1. 岗位画像与面试前的准备逻辑1.1 这个AI岗到底在招什么样的人先说结论华为技术岗面试无论标题写成“AI岗”“算法岗”还是“AI工程师岗”底层逻辑都绕不开三件事——基础功底、工程落地能力、以及思维深度。我见过太多候选人把精力全押在刷LeetCode和背八股上结果挂在了一个非常基础的细节上比如问“你在实际项目里怎么处理数据不平衡”答不上来再比如问“大模型推理时显存不够怎么办”只能说出“减小batch size”这一种解法。按照我对华为招聘节奏的观察5月中旬这个时间点通常是春季补招和暑期实习面试的叠加期。这个阶段面试的考察点会更聚焦实习岗看重潜力和学习速度校招岗看重基础和项目完整度社招岗则直接对标业务痛点。标题里的“AI岗”没有细分方向但结合热词里大量出现的“大模型”“Agent”“AIGC”“模型部署”基本可以判断这一轮面试的考察重心会落在大模型应用与工程化落地上而不是纯粹的学术研究。换句话说面试官想知道的是把你丢进一个真实业务场景里你能不能独自从数据准备、模型选型、训练调优、部署上线跑到效果迭代。这恰恰是绝大多数培训机构出来的人最欠缺的部分。1.2 从热词反推面试考察维度我习惯在做面试准备时把目标岗位相关的技术热词做个映射。这次标题对应的热词里“AI Agent开发”“AI编程”“AI模型部署”“AI应用开发学习路线”频繁出现这其实透露出一个信号华为AI岗的面试题不会只停留在“Transformer结构讲一下”这种层面而会更偏向场景化追问。比如面试官可能会问“如果让你用大模型做一个企业内部知识库问答系统你会怎么设计整体架构”“Agent调用外部工具时怎么保证结果的准确性”“你们项目里的模型推理延迟是多少怎么优化的”这些问题背后考察的分别是RAG架构设计能力、Agent工程化思维、以及性能调优经验。所以备战这个岗位光会训练模型是不够的还得把工程链路跑通。我个人的建议是在面试前一周把以下四块内容系统过一遍大模型基础原理、微调与提示词工程、RAG与Agent架构、推理优化与部署。每一块都要能讲出一个自己实际做过的或者完整设计过的案例哪怕是一个课程项目只要你能把技术选型的理由、踩过的坑、最终的收益数据讲清楚就比背一百道面试题有用得多。2. 面试流程全景拆解与应对策略2.1 华为技术面试的标准流程与时间线华为的面试流程相对固定一般包含机试部分岗位、技术一面、技术二面、主管面、HR面。AI岗有些部门还会加一轮笔试内容以算法题和机器学习基础题为主。5月13号这个时间点大概率是已经过了简历筛选进入了集中面试阶段。先说机试。华为的机试平台是牛客网题目类型以LeetCode medium为主偶尔会出现hard级别的思维题。AI岗的机试有个特点有时候会加入数学题和概率题比如贝叶斯公式推导、期望计算之类。不要觉得这跟AI没关系这些恰恰是模型推导的基础。我建议准备机试时重点刷动态规划、二叉树、字符串处理、以及二分查找这几类题同时把概率论的核心公式过一遍。技术一面通常是未来的直属同事或技术骨干面考察重点在基础知识和项目经历。这一面最常出现的问题包括手撕Transformer结构、解释反向传播过程、讲清楚BN和LN的区别、说明你项目中某个模型效果不好的排查思路。一面面试官会比较关注你是不是真的理解了自己项目里的每个细节所以简历上写的东西每一行都得能展开讲。技术二面一般是部门主管或技术专家面考察重点从“你会不会”转向“你能不能在实际业务里用起来”。这一面我遇到的典型问题是“如果数据只有一千条你要做一个分类模型怎么做”以及“你怎么评估一个对话系统的效果”。这类问题没有标准答案面试官想看的是你的分析框架和决策逻辑。2.2 主管面与HR面的隐藏考察点主管面和HR面看起来不考技术实际上挂人率一点不低。主管面主要考察三件事学习能力、团队协作意识、以及抗压能力。面试官会问一些看似与工作无关的问题比如“你最近在学什么新技术”“你遇到最难的bug是什么怎么解决的”“你如何看待加班”。这里有个容易踩的坑就是过度强调个人贡献。在华为这种强调集体协作的环境里回答问题最好用“我们团队”“我牵头推动了”“我和同事协作完成了”这样的句式。同时要表现出你愿意深入钻研的态度比如可以说“这个问题我当时没遇到过但通过查文档、看源码、请教同事最终定位到了根因”。HR面则更关注稳定性、求职动机、薪资期望。这一面比较常规但有一个点需要注意不要贬低前东家或吐槽导师。HR会通过你的表达方式判断你的职业素养哪怕你对上一段经历有再多不满也尽量用中性、客观的语言描述多谈自己的收获和成长。提示华为面试流程整体节奏较快一面和二面往往安排在同一天或隔天中间只有很短的休息时间。建议提前准备好项目讲解的逐字稿并且把一些常见问题的答案整理成有逻辑的框架而不是临时组织语言。3. 核心技术考点深度解析3.1 大模型基础从原理到公式推导大模型相关的问题几乎是AI岗面试的必考项。面试官不会只让你背一下Transformer的架构而会通过追问来检验你是不是真的理解。第一层问题通常是“Transformer里为什么用多头注意力头数怎么选”这需要你讲清楚多头注意力的本质是可以并行地在不同表示子空间里学习相关信息然后拼接起来。头数太小表达能力不足头数太大计算开销上去了而且有的头会学到冗余信息一般设8到16比较常见。第二层追问通常是“多头注意力的计算复杂度是多少怎么优化”标准答案是O(n²d)优化方法包括稀疏注意力、Linformer、FlashAttention等。如果面试官问到FlashAttention建议把它的核心思路说清楚通过分块计算、online softmax、以及kernel融合减少HBM访问次数从而提升推理速度和降低显存占用。这个点能讲透面试官对你的评价会明显不一样。