拿到了 offer”的爽文，而是把求职拆成了一个更真实的系统工程：面试安排、技术准备、networking、谈薪、情绪压力，每一块都很重。

一、时间线：11 家公司，57 场面试

作者总共面试了 11 家公司，经历了 57 场正式面试。图中灰色图标代表面试，彩色圆点代表结果。

其中：

• ghosted：招聘方没有继续告知结果或下一步。
• withdrawn：作者在拿到更感兴趣的 offer 后，礼貌地退出了部分流程。
• 图中没有画出的，还有 46 次 recruiter call、16 次 offer 后沟通，以及大量非正式 networking。

这张图的冲击感很强：所谓“拿到 OpenAI offer”，背后不是几场轻松聊天，而是一段持续数月、强度极高的筛选过程。

面试顺序怎么排？

常见建议是：先用几家公司练手，再把真正想去的公司集中安排，让 offer 尽量在同一时间出现，方便谈薪。

作者认为这个建议大体正确，但要补充三点：

1. 练手机会有用，但体力是有限的。不要把自己在最想去的公司面前耗空。
2. 外部因素很重要。公司是否有 headcount、哪些团队正在招人，有时比“我准备好了没有”更关键。
3. offer deadline 通常有弹性。招聘方知道候选人还有其他流程，但也要警惕少数“爆炸 offer”，也就是给很短时间逼你签字的 offer。

第一场面试怎么来？

作者的建议很朴素：博士期间尽量做出好工作，多交朋友，多合作。

很多时候，第一场面试不是靠冷投来的，而是需要公司内部有人愿意为你背书。会议社交、合作、networking event 都是在提前铺路。当然，这并不意味着所有人都要强迫自己变成社牛。作者也承认这件事对她并不容易，所以要照顾自己的能量和舒适区。

一个很真实的点是：找工作会迫使你重新联系很多几年没说过话的人。这并不奇怪，也并不尴尬，反而是这个过程里意外美好的一部分。

二、面试类型：研究经历帮你进门，技术能力决定结果

作者总结，工业界 AI 岗位的面试大致分为以下几类。整体来看，研究经历可能帮你拿到面试，但真正被反复考察的是技术能力和知识宽度。

1. ML Coding

这是最常见的类型。

题目可能要求你实现某个模型架构、解码策略、传统机器学习算法，甚至一些更有创造性的东西。熟练使用 PyTorch 基本是必需项。少数情况下会要求只用 numpy，比如从零写 backward pass，但通常不要求你对 numpy 语法特别熟。

重点不是“会不会调库”，而是你是否真的理解模型和训练过程。

2. General Coding

基本就是 LeetCode，但有时会带一些额外变化。

作者建议不要轻视这部分，因为算法和数据结构的基本概念也经常会出现在 ML coding 里。基础越扎实，面试时越不容易在边界条件和复杂度上翻车。

3. Technical Discussion

这类面试不写代码，但依然非常技术。

一种形式是围绕某个问题深入讨论：比如如何设计实验回答一个研究问题，如何完成一个目标，如何解释某个假设结果，并设计下一步实验。

另一种形式更像快速问答，例如：

• positional encoding 有哪些方式？
• 什么是 5D parallelism？
• PPO 和 GRPO 有什么区别？

前者考察你如何思考，后者考察你对领域知识的覆盖面。

4. Research Discussion

这是博士生相对熟悉的环节。

面试官通常会让你先讲一个过去的项目，然后围绕这个项目追问。他们也可能问你 CV 上其他论文。

准备这类讨论时，不只是复述“我做了什么”，更要想清楚：

• 为什么当时选择这个问题？
• 过程中形成了哪些 insight 和观点？
• 你认为未来哪些方向值得做？
• 这个研究如何和目标岗位相关？

作者还提到一个实用技巧：根据不同岗位调整 research pitch。面试官也会疲惫，如果你能命中他们关心的关键词，他们更容易相信你的背景和岗位相关。

5. Behavioral Interview

这类就是标准行为面试，只是偶尔会问 AI safety 或社会影响相关问题。

作者踩过一次坑：她以为自己显然是一个“行为良好”的人，所以没怎么准备，结果面对非常简单的问题时大脑空白。最后面试官直接说：“你没有回答这个问题。”

她的建议是：提前列出博士期间有代表性的故事，把它们映射到常见行为问题上。面试时你需要快速提取合适案例，而不是现场从模糊记忆里硬挖。

6. Math Interview

有些公司会有数学面试，从有趣的逻辑题到严肃的纸笔推导都有。

建议复习三块：

• 概率论
• 线性代数
• 微积分

7. Job Talk

工业界 job talk 和学术 job talk 不太一样，通常更短，也更聚焦在一篇论文或一个方向上。

作者的 job talk 主要围绕 tokenizer 展开：重点讲一篇一作工作，再简要串联几篇二作和正在进行的工作。因为这些项目之间联系很自然，所以整体叙事比较顺。

三、准备：找工作本身就是一份全职工作

作者非常直接地说：没有什么比认真准备面试更值得投入时间。

她把这个过程形容得像回到本科：

• 做笔记
• 画图
• 刷题
• 在咖啡馆坐一整天
• 反复确认自己是否真正理解 ML 基础概念

技术面试很难，而且它考察的很多技能，并不会因为你平时做研究就自然具备。对作者和她交流过的大多数人来说，找工作本身就是一份 full-time job。

推荐的准备方式

作者从 Stanford 的 Language Modeling from Scratch 课程开始，系统梳理语言模型相关知识。这个课程帮助她把很多零散概念放进一个完整框架里。

