面了11家公司、参加57场面试，一位博士生毕业前拿到OpenAI Offer，求职复盘火爆全网！

编译 | 屠敏

出品 | CSDN（ID：CSDNnews）

作为一名即将从华盛顿大学计算机科学系毕业的博士生，Alisa Liu 近日在 X 上透露，自己将在下周正式加入 OpenAI。

消息一出，很快引发了社交媒体上不少人的关注。有人惊叹，还没正式毕业的博士生，就已经拿到了全球顶尖 AI 实验室的入场券了；也有人好奇，她是怎么做到的？

而后在 Alisa Liu 的自述中，这件事并没有外界想象得那么“顺滑”。拿下令人惊羡的 Offer 背后，一组数字被摆上了台面：6 年的 NLP 博士生涯、参与过 11 家公司的面试流程、进行过 57 场正式技术面试、46 次与招聘专员的电话沟通、16 份 Offer，以及求职前无数次的非正式人脉交流和行业交流......整个求职过程非常具有挑战性，好在最终回报不错。也正因为如此，Alisa Liu 决定写下这篇《Notes on the Industry Job Search》，把这段经历拆开讲清楚——既是一次复盘，也希望能让更多的从业者在面对 AI 圈的求职时，不至于觉得完全无从下手。

博士六年，她几乎没认真想过找工作

读博期间，Alisa Liu 的研究主要围绕语言模型的基础机制展开，包括 tokenization、数据生成，以及推理阶段的自适应方法等方向。她曾获得 NSF Graduate Research Fellowship 和 OpenAI SuperAlignment Fellowship 等项目支持。

回顾整个博士阶段，Alisa Liu 坦言，自己其实很少认真规划职业道路。

在她看来，找工作一直像《哈利·波特》里的分院帽一样神秘：高年级博士生会突然“消失”几个月，等再次出现时，去向早已尘埃落定。即便是关系很好的朋友陆续毕业、入职，她对他们经历了什么依然知之甚少，除了偶尔收到几条“我还活着”的消息。

直到真正轮到自己时，她才意识到，求职远没有想象中那么简单。

“感觉就像一边上场比赛，一边现学规则。”

毕竟从小到大，她几乎一直待在学校里。如果不是导师后来不断提醒自己该往前走了，她甚至觉得一直当博士生也没什么不好。相比职业规划，她更关心的是能否持续探索那些让自己感兴趣的研究问题。

也正因为如此，她的研究方向曾经历过多次调整，直到后期逐渐聚焦于 tokenization，并在这一主题上持续深耕了两年多。“之所以能坚持这么久，很大程度上是因为我确实乐在其中。”

对于找工作这件事，Alisa Liu 一直拖到博士第六年末，才开始正式申请 Research Scientist（研究科学家）和 Member of Technical Staff（技术团队成员）等岗位。她筛选工作的标准并不复杂：依然能否继续做有意思的研究。

而回头再看，她发现这种长期聚焦带来的积累同样产生了现实价值——一个足够清晰且鲜明的研究方向，也成为她在求职过程中脱颖而出的重要原因之一。

领取地址：https://s.csdn.cn/4nPsOp

时间线

Alisa Liu 绘制了一张图，展示了她的求职时间线。其中灰色图标表示面试，彩色圆点表示结果。

需要说明的是，“ghosted”指的是招聘方从未告知她最终结果或后续进展；

“withdrawn”则是指在拿到一些让她很感兴趣的 offer 之后，其礼貌地表示自己不再继续参与该公司的流程并退出了面试。

整体来看，她一共面试了 11 家公司，累计进行了 57 场面试。不包括图中展示的部分，还有 46 次与招聘专员的初步沟通，以及 16 次拿到 offer 之后的进一步交流。此外，在正式开始求职之前，Alisa Liu 还进行了大量非正式的 networking（人脉沟通）对话，这些都没有计入统计中。

面试节奏的把控

在面试节奏的安排上，Alisa Liu 表示，自己并没有一套严格的时间表。每家公司何时启动面试流程，往往是多个因素共同作用的结果，包括自己的准备情况、招聘方推进流程的速度、对这家公司的兴趣程度，以及一些更现实的因素——比如拖延症。

在科技行业的求职圈里，一个常见建议是：先拿几家公司“练手”，等面试状态逐渐进入轨道后，再安排自己最想去的公司。同时尽量将各家公司的流程错开，让 Offer 集中在相近时间发放，以便后续比较和谈判。

对此，Alisa Liu 认为，这个思路整体没有问题，但在实际操作中，还有一些容易被忽视的细节。

• 首先，面试经验的积累确实能够提升表现，但求职者的精力同样有限。连续高强度面试往往会带来明显的疲劳感，因此需要避免在真正重要的面试到来之前就已经消耗掉最佳状态。