还有一个高频问题预训练和微调的区别LoRA为什么有效。回答逻辑是预训练是通过海量无监督数据学习通用语言表征微调是在特定任务上做适配。LoRA之所以有效是因为它把权重更新量分解成两个低秩矩阵的乘积在保持效果的前提下大幅减少可训练参数量。如果你能补充一句“LoRA的秩r一般设为8到64之间r越大表达能力越强但也更容易过拟合”会显得更有实操经验。3.2 大模型应用RAG与Agent开发从热词里“RAG”“AI Agent开发”出现的频率来看华为AI岗面试对应用的考察会非常具体。RAG几乎是必问方向因为它的业务价值非常直接在不重新训练模型的前提下把最新的、私域的知识注入到大模型里。RAG的面试问题通常会这样展开第一问“RAG的整体流程是什么”标准回答包括五个环节文档加载与解析、文本切分、向量化、检索召回、结合Prompt生成答案。第二问“文本切分的chunk size怎么设置”这个问题没有固定答案但需要你有自己的判断依据。chunk太小会导致上下文信息不完整太大则可能引入无关信息还浪费token。我一般建议从256到512个字符开始尝试再根据检索效果和问答准确率做调优。如果面试官追问“切分时要不要考虑句子边界”说明他希望你关注细节能答出“用递归切分或按段落边界切分避免把一句话拦腰截断”会比较加分。第三问“向量检索用哪种方式为什么选它而不选关键词检索”这需要你讲清楚稠密检索和稀疏检索各自的优劣。稠密检索对语义理解好但对专有名词和精确匹配不友好稀疏检索精于精确匹配但无法理解语义。实际业务中高频做法是混合检索——同时用BM25和向量检索再用RRF做结果融合。Agent部分华为的面试风格比较喜欢考察工程实现。常见问题是“你如何设计一个Agent让它能调用外部工具”背后的核心考察点是工具调用的格式约定和结果反馈机制。一种成熟的做法是让模型通过Function Calling输出结构化的JSON包含工具名和参数系统解析后调用对应函数再把结果塞回上下文让模型生成最终回复。这里值得展开的细节是如果工具调用失败怎么处理、如何限制Agent的循环次数避免死循环。3.3 模型部署与推理优化AI岗的隐形门槛很多候选人在准备AI岗面试时把重心放在模型训练和算法原理上忽视了模型部署。但从华为的业务属性来看部署和推理优化恰恰是区分普通候选人和优秀候选人的关键。常见面试题是“有一个7B模型要在生产环境提供在线服务怎么部署”我给出一套比较完整的参考思路第一步用vLLM或TensorRT-LLM做推理加速核心点是PagedAttention显存管理和Continuous Batching提升吞吐。第二步做量化。如果GPU显存紧张至少做INT8或FP16量化追求极致性能可以考虑INT4的GPTQ或AWQ。第三步加缓存。对用户查询做语义级别的Cache重复或相似问题直接返回缓存结果能显著降低平均延迟。第四步做负载均衡和弹性伸缩。用Kubernetes部署多个副本根据QPS自动扩缩容。如果面试官进一步追问“为什么量化后模型效果会变差”你需要能回答出量化误差的来源——权重和激活值从高精度映射到低精度时的信息损失。解决办法包括使用校准数据集做量化校准、对敏感层保持高精度、使用混合精度量化等。注意这一块如果有真实的部署经验哪怕只是把一个小模型成功用vLLM部署过讲出来会非常有说服力。面试官往往不在意你的项目规模有多大而在意你在这个过程中有没有踩坑、有没有解决问题。3.4 AI编程工具与Agent开发的新趋势热词里频繁出现的“AI编程”“Cursor AI编程”“AI Agent开发”反映出这一轮AI岗面试和往年有个显著差异面试官开始关注你是否会用AI工具提升研发效率甚至会把AI编程能力当作一个考核点。我建议在面试中主动展示这方面的能力。比如介绍项目时可以提一句“我在开发过程中用AI编程工具辅助我写单元测试和接口文档大约提升了30%的开发效率。”这种表述既能展示你对新技术的敏感度又能体现工程化思维。更深一层如果你了解过AutoGPT、MetaGPT这类多Agent框架面试时也可以展开聊一聊它们的设计思路。比如多Agent协作的核心是角色分工与消息传递机制一个复杂的任务被分解成产品设计、架构设计、编码实现、代码审查等多个环节每个环节由一个专门的Agent负责通过共享消息池或消息队列进行异步通信。这种架构设计思想在大型工程项目中同样适用。4. 实操过程还原一个可复现的AI项目备战示例4.1 项目选题与数据准备面试中能够打动面试官的绝对不是“我复现了某个开源项目”而是“我解决了一个具体问题”。结合华为的业务方向我建议准备一个企业知识库问答系统或者领域Agent这种项目既贴近业务又能把RAG、向量数据库、大模型、部署全链条都跑通。以企业知识库问答系统为例数据准备阶段最常见的坑是文档格式混乱解析效果差。PDF里可能是扫描件Word里可能是图片表格混排还有大量HTML页面。我建议按照“先转文本、再清洗、最后结构化”的顺序来处理PDF优先用PyMuPDF提取文本扫描件用OCR识别后做人工抽检。针对表格数据单独走结构化解析流程转成JSON或Markdown表格格式。对提取的文本做基础清洗去重、去广告、统一编码、处理特殊字符。清洗后的数据一般在万条级别以下切分后得到的chunk数量也就在几万到几十万这个量级用开源的向量数据库比如Chroma、Milvus、Qdrant完全够用。4.2 系统架构搭建与核心代码实现整个系统的架构分为五个模块文档加载模块、文本切分模块、向量化与检索模块、Prompt编排模块、以及生成模块。我画了个简单的模块分工实际代码实现时也按这个边界来拆分方便单独测试和替换。