AI 相关岗位种类较多，不同岗位的面试侧重点差别很大。先弄清楚岗位类型，再有针对性地准备，效率会高很多。

【一、常见岗位类型】
- 研究型（Research Scientist / Engineer）：重视论文、算法创新和实验设计能力。
- 应用算法 / 机器学习工程师（Applied ML）：重视把模型用到业务中解决问题的能力。
- MLOps / 推理与平台工程师：重视训练与推理基础设施、部署、性能优化、稳定性。
- LLM 应用工程师：重视提示词、RAG、Agent、评测与产品落地能力。
- AI 产品经理：重视需求理解、技术边界判断与指标设计。

【二、常见考察方向】
1. 编程：数据结构与算法题，以及用 Python 实现简单的机器学习组件（例如手写注意力计算、实现一个简单的训练循环）。
2. 机器学习基础：偏差与方差、过拟合处理、评估指标选择、类别不平衡、特征工程。
3. 深度学习与大模型：Transformer 结构、注意力复杂度、KV Cache、常见微调方法、对齐方法的基本思想、解码策略（贪心、采样、temperature、top-p）。
4. 系统设计：例如“设计一个企业知识库问答系统”，需要讲清架构、数据流、评测方法、成本与延迟、风险控制。
5. 项目深挖：面试官会追问你项目中的每个决策，为什么这么做，有没有其他方案，如何验证效果。

【三、准备方法】
- 针对简历上每个项目，准备“背景-挑战-方案-结果-反思”的讲述结构，并确保细节经得起追问。
- 系统设计题多练习，从需求澄清开始，不要一上来就讲技术栈。
- 关注所申请团队公开的技术博客或开源项目，了解他们的技术方向。
- 模拟面试：找同伴互相提问，或录音复盘自己的表达。

【四、心态与诚信】
不会的问题可以坦诚说明，并讲出你的思考过程；不要夸大经历。面试也是你了解团队的机会，可以准备一些关于团队工作方式、技术挑战的问题。

本帖为同行经验交流，不构成职业咨询或法律建议。

讨论：
1. 你在面试中遇到过哪些印象深刻的问题？
2. 对于转岗到 LLM 应用方向，你有哪些准备建议？