• 其次，影响求职结果的因素并不只有个人准备程度。很多时候，公司是否还有 HC（Headcount，即招聘名额）、哪些团队正在积极扩张、哪些岗位存在紧急招聘需求，都可能对结果产生重要影响。她建议求职者尽量通过朋友、校友或招聘专员提前了解这些信息，因为这些因素有时甚至比“准备得是否足够充分”更关键。

• 此外，Alisa Liu 还提到，求职者不必过于执着于让所有公司的 offer 在同一天到来。现实中，大多数 deadline 都有一定弹性，招聘方也知道候选人往往同时在推进多个流程，因此通常会为候选人预留一定的协调空间。

  但她也提醒，并非所有公司都如此。一些 offer 带有明确且较短的签约期限，如果未能在 deadline 前接受，offer 可能直接失效。这类 offer 在业内被称为“exploding offer（爆炸式 offer）”。因此，候选人最好提前向招聘专员了解相关政策，包括通常有多少时间做决定，以及是否存在延期空间。

获得第一轮面试机会

这句话可能有点显而易见，但还是要说：在博士期间尽量把研究做好，多交朋友，多与人合作。

很多时候，要拿到第一个面试机会，你需要有人在公司内部帮你“背书”。当然那，你也可以在更早的时候就为自己铺路，比如积极参加学术会议、广泛合作、参加一些社交活动。当然，这件事并不是对所有人都自然成立（至少对我来说也不是），所以也要注意自己的精力和舒适度，不要强迫自己进入不适合的社交状态。

Alisa Liu 表示，在求职过程中，主动联系身边认识的人——甚至是平时并不算熟悉的人——了解岗位和团队情况，是一件非常正常的事情。

她发现，求职的很大一部分工作，其实是在重新建立联系：给多年没有交流过的朋友、校友或前同事发消息，询问机会和建议。虽然一开始难免会觉得有些不好意思，但在行业里，这种做法普遍被接受，也是职业发展过程中十分常见的一环。而回过头来看，这种重新连接人与人的过程，甚至成了求职经历中意外的收获之一。

面试类型

经历了 57 场正式技术面试后，Alisa Liu 将自己遇到的面试大致归纳为几类。总的来说，对于 Research Scientist 和 MTS 等岗位而言，面试对技术能力和知识广度的考察，往往远多于对具体研究经历的讨论。不过，研究背景依然十分重要——它往往决定了候选人能否获得面试机会，而技术面试则决定了能否走到最后。

ML 编码

这是最常见的一类面试。题目通常会让你实现某种模型结构、解码策略、传统机器学习算法，或者一些更“开放式”的设计问题。

熟练使用 PyTorch 是基本要求。少数公司还会要求仅使用 numpy 实现部分算法，例如从零手写反向传播，但一般不会刻意考察复杂的 numpy 各种语法细节。

通用编码

本质上与 LeetCode 算法题类似，只是部分公司会加入一些工程场景或变体设计。Alisa Liu 认为，这部分基础能力值得认真准备，因为许多算法和数据结构相关知识，同样会出现在 ML Coding 环节。

技术讨论

这类面试通常不写代码，但技术含量很高。

有时会围绕一个主题展开深入讨论，比如如何设计实验来回答某个研究问题，或者如何实现某个目标。面试官会不断追问你的设计选择，并让你分析假设结果、进一步提出新的实验设计。

也有另一种形式，是快速问答式的“知识覆盖”：比如“位置编码有哪些不同方式？”、“什么是 5D parallelism？”、“PPO 和 GRPO 有什么区别？”这类问题的目的，是判断你是否“确实懂这个领域”。前者更偏向考察思考方式，后者更偏向知识广度。

研究讨论

这或许是许多博士生最熟悉的环节。通常情况下，面试官会从候选人过去的一项研究工作切入，围绕研究动机、技术路线、实验设计和关键结论不断深入，也可能延伸到简历中的其他论文。

Alisa Liu 认为，准备这类面试时，最重要的并不是重新背诵论文内容，而是能够跳出具体项目本身，重新思考一些更本质的问题：为什么当初会选择这个研究方向？过程中有哪些关键洞察？哪些结论改变了自己的看法？未来还有哪些值得继续探索的方向？

她还提到，自己会根据不同公司的岗位需求调整研究介绍（Research Pitch）的重点。由于面试官的时间和注意力都有限，如果能够快速突出与岗位最相关的研究关键词，对方往往更容易判断双方是否匹配。