文档加载部分统一封装一个DocumentLoader接口class DocumentLoader: def load(self, path: str) - List[Document]: raise NotImplementedError class PDFLoader(DocumentLoader): def load(self, path: str) - List[Document]: import fitz doc fitz.open(path) pages [] for page in doc: text page.get_text() if not text.strip(): # OCR兜底处理 pix page.get_pixmap(dpi200) text ocr_engine.recognize(pix) pages.append(Document(texttext, metadata{source: path, page: page.number})) return pages文本切分环节直接用LangChain的RecursiveCharacterTextSplitter但对chunk_size和chunk_overlap做了调优from langchain.text_splitter import RecursiveCharacterTextSplitter text_splitter RecursiveCharacterTextSplitter( chunk_size512, chunk_overlap64, separators[\n\n, \n, 。, , , ., !, ?, , ;, , ,, , ] )这里为什么要保留重叠区域因为如果切分时把一个完整的语义单元比如一段结论拆到两个chunk里检索时可能就找不全。重叠设置得太大会浪费token64这个值是在效果和成本之间折中之后的选择。向量化我用的是开源的bge-m3模型中文场景效果比同尺寸的通用Embedding模型更好。检索时做了混合检索向量检索用faiss或milvus关键词检索用BM25最后用RRF做融合。这部分代码核心就是两个检索器结果的排序融合def rrf_fusion(results_list: List[List[Document]], k: int 60) - List[Document]: scores defaultdict(float) for results in results_list: for rank, doc in enumerate(results): doc_id doc.metadata[id] scores[doc_id] 1.0 / (k rank 1) sorted_docs sorted(scores.items(), keylambda x: x[1], reverseTrue) return [id_to_doc[doc_id] for doc_id, _ in sorted_docs]Prompt编排是整个系统效果好坏的关键变量。我最初用的Prompt非常简陋就是“根据以下资料回答问题”结果模型经常答非所问或者编造出知识库里没有的内容。后来迭代了几个版本核心是加了两个约束一是明确告知模型只使用提供的资料作答二是要求模型在无法回答时明确说不知道。改进后的Prompt效果提升非常明显幻觉率大约降了一半多。4.3 效果评估与性能优化实录系统跑通之后我做了三轮优化第一轮是检索效果优化。发现部分问题检索到的chunk相关性不高导致回答质量差。我加了查询改写环节——在检索前先让大模型对用户问题做一次改写补充关键词和同义表达检索准确率提升明显。第二轮是推理延迟优化。最初直接用HuggingFace Transformers的pipeline做推理单次请求延迟高达3到5秒完全无法满足在线服务的要求。后来换成vLLM部署并把模型的max_length从2048降到1024延迟降到了1秒以内。第三轮是并发优化。单实例部署时并发稍高就出现排队。我加了一个简单的缓存层对语义相同的问题直接返回缓存答案同时部署了三个实例做负载均衡整体吞吐提升了三倍左右。提示面试时讲优化过程不要只讲“我优化了”“我提升了多少”一定把“优化的原因→采取的具体措施→量化结果”讲清楚。这种叙事逻辑比任何空泛的“项目经历”都有说服力。5. 面试中高频追问与避坑指南5.1 高频追问Top10及参考思路华为AI岗面试追问密度很高一个项目被连续追问十几次很正常。我整理了一批高频追问每个都给出参考思路“你用的Embedding模型为什么选这个”参考思路对比过OpenAI的text-embedding-3-small和bge-m3openai的效果略好但数据要出域出于数据安全考虑选择本地部署的bge-m3。“你的向量库用的什么为什么不用ES”参考思路数据量在百万级以内用专用向量库实现更简单、性能足够且Milvus自带分片和索引扩展比ES友好。“你的Prompt怎么设计的改过几版”参考思路强调迭代过程描述最初效果差、分析原因、加了角色限定和约束条件后效果提升的完整链路。“检索结果不准怎么办”参考思路从切分粒度、Embedding选型、混合检索、查询改写、重排序五个维度逐一排查说明你排查过且知道优先级。“模型出现幻觉你怎么检测和处理”参考思路可以做答案与检索chunk的语义相似度校验相似的才返回不相似的拒答或降级处理。“项目上线后效果变差了怎么办”参考思路先确认数据源是否变化再做回归测试针对性更新知识库同时做模型版本灰度。“你的系统有多少人用QPS多少”参考思路如实回答不要虚报。如果量很小强调并发架构设计的合理性说明你能支撑更大规模。“为什么不用微调而是用RAG”参考思路知识更新频率高、垂直领域数据少、微调成本高且有灾难性遗忘风险。