三条线与门槛
- 算法线：预训练、对齐（SFT/RLHF）、多模态；看论文（一作加分）、大规模训练经验、数学推导。
- 工程线：RAG、Agent、推理优化（量化/批处理/KV cache）、平台工程；看真实项目与工程判断。
- 产品线：AI 产品经理，考察对模型能力边界的理解与场景判断（哪些该用模型、哪些该用规则）。
高频考点
- 基础推导：self-attention 的计算与复杂度、位置编码方案对比、为什么要做 norm。
- 训练与对齐：SFT 数据怎么配比、RLHF/DPO 的直觉、灾难性遗忘怎么缓解。
- 应用工程：RAG 召回差怎么归因（切块/embedding/检索/重排逐层排查）、幻觉的工程缓解手段、评估怎么做（不能只说「效果不错」）。
- 场景判断题：如「客服机器人答错赔付政策怎么办」——分级兜底（高风险走规则/人工）比「换个更大的模型」更能体现工程成熟度。
准备清单
- 项目要有评估闭环：数据集、指标、badcase 分析、迭代前后对比，缺一环就补一环。
- 简历上每个名词准备「往下两层」的回答：会用 → 为什么这么设计 → 有什么替代方案。
- 跟进一两个开源项目（推理框架/Agent 框架）的真实源码，胜过读十篇公众号综述。