行为面试

除了技术和研究能力之外，Behavioral Interview（行为面试）也是几乎所有公司都会设置的环节。内容与传统科技公司类似，主要围绕团队合作、冲突处理、项目经历等展开，部分 AI 公司还会额外讨论 AI Safety（AI 安全）或人工智能社会影响等话题。

Alisa Liu 建议提前整理一份属于自己的“故事库”，将博士期间的重要经历按照不同主题分类，例如团队协作、项目失败、技术分歧、领导力等，并提前对应常见行为面试问题。这样在面试过程中，可以快速找到最合适的案例进行回答。

她坦言，自己第一次行为面试就遭遇了失败。当时她以为这类问题并不需要特别准备，结果面对一些看似简单的问题时，却发现很难在短时间内从记忆中提取出合适的经历，并组织成完整清晰的表达。“最糟糕的情况，就是面试官最后告诉你：你其实并没有回答这个问题。”

数学

有些公司会单独设置数学面试，形式从逻辑谜题到手写推导不等。建议重点复习概率论、线性代数和微积分。

Job talk（求职报告）

不同公司对 job talk 的形式略有差异，但整体上相比学术汇报，会更短一些，并且更聚焦在一篇核心论文或一个主要方向上。

Alisa Liu 的求职报告几乎全部围绕 tokenization 研究展开，重点介绍了一篇第一作者论文，其他合作论文和进行中的项目则只作简要提及。由于这些工作都围绕同一个研究主题展开，因此整体叙事较为连贯，也更容易向面试官展现自己长期积累形成的专业方向。

准备工作

回顾整个求职过程，Alisa Liu 认为，准备面试可能是自己投入时间后回报最高的一件事。

为了应对接连不断的技术面试，她几乎重新进入了“备考模式”：整理学习笔记、绘制知识框架图、刷题、做实现练习，甚至长时间待在咖啡馆里集中学习。她形容道，那段时间给人的感觉有些像回到了本科备考阶段，只不过这一次准备的内容变成了机器学习、深度学习和大模型相关知识。

在她看来，技术面试本身就是一项需要专门训练的能力。许多考察内容虽然与研究工作相关，但并不会因为拥有博士背景就自动掌握。因此，对不少研究人员而言，求职本身几乎等同于另一份全职工作。

Alisa Liu 的准备从斯坦福课程《Language Modeling from Scratch》开始。她系统看完了课程内容，希望先搭建起完整的知识框架。相比零散地查漏补缺，这种方式能够帮助她快速明确哪些内容需要掌握，并将原本分散的知识点重新组织成一张更完整的“知识地图”。

在完成基础梳理后，她开始围绕不同主题逐个深入学习。除了阅读博客和论文，她还频繁利用 ChatGPT、Claude 等工具辅助理解概念，并通过大量从零实现来强化记忆和理解。

其中，Transformer 的实现与调试是她特别强调的一项内容。根据她的经验，这类题目在面试中出现频率极高，因此非常值得反复练习，直到形成近乎“肌肉记忆”的熟练程度。

与此同时，她也发现了一个容易被忽视的问题：AI 工具正在改变开发者的工作方式，但真实面试环境通常无法依赖这些工具。因此，她建议求职者在准备过程中定期关闭 AI 辅助，独立完成编程练习，否则很容易高估自己的掌握程度，而低估自己对 AI 的依赖。

随着面试数量增加，Alisa Liu 逐渐意识到，几乎每家公司都需要进行一定程度的针对性准备。岗位描述、公司重点布局的技术方向、招聘专员透露的信息，以及企业在业内的技术标签，都会影响面试内容的侧重点。

在密集面试的那段时间，她经常在脑子里不断“切换知识模块”，把最可能用到的内容临时调到前台，确保自己能够在面试时快速进入状态。

她用一个形象的比喻来描述这种体验：每一场面试，都像是一门自己从未修过的数学或计算机课程，而留给自己的准备时间，往往只有三天左右。

相比继续熬夜突击，她后来发现，面试前保证充足睡眠反而更加重要。

她回忆，自己第一次技术面试前几乎通宵复习，只睡了两个小时，把大量时间花在大模型推理的各种细节上。结果真正面试时，这些临时记住的知识点几乎一个都没有派上用场，反而因为精神状态不佳，在一个简单的 off-by-one 错误上卡了十分钟。

因此，她建议每次面试结束后及时记录过程，包括遇到的问题、自己的回答以及遗漏的知识点。这些内容往往会成为后续复盘和学习的重要素材。

不过，对 Alisa Liu 来说，这段经历最大的收获并不只是拿到 Offer。

随着知识面的不断扩展，她发现自己作为研究者的自信心也明显增强。在与同行交流时，她不再担心暴露知识盲区，也更愿意参与自己过去并不熟悉的话题讨论。

更重要的是，这种系统性的学习最终反过来提升了她的研究能力。过去不会关注的问题开始进入视野，不同领域的知识之间逐渐建立联系，一些此前从未想到过的技术思路也开始浮现。