RAG灵活可控、可解释性好适合知识问答场景。“大模型评估指标有哪些”参考思路区分生成质量和任务效果。生成质量看BLEU、ROUGE但更建议用GPT-4做裁判或人工评估任务效果关注准确率、召回率、F1以及端到端的答案可接受率。“你关注过哪些最新的AI进展”参考思路不要只报名字选择一个方向讲清楚核心思想和你能看到的落地场景比如讲多模态大模型的统一表征、端侧大模型的量化压缩等。5.2 面试中的“送命题”与应对策略有几类问题堪称“送命题”答不好直接拉低整体评价第一类是“你最大的缺点是什么”。很多候选人要么说“我太追求完美”要么真的暴露自己的致命弱点。恰当的做法是讲一个真实但可以通过方法弥补的短板并且带上改进措施。比如“我在公开演讲方面经验不足之前做技术分享时总是不太自然后来我提前写逐字稿并且反复排练现在已经有明显改善”。第二类是“你对加班怎么看”。不要表现得过于抗拒也不要无原则地全盘接受。比较稳妥的回答是“在项目紧急的时期我非常愿意配合团队加班保证项目进度。同时我也会通过优化工作方式尽量减少不必要的加班。”第三类是“你有什么想问我们的”。很多候选人直接说没有这其实浪费了一个展示自己的机会。建议问一个和技术方向或团队发展相关的问题比如“这个团队目前在AI方向上的技术栈主要是什么”“如果有幸加入第一季度的核心目标是什么”。这既体现你的主动性和对岗位的认真态度也能帮你判断这个团队是否适合自己。5.3 那些“面挂”后才知道的避坑经验根据我身边朋友和社区里大家的反馈华为AI岗的挂人点往往不在算法题而在细节简历和面试表述不一致。简历上写“精通PyTorch”被问到PyTorch的DataLoader源码机制时答不上来这比不写还糟糕。简历上每个技能点都要准备到能应付至少三层追问的深度。项目过程讲不透。很多候选人的项目描述停留在“用了什么”“结果如何”但面试官更关心“为什么这么做”和“遇到问题时怎么排查”。项目里的任何一个技术选择都要能说出理由。代码基本功不扎实。AI岗也要写代码尤其是Python的列表推导、装饰器、生成器、上下文管理器这些语法以及基础的数据结构和算法都是高频考点。不要因为准备模型原理把基本功丢在一边。对业务场景理解不足。华为很多AI岗是直接服务内部业务线的面试官会关心你是否理解业务场景。回答技术问题时如果能主动关联到业务价值比如“这样优化的结果是响应时间从2秒降到0.8秒用户体验会明显提升”整体印象分会高不少。6. 备考时间线13号之前的每日安排6.1 倒计时一周的复习计划假设你还有一周时间我给一套高性价比的备考安排按天拆解第1到第2天主攻大模型基础原理。把Transformer、BERT、GPT系列的论文核心内容过一遍掌握多头注意力、位置编码、LayerNorm的公式推导。同时把反向传播、优化器、正则化这些机器学习基础复习到位。建议每天动手推导一遍关键公式眼过千遍不如手过一遍。第3天集中整理项目经历。拿出你最有代表性的一个项目按照“背景→目标→方案→实施→结果→复盘”六段式写一份完整的讲解稿。特别注意把项目的量化指标写清楚比如“检索准确率从72%提升到85%”“推理延迟从3秒降到0.6秒”。第4天系统性过一遍RAG和Agent相关的内容。看主流的LangChain、LlamaIndex框架实现理解检索、重排、Prompt编排的核心逻辑。如果时间有限直接精读两篇技术博客把架构图和数据流画出来。第5天刷算法题。华为机试或在线编程考核通常有一定难度建议刷动态规划、树、图、字符串相关题目。每天保持3到5道题的训练量重点复盘每一题的思路和边界条件。第6天模拟面试。找一个朋友或同事帮你做一次全真模拟重点练表达逻辑和反应速度。模拟时最好录音回放你会发现很多自己没注意到的问题比如口头禅、逻辑跳跃、时间控制不好。第7天轻量复盘和调整状态。这时候不要再接触新知识了把之前的笔记、复习资料、项目讲解稿通读一遍早点休息保证面试当天精力充沛。6.2 最后一个晚上的快速过知识点清单最后一个晚上我不建议再啃大部头把以下这份精简知识点清单过一遍就够了Transformer结构图哪一层是残差连接、哪一层是LayerNorm。Multi-Head Attention的计算流程和复杂度FlashAttention的核心改进点。LoRA的核心原理和参数设置微调和预训练的区别。BN和LN的区别为什么Transformer用LN。反向传播中梯度消失的原因和常见缓解手段。RAG的完整链路chunk切分的经验值。Agent工具调用的流程与异常处理。vLLM和TensorRT-LLM的核心优化思路量化对效果的影响方式。几个经典的Prompt工程技巧Few-shot、Chain-of-Thought、Self-Consistency。面对“不会的问题”时的回答框架承认边界 → 提出推断 → 说明排查思路。最后这套清单是我实战中总结出的高频考点覆盖了面试中80%以上的可能性。把它过一遍再去休息会比熬夜看新知识更稳妥。7. 写在最后的一点建议面试准备到最后一刻我最深的感受是与其焦虑自己哪里没准备好不如把注意力放在“我已经准备好的部分”上。华为的面试官经验非常丰富你装的还是真正理解的几分钟就能判断出来。所以与其背答案不如把核心原理和项目细节想透做到任何角度追问都能接得住。另外有个小技巧面试当天提前半小时到场把项目讲解稿在脑子里过一遍调出最好的状态。第一印象很关键一个精神饱满、表达清晰的候选人和一脸疲惫、语气不确定的候选人在面试官心里的起点就是不一样。如果你正处于面试准备期希望这篇复盘能帮你少走一些弯路。最后用一句我在备考期间反复提醒自己的话收尾面试不是要去“证明自己什么都会”而是要展示“遇到不会的东西时你是如何思考和解决问题的”。这才是面试官真正想看到的。