之后，她会针对一个个概念深入学习：读博客、读论文、和 ChatGPT / Claude 讨论、从零实现核心模块。

她特别强调课程里的 Homework 1：实现和调试 transformer。因为这类题在面试中出现频率很高，把它练成肌肉记忆非常划算。

还有一个重要提醒：练习 coding 时要完全关闭 AI 辅助。否则你会低估自己对 AI 的依赖，而真实面试环境不会给你这个条件。

每场面试都需要定制准备

不同公司、不同岗位的面试范围都不一样。你可以从以下信息推断重点：

• 面试说明
• 公司关注的技术方向
• recruiter 给出的 hint
• 公司面试风格的口碑

作者说，在密集面试期间，她感觉自己不断把知识装进大脑、再换出去，让最相关的知识在某场面试前保持新鲜。

她用了一个很形象的比喻：每场面试都是一门略有不同的数学课或 CS 课，你没去上过课，现在只有 3 天时间抱佛脚准备期中考试。

面试当天：睡眠比临时抱佛脚更重要

作者第一场技术面试前只睡了 2 小时，因为她熬夜塞了很多 LLM inference 的细节。结果这些临时知识一个都没考到，反而因为大脑转不动，在一个 off-by-one bug 上卡了 10 分钟。

所以她的建议很简单：面试前一晚睡够。

面试后，也要立刻记录笔记。后续复盘和准备都会用到。

准备面试的副作用：你会真的变强

作者认为，准备面试给她带来了非常大的副收益。

知识面变宽之后，她作为研究者的自信也提高了。以前她可能担心对话中暴露知识盲区，现在更能接受自己不知道，也更愿意继续讨论。

她甚至觉得，如果自己在博士早期就做过这类系统学习，可能会更早拓宽能思考的问题空间，也会主动寻求更多技术讨论。

更意外的是，这些学习直接提升了她当前项目的效率。她能想到以前想不到的技术方案，也能做更多真正技术性的工作。

四、谈薪：拿到 offer 以后，工作还远没结束

作者原本以为拿到 offer 就差不多结束了，但实际并不是。

offer 之后还有一段可能很长的阶段：了解不同选择、和未来同事或 manager 聊天、参加 lunch visit、和 recruiter 多轮沟通、处理大量邮件。

她最核心的观点是：谈判很难，但不谈判是在亏待自己。

博士训练并不会教你谈判。和 recruiter 相比，候选人在市场信息和谈判技巧上都处于劣势。你可能觉得：“我已经很满意了，钱不是最重要的。”这当然说明你知道自己的价值观，但初始 offer 本来就通常预留了谈判空间。

有 recruiter 甚至会直接说：“我不期待你接受我们的 first offer。”

作者说，在这个阶段投入几周精力，字面意义上可能等价于初始 offer 下几年的工作收益。

具体怎么做？

她强烈建议依靠朋友：

• 学习如何和 recruiter 互动
• 获取更多薪资和 offer 数据点
• 校准自己的 ask 是否合理
• 演练关键通话

每次 recruiter call 前，她都会写下：

• 哪些信息愿意透露
• 哪些信息不愿意透露
• 哪些句子可以逐字说出来
• 对方可能问什么
• 对方可能如何施压
• 自己如何既舒服又坚定地回应

这很耗时间，但值得。

五、情绪管理：没有人真的轻松

这篇文章最打动人的部分，不是技术准备，而是作者对求职情绪的诚实描述。

她说，文章前面写了很多具体事项，但真实经历中很大一部分是在管理情绪。

求职会带来很多社会比较：

• 你会忍不住和同辈比较。
• 每个人都对你该去哪有意见。
• 别人会异常关心你的人生进展。
• 你要在信息不完整的情况下做巨大决策。
• 一些看似很小、没有标准答案的选择，比如什么时候联系谁，可能产生很大影响。

她坦言，自己有好几个月都处在压力很大、很痛苦、生活其他部分无法正常运转的状态。

所以，如果你也处在类似阶段，并没有感到快乐，至少要知道：你不是一个人。

六、最后：珍惜博士阶段，也认真准备下一步

作者最后写到，她已经朝博士结束一路狂奔了好几个月，真正走到结尾时，却非常难过要离开这一章人生。

博士阶段很特殊：你的工作就是产生好想法、执行它们、学习并成长为研究者，而不用立刻担心“现实工作”。

她希望这篇文章能帮助后来者提前做好心理准备，但也希望大家不要因为工业界求职压力，而忘记珍惜博士阶段本身。

这两件事也许并不冲突。作者发现，自己做得最好的工作，往往来自真正觉得有趣、并追逐那些脑子里挥之不去的问题。

附：原文提到的学习资源

• LeetCode 75 / Neetcode Blind 75
• Stanford CS336: Language Modeling from Scratch
• Self-Attention & Transformers
• The Illustrated GPT-2
• Backpropagation
• Introduction to Policy Gradient for LMs
• Lightweight Guide to understanding GRPO and RL principles
• How to Scale Your Model

给中文读者的几个 takeaway

如果只提炼成几句话，我会这么总结：

1. 研究经历是入场券，技术能力是主战场。尤其是 ML coding、PyTorch、transformer 从零实现。
2. 求职不是投简历，而是项目管理。时间线、体力、公司节奏、headcount、offer deadline 都要管理。
3. Networking 不是功利社交，而是长期信用的显性化。平时合作和朋友关系，会在关键时刻帮你打开门。
4. Behavioral 和谈薪都需要准备。不要以为“我人不错”“我不看钱”就可以跳过。
5. 找工作很消耗人。如果你焦虑、比较、失眠、效率下降，这并不说明你不够强，只说明这个过程本来就难。

这篇面经最有价值的地方，是把顶级 AI 公司求职从一个神秘结果，还原成了一个可以拆解、可以准备、但依然非常考验人的过程。