在她看来，如果能够更早进行这样的系统性学习，不仅会拓宽研究者能够思考的问题空间，也可能显著提升研究工作的效率和深度。

谈判

在拿到 offer 之后，Alisa Liu 才意识到，整个求职流程并没有结束，反而才刚刚进入下一阶段。

在随后的几周甚至更长时间里，她需要进一步比较不同选择，并与公司进行 offer 谈判。这一过程往往伴随着大量沟通，包括与未来团队成员、潜在 manager 的交流，以及午餐访谈和招聘专员之间反复的邮件与电话沟通。

在这一阶段，Alisa Liu 称，自己沟通负担一度明显增加，邮件回复频繁堆积，“总有事情还没处理完”的感觉也随之持续存在。

她坦言，谈判本身是一个很难提前准备的环节。在博士训练中，几乎没有任何系统性内容可以帮助应对这一过程，与技术面试不同，谈判能力也很难通过刷题或短期训练获得提升。

从现实情况来看，候选人往往在两个方面处于劣势：一方面对市场信息的掌握程度通常不如招聘专员，另一方面在谈判经验和技巧上也相对不足。同时，在这一过程中，不同沟通对象的目标并不完全一致，这也增加了复杂性。

不少候选人可能会倾向于接受“已经足够满意”的初始 offer，而不再继续谈判。但在 Alisa Liu 看来，这种选择虽然合理，却并不一定符合最优结果。她指出，绝大多数初始 offer 本身都预留了谈判空间，部分招聘专员甚至会明确暗示候选人“通常不会直接接受第一版报价”。

在这种情况下，即使只投入几周时间进行沟通和调整，最终结果也可能带来显著差异——在某些情况下，甚至相当于数年的收入差距。

她特别强调，在这一阶段依赖外部信息非常重要，包括来自朋友的经验、行业内的“非正式规则”，以及市场薪酬数据。这些信息往往比单一公司的反馈更能帮助候选人校准预期。

在具体操作上，她通常会在每次与招聘专员沟通前提前准备两类内容：

• 一类是信息边界，即哪些内容可以透露、哪些需要保留；

• 另一类则是标准化表达，有时甚至会准备接近逐字稿的说法，以确保沟通清晰且不偏离目标。

同时，她也会提前预判对方可能提出的问题与论点，并准备相应回应，从而在保持自然表达的同时，坚持自己的核心诉求。

尽管这一阶段消耗大量时间和精力，但她认为，如果认真对待，每一步沟通都具有实际价值。尤其是在 offer 谈判中，任何随意应对的空间都可能被结果放大。

结语

在这篇文章里，上文更多集中在求职过程中的具体环节，但对 Alisa Liu 来说，更深层的体验其实来自整个过程中持续存在的情绪波动。

在真实的求职场景中，压力往往不仅来自面试本身，也来自外部的社会比较：同龄人的进展、身边人的建议，以及围绕“应该去哪里”的各种判断，会让个人选择变得更容易被外界解读和讨论。

与此同时，在信息并不完全对称的决策环境中做选择，本身就极其消耗精力。许多看似细微的决策——例如何时推进某一条面试线、先联系哪一家公司——在实际结果中都可能产生被放大的影响。

她坦言，那段时间自己确实承受了较大的压力，情绪状态也受到一定影响，甚至在一段时间内波及到日常生活的其他方面。她也希望后来者在面对类似过程时能够相对轻松一些，但同时也指出，这种压力在现实中并不罕见。

随着博士阶段逐渐接近尾声，她反而在某种程度上产生了不舍。对她而言，博士阶段是一段相对特殊的时期：研究者可以围绕问题本身展开探索，在不必立即进入职业系统评价的前提下学习、试错，并逐步形成自己的研究方向。

因此，尽管求职经验能够帮助后来者更好地理解行业现实，她仍然认为博士阶段本身具有不可替代的价值。在她看来，这两者并不矛盾——一方面需要对行业变化保持清醒认知，另一方面也不应忽视这段时间所带来的探索空间。

从她的个人经验来看，当研究者真正能够持续投入在感兴趣的问题上，并不断追问那些尚未解决的关键问题时，往往也是产出最具创造性的阶段。

最后，祝福 Alisa Liu 在 OpenAI 开启新的研究阶段。

来源：https://alisawuffles.github.io/blog/job-search/