华为AI岗面试全攻略：大模型应用与工程化落地实战解析
1. 岗位画像与面试前的准备逻辑1.1 这个AI岗到底在招什么样的人先说结论华为技术岗面试无论标题写成“AI岗”“算法岗”还是“AI工程师岗”底层逻辑都绕不开三件事——基础功底、工程落地能力、以及思维深度。我见过太多候选人把精力全押在刷LeetCode和背八股上结果挂在了一个非常基础的细节上比如问“你在实际项目里怎么处理数据不平衡”答不上来再比如问“大模型推理时显存不够怎么办”只能说出“减小batch size”这一种解法。按照我对华为招聘节奏的观察5月中旬这个时间点通常是春季补招和暑期实习面试的叠加期。这个阶段面试的考察点会更聚焦实习岗看重潜力和学习速度校招岗看重基础和项目完整度社招岗则直接对标业务痛点。标题里的“AI岗”没有细分方向但结合热词里大量出现的“大模型”“Agent”“AIGC”“模型部署”基本可以判断这一轮面试的考察重心会落在大模型应用与工程化落地上而不是纯粹的学术研究。换句话说面试官想知道的是把你丢进一个真实业务场景里你能不能独自从数据准备、模型选型、训练调优、部署上线跑到效果迭代。这恰恰是绝大多数培训机构出来的人最欠缺的部分。1.2 从热词反推面试考察维度我习惯在做面试准备时把目标岗位相关的技术热词做个映射。这次标题对应的热词里“AI Agent开发”“AI编程”“AI模型部署”“AI应用开发学习路线”频繁出现这其实透露出一个信号华为AI岗的面试题不会只停留在“Transformer结构讲一下”这种层面而会更偏向场景化追问。比如面试官可能会问“如果让你用大模型做一个企业内部知识库问答系统你会怎么设计整体架构”“Agent调用外部工具时怎么保证结果的准确性”“你们项目里的模型推理延迟是多少怎么优化的”这些问题背后考察的分别是RAG架构设计能力、Agent工程化思维、以及性能调优经验。所以备战这个岗位光会训练模型是不够的还得把工程链路跑通。我个人的建议是在面试前一周把以下四块内容系统过一遍大模型基础原理、微调与提示词工程、RAG与Agent架构、推理优化与部署。每一块都要能讲出一个自己实际做过的或者完整设计过的案例哪怕是一个课程项目只要你能把技术选型的理由、踩过的坑、最终的收益数据讲清楚就比背一百道面试题有用得多。2. 面试流程全景拆解与应对策略2.1 华为技术面试的标准流程与时间线华为的面试流程相对固定一般包含机试部分岗位、技术一面、技术二面、主管面、HR面。AI岗有些部门还会加一轮笔试内容以算法题和机器学习基础题为主。5月13号这个时间点大概率是已经过了简历筛选进入了集中面试阶段。先说机试。华为的机试平台是牛客网题目类型以LeetCode medium为主偶尔会出现hard级别的思维题。AI岗的机试有个特点有时候会加入数学题和概率题比如贝叶斯公式推导、期望计算之类。不要觉得这跟AI没关系这些恰恰是模型推导的基础。我建议准备机试时重点刷动态规划、二叉树、字符串处理、以及二分查找这几类题同时把概率论的核心公式过一遍。技术一面通常是未来的直属同事或技术骨干面考察重点在基础知识和项目经历。这一面最常出现的问题包括手撕Transformer结构、解释反向传播过程、讲清楚BN和LN的区别、说明你项目中某个模型效果不好的排查思路。一面面试官会比较关注你是不是真的理解了自己项目里的每个细节所以简历上写的东西每一行都得能展开讲。技术二面一般是部门主管或技术专家面考察重点从“你会不会”转向“你能不能在实际业务里用起来”。这一面我遇到的典型问题是“如果数据只有一千条你要做一个分类模型怎么做”以及“你怎么评估一个对话系统的效果”。这类问题没有标准答案面试官想看的是你的分析框架和决策逻辑。2.2 主管面与HR面的隐藏考察点主管面和HR面看起来不考技术实际上挂人率一点不低。主管面主要考察三件事学习能力、团队协作意识、以及抗压能力。面试官会问一些看似与工作无关的问题比如“你最近在学什么新技术”“你遇到最难的bug是什么怎么解决的”“你如何看待加班”。这里有个容易踩的坑就是过度强调个人贡献。在华为这种强调集体协作的环境里回答问题最好用“我们团队”“我牵头推动了”“我和同事协作完成了”这样的句式。同时要表现出你愿意深入钻研的态度比如可以说“这个问题我当时没遇到过但通过查文档、看源码、请教同事最终定位到了根因”。HR面则更关注稳定性、求职动机、薪资期望。这一面比较常规但有一个点需要注意不要贬低前东家或吐槽导师。HR会通过你的表达方式判断你的职业素养哪怕你对上一段经历有再多不满也尽量用中性、客观的语言描述多谈自己的收获和成长。提示华为面试流程整体节奏较快一面和二面往往安排在同一天或隔天中间只有很短的休息时间。建议提前准备好项目讲解的逐字稿并且把一些常见问题的答案整理成有逻辑的框架而不是临时组织语言。3. 核心技术考点深度解析3.1 大模型基础从原理到公式推导大模型相关的问题几乎是AI岗面试的必考项。面试官不会只让你背一下Transformer的架构而会通过追问来检验你是不是真的理解。第一层问题通常是“Transformer里为什么用多头注意力头数怎么选”这需要你讲清楚多头注意力的本质是可以并行地在不同表示子空间里学习相关信息然后拼接起来。头数太小表达能力不足头数太大计算开销上去了而且有的头会学到冗余信息一般设8到16比较常见。第二层追问通常是“多头注意力的计算复杂度是多少怎么优化”标准答案是O(n²d)优化方法包括稀疏注意力、Linformer、FlashAttention等。如果面试官问到FlashAttention建议把它的核心思路说清楚通过分块计算、online softmax、以及kernel融合减少HBM访问次数从而提升推理速度和降低显存占用。这个点能讲透面试官对你的评价会明显不一样。还有一个高频问题预训练和微调的区别LoRA为什么有效。回答逻辑是预训练是通过海量无监督数据学习通用语言表征微调是在特定任务上做适配。LoRA之所以有效是因为它把权重更新量分解成两个低秩矩阵的乘积在保持效果的前提下大幅减少可训练参数量。如果你能补充一句“LoRA的秩r一般设为8到64之间r越大表达能力越强但也更容易过拟合”会显得更有实操经验。3.2 大模型应用RAG与Agent开发从热词里“RAG”“AI Agent开发”出现的频率来看华为AI岗面试对应用的考察会非常具体。RAG几乎是必问方向因为它的业务价值非常直接在不重新训练模型的前提下把最新的、私域的知识注入到大模型里。RAG的面试问题通常会这样展开第一问“RAG的整体流程是什么”标准回答包括五个环节文档加载与解析、文本切分、向量化、检索召回、结合Prompt生成答案。第二问“文本切分的chunk size怎么设置”这个问题没有固定答案但需要你有自己的判断依据。chunk太小会导致上下文信息不完整太大则可能引入无关信息还浪费token。我一般建议从256到512个字符开始尝试再根据检索效果和问答准确率做调优。如果面试官追问“切分时要不要考虑句子边界”说明他希望你关注细节能答出“用递归切分或按段落边界切分避免把一句话拦腰截断”会比较加分。第三问“向量检索用哪种方式为什么选它而不选关键词检索”这需要你讲清楚稠密检索和稀疏检索各自的优劣。稠密检索对语义理解好但对专有名词和精确匹配不友好稀疏检索精于精确匹配但无法理解语义。实际业务中高频做法是混合检索——同时用BM25和向量检索再用RRF做结果融合。Agent部分华为的面试风格比较喜欢考察工程实现。常见问题是“你如何设计一个Agent让它能调用外部工具”背后的核心考察点是工具调用的格式约定和结果反馈机制。一种成熟的做法是让模型通过Function Calling输出结构化的JSON包含工具名和参数系统解析后调用对应函数再把结果塞回上下文让模型生成最终回复。这里值得展开的细节是如果工具调用失败怎么处理、如何限制Agent的循环次数避免死循环。3.3 模型部署与推理优化AI岗的隐形门槛很多候选人在准备AI岗面试时把重心放在模型训练和算法原理上忽视了模型部署。但从华为的业务属性来看部署和推理优化恰恰是区分普通候选人和优秀候选人的关键。常见面试题是“有一个7B模型要在生产环境提供在线服务怎么部署”我给出一套比较完整的参考思路第一步用vLLM或TensorRT-LLM做推理加速核心点是PagedAttention显存管理和Continuous Batching提升吞吐。第二步做量化。如果GPU显存紧张至少做INT8或FP16量化追求极致性能可以考虑INT4的GPTQ或AWQ。第三步加缓存。对用户查询做语义级别的Cache重复或相似问题直接返回缓存结果能显著降低平均延迟。第四步做负载均衡和弹性伸缩。用Kubernetes部署多个副本根据QPS自动扩缩容。如果面试官进一步追问“为什么量化后模型效果会变差”你需要能回答出量化误差的来源——权重和激活值从高精度映射到低精度时的信息损失。解决办法包括使用校准数据集做量化校准、对敏感层保持高精度、使用混合精度量化等。注意这一块如果有真实的部署经验哪怕只是把一个小模型成功用vLLM部署过讲出来会非常有说服力。面试官往往不在意你的项目规模有多大而在意你在这个过程中有没有踩坑、有没有解决问题。3.4 AI编程工具与Agent开发的新趋势热词里频繁出现的“AI编程”“Cursor AI编程”“AI Agent开发”反映出这一轮AI岗面试和往年有个显著差异面试官开始关注你是否会用AI工具提升研发效率甚至会把AI编程能力当作一个考核点。我建议在面试中主动展示这方面的能力。比如介绍项目时可以提一句“我在开发过程中用AI编程工具辅助我写单元测试和接口文档大约提升了30%的开发效率。”这种表述既能展示你对新技术的敏感度又能体现工程化思维。更深一层如果你了解过AutoGPT、MetaGPT这类多Agent框架面试时也可以展开聊一聊它们的设计思路。比如多Agent协作的核心是角色分工与消息传递机制一个复杂的任务被分解成产品设计、架构设计、编码实现、代码审查等多个环节每个环节由一个专门的Agent负责通过共享消息池或消息队列进行异步通信。这种架构设计思想在大型工程项目中同样适用。4. 实操过程还原一个可复现的AI项目备战示例4.1 项目选题与数据准备面试中能够打动面试官的绝对不是“我复现了某个开源项目”而是“我解决了一个具体问题”。结合华为的业务方向我建议准备一个企业知识库问答系统或者领域Agent这种项目既贴近业务又能把RAG、向量数据库、大模型、部署全链条都跑通。以企业知识库问答系统为例数据准备阶段最常见的坑是文档格式混乱解析效果差。PDF里可能是扫描件Word里可能是图片表格混排还有大量HTML页面。我建议按照“先转文本、再清洗、最后结构化”的顺序来处理PDF优先用PyMuPDF提取文本扫描件用OCR识别后做人工抽检。针对表格数据单独走结构化解析流程转成JSON或Markdown表格格式。对提取的文本做基础清洗去重、去广告、统一编码、处理特殊字符。清洗后的数据一般在万条级别以下切分后得到的chunk数量也就在几万到几十万这个量级用开源的向量数据库比如Chroma、Milvus、Qdrant完全够用。4.2 系统架构搭建与核心代码实现整个系统的架构分为五个模块文档加载模块、文本切分模块、向量化与检索模块、Prompt编排模块、以及生成模块。我画了个简单的模块分工实际代码实现时也按这个边界来拆分方便单独测试和替换。文档加载部分统一封装一个DocumentLoader接口class DocumentLoader: def load(self, path: str) - List[Document]: raise NotImplementedError class PDFLoader(DocumentLoader): def load(self, path: str) - List[Document]: import fitz doc fitz.open(path) pages [] for page in doc: text page.get_text() if not text.strip(): # OCR兜底处理 pix page.get_pixmap(dpi200) text ocr_engine.recognize(pix) pages.append(Document(texttext, metadata{source: path, page: page.number})) return pages文本切分环节直接用LangChain的RecursiveCharacterTextSplitter但对chunk_size和chunk_overlap做了调优from langchain.text_splitter import RecursiveCharacterTextSplitter text_splitter RecursiveCharacterTextSplitter( chunk_size512, chunk_overlap64, separators[\n\n, \n, 。, , , ., !, ?, , ;, , ,, , ] )这里为什么要保留重叠区域因为如果切分时把一个完整的语义单元比如一段结论拆到两个chunk里检索时可能就找不全。重叠设置得太大会浪费token64这个值是在效果和成本之间折中之后的选择。向量化我用的是开源的bge-m3模型中文场景效果比同尺寸的通用Embedding模型更好。检索时做了混合检索向量检索用faiss或milvus关键词检索用BM25最后用RRF做融合。这部分代码核心就是两个检索器结果的排序融合def rrf_fusion(results_list: List[List[Document]], k: int 60) - List[Document]: scores defaultdict(float) for results in results_list: for rank, doc in enumerate(results): doc_id doc.metadata[id] scores[doc_id] 1.0 / (k rank 1) sorted_docs sorted(scores.items(), keylambda x: x[1], reverseTrue) return [id_to_doc[doc_id] for doc_id, _ in sorted_docs]Prompt编排是整个系统效果好坏的关键变量。我最初用的Prompt非常简陋就是“根据以下资料回答问题”结果模型经常答非所问或者编造出知识库里没有的内容。后来迭代了几个版本核心是加了两个约束一是明确告知模型只使用提供的资料作答二是要求模型在无法回答时明确说不知道。改进后的Prompt效果提升非常明显幻觉率大约降了一半多。4.3 效果评估与性能优化实录系统跑通之后我做了三轮优化第一轮是检索效果优化。发现部分问题检索到的chunk相关性不高导致回答质量差。我加了查询改写环节——在检索前先让大模型对用户问题做一次改写补充关键词和同义表达检索准确率提升明显。第二轮是推理延迟优化。最初直接用HuggingFace Transformers的pipeline做推理单次请求延迟高达3到5秒完全无法满足在线服务的要求。后来换成vLLM部署并把模型的max_length从2048降到1024延迟降到了1秒以内。第三轮是并发优化。单实例部署时并发稍高就出现排队。我加了一个简单的缓存层对语义相同的问题直接返回缓存答案同时部署了三个实例做负载均衡整体吞吐提升了三倍左右。提示面试时讲优化过程不要只讲“我优化了”“我提升了多少”一定把“优化的原因→采取的具体措施→量化结果”讲清楚。这种叙事逻辑比任何空泛的“项目经历”都有说服力。5. 面试中高频追问与避坑指南5.1 高频追问Top10及参考思路华为AI岗面试追问密度很高一个项目被连续追问十几次很正常。我整理了一批高频追问每个都给出参考思路“你用的Embedding模型为什么选这个”参考思路对比过OpenAI的text-embedding-3-small和bge-m3openai的效果略好但数据要出域出于数据安全考虑选择本地部署的bge-m3。“你的向量库用的什么为什么不用ES”参考思路数据量在百万级以内用专用向量库实现更简单、性能足够且Milvus自带分片和索引扩展比ES友好。“你的Prompt怎么设计的改过几版”参考思路强调迭代过程描述最初效果差、分析原因、加了角色限定和约束条件后效果提升的完整链路。“检索结果不准怎么办”参考思路从切分粒度、Embedding选型、混合检索、查询改写、重排序五个维度逐一排查说明你排查过且知道优先级。“模型出现幻觉你怎么检测和处理”参考思路可以做答案与检索chunk的语义相似度校验相似的才返回不相似的拒答或降级处理。“项目上线后效果变差了怎么办”参考思路先确认数据源是否变化再做回归测试针对性更新知识库同时做模型版本灰度。“你的系统有多少人用QPS多少”参考思路如实回答不要虚报。如果量很小强调并发架构设计的合理性说明你能支撑更大规模。“为什么不用微调而是用RAG”参考思路知识更新频率高、垂直领域数据少、微调成本高且有灾难性遗忘风险。RAG灵活可控、可解释性好适合知识问答场景。“大模型评估指标有哪些”参考思路区分生成质量和任务效果。生成质量看BLEU、ROUGE但更建议用GPT-4做裁判或人工评估任务效果关注准确率、召回率、F1以及端到端的答案可接受率。“你关注过哪些最新的AI进展”参考思路不要只报名字选择一个方向讲清楚核心思想和你能看到的落地场景比如讲多模态大模型的统一表征、端侧大模型的量化压缩等。5.2 面试中的“送命题”与应对策略有几类问题堪称“送命题”答不好直接拉低整体评价第一类是“你最大的缺点是什么”。很多候选人要么说“我太追求完美”要么真的暴露自己的致命弱点。恰当的做法是讲一个真实但可以通过方法弥补的短板并且带上改进措施。比如“我在公开演讲方面经验不足之前做技术分享时总是不太自然后来我提前写逐字稿并且反复排练现在已经有明显改善”。第二类是“你对加班怎么看”。不要表现得过于抗拒也不要无原则地全盘接受。比较稳妥的回答是“在项目紧急的时期我非常愿意配合团队加班保证项目进度。同时我也会通过优化工作方式尽量减少不必要的加班。”第三类是“你有什么想问我们的”。很多候选人直接说没有这其实浪费了一个展示自己的机会。建议问一个和技术方向或团队发展相关的问题比如“这个团队目前在AI方向上的技术栈主要是什么”“如果有幸加入第一季度的核心目标是什么”。这既体现你的主动性和对岗位的认真态度也能帮你判断这个团队是否适合自己。5.3 那些“面挂”后才知道的避坑经验根据我身边朋友和社区里大家的反馈华为AI岗的挂人点往往不在算法题而在细节简历和面试表述不一致。简历上写“精通PyTorch”被问到PyTorch的DataLoader源码机制时答不上来这比不写还糟糕。简历上每个技能点都要准备到能应付至少三层追问的深度。项目过程讲不透。很多候选人的项目描述停留在“用了什么”“结果如何”但面试官更关心“为什么这么做”和“遇到问题时怎么排查”。项目里的任何一个技术选择都要能说出理由。代码基本功不扎实。AI岗也要写代码尤其是Python的列表推导、装饰器、生成器、上下文管理器这些语法以及基础的数据结构和算法都是高频考点。不要因为准备模型原理把基本功丢在一边。对业务场景理解不足。华为很多AI岗是直接服务内部业务线的面试官会关心你是否理解业务场景。回答技术问题时如果能主动关联到业务价值比如“这样优化的结果是响应时间从2秒降到0.8秒用户体验会明显提升”整体印象分会高不少。6. 备考时间线13号之前的每日安排6.1 倒计时一周的复习计划假设你还有一周时间我给一套高性价比的备考安排按天拆解第1到第2天主攻大模型基础原理。把Transformer、BERT、GPT系列的论文核心内容过一遍掌握多头注意力、位置编码、LayerNorm的公式推导。同时把反向传播、优化器、正则化这些机器学习基础复习到位。建议每天动手推导一遍关键公式眼过千遍不如手过一遍。第3天集中整理项目经历。拿出你最有代表性的一个项目按照“背景→目标→方案→实施→结果→复盘”六段式写一份完整的讲解稿。特别注意把项目的量化指标写清楚比如“检索准确率从72%提升到85%”“推理延迟从3秒降到0.6秒”。第4天系统性过一遍RAG和Agent相关的内容。看主流的LangChain、LlamaIndex框架实现理解检索、重排、Prompt编排的核心逻辑。如果时间有限直接精读两篇技术博客把架构图和数据流画出来。第5天刷算法题。华为机试或在线编程考核通常有一定难度建议刷动态规划、树、图、字符串相关题目。每天保持3到5道题的训练量重点复盘每一题的思路和边界条件。第6天模拟面试。找一个朋友或同事帮你做一次全真模拟重点练表达逻辑和反应速度。模拟时最好录音回放你会发现很多自己没注意到的问题比如口头禅、逻辑跳跃、时间控制不好。第7天轻量复盘和调整状态。这时候不要再接触新知识了把之前的笔记、复习资料、项目讲解稿通读一遍早点休息保证面试当天精力充沛。6.2 最后一个晚上的快速过知识点清单最后一个晚上我不建议再啃大部头把以下这份精简知识点清单过一遍就够了Transformer结构图哪一层是残差连接、哪一层是LayerNorm。Multi-Head Attention的计算流程和复杂度FlashAttention的核心改进点。LoRA的核心原理和参数设置微调和预训练的区别。BN和LN的区别为什么Transformer用LN。反向传播中梯度消失的原因和常见缓解手段。RAG的完整链路chunk切分的经验值。Agent工具调用的流程与异常处理。vLLM和TensorRT-LLM的核心优化思路量化对效果的影响方式。几个经典的Prompt工程技巧Few-shot、Chain-of-Thought、Self-Consistency。面对“不会的问题”时的回答框架承认边界 → 提出推断 → 说明排查思路。最后这套清单是我实战中总结出的高频考点覆盖了面试中80%以上的可能性。把它过一遍再去休息会比熬夜看新知识更稳妥。7. 写在最后的一点建议面试准备到最后一刻我最深的感受是与其焦虑自己哪里没准备好不如把注意力放在“我已经准备好的部分”上。华为的面试官经验非常丰富你装的还是真正理解的几分钟就能判断出来。所以与其背答案不如把核心原理和项目细节想透做到任何角度追问都能接得住。另外有个小技巧面试当天提前半小时到场把项目讲解稿在脑子里过一遍调出最好的状态。第一印象很关键一个精神饱满、表达清晰的候选人和一脸疲惫、语气不确定的候选人在面试官心里的起点就是不一样。如果你正处于面试准备期希望这篇复盘能帮你少走一些弯路。最后用一句我在备考期间反复提醒自己的话收尾面试不是要去“证明自己什么都会”而是要展示“遇到不会的东西时你是如何思考和解决问题的”。这才是面试官真正想看到的。