跳到主要内容

Alisa Liu 求职笔记总览

如果你想加入 OpenAI、Anthropic、DeepMind、Meta FAIR、Google DeepMind 或类似的顶级 AI lab，这组笔记可以当作一份“研究型 AI 岗位面试地图”。它整理自 Alisa Liu 在 2026 年 6 月发布的 Notes on the Industry Job Search，并补充了她提到的课程、作业、博客、论文阅读入口和练习方法。

Alisa Liu 是华盛顿大学计算机系 NLP PhD，研究方向包括语言模型算法、tokenization、数据构造和 inference-time adaptation。她在个人主页中介绍自己由 Yejin Choi 和 Noah Smith 指导，并获得 NSF Graduate Research Fellowship 与 OpenAI SuperAlignment Fellowship 支持。她在 2026 年的求职复盘中写到，自己申请的是 Research Scientist / Member of Technical Staff 类岗位，最终经历了 11 家公司的 57 场面试，另有 46 次 recruiter call 和 16 次 offer 后沟通。

这不是一份“刷题就能进 OpenAI”的鸡血清单。更准确地说，它揭示了一个事实：顶级 AI 公司在研究型岗位里同时考察工程实现、基础知识广度、研究判断、表达能力、行为面试和谈判能力。论文能帮你拿到面试，但面试中被反复测试的，往往是你能不能快速、准确、独立地把模型和实验想清楚、写出来、调通。

核心结论​

  • 先建立广度，再逐个概念深挖。Alisa 的起点是完整看完 Stanford CS336: Language Modeling from Scratch。
  • Transformer 实现和调试要练到肌肉记忆。她特别强调 CS336 的 assignment1-basics，因为实现和 debug Transformer 在面试里出现频率很高。
  • 练 coding 时要关掉 AI 辅助。真实面试环境里你必须独立写代码，平时如果依赖补全，会低估自己的薄弱点。
  • 面试准备本身是全职工作。她持续记笔记、画图、做题、读博客和论文，并大量用 ChatGPT / Claude 做概念追问。
  • 每场面试都有自己的范围。公司兴趣、面试描述、recruiter hint 和公司口碑，都会决定你考前 3 天该 cram 什么。
  • 不要忽略 behavioral 和谈薪。她明确提到自己第一次 behavioral 因为没准备而失败，而 offer 之后的沟通和谈判也非常消耗。

这组文章怎么读​

如果你刚开始准备，建议按下面顺序看：

  1. 学习路径：从 CS336 到逐概念深挖
  2. OpenAI 类研究岗面试题型
  3. ML Coding 与 Transformer 肌肉记忆训练
  4. 学习资源清单与使用方法
  5. Research、Behavioral、Job Talk 怎么准备
  6. 面试流程、时间管理与谈薪

如果你已经在准备面试，可以直接跳到编码训练和资源清单，把它们当作 checklist。

适合谁​

  • NLP / ML / LLM 方向 PhD 或研究生，想申请 AI lab 的 Research Scientist、Research Engineer、Member of Technical Staff。
  • 已经做过一些 LLM 项目，但觉得基础知识散、工程实现不够稳的人。
  • 想系统准备 OpenAI 类技术面试的人，尤其是 PyTorch、Transformer、decoding、RLHF、scaling、实验设计这些方向。

如果你还没有 ML / DL 基础，不建议直接从这组笔记开始。更稳的路线是先学一门机器学习主课、一门深度学习主课，再进入 CS336 和 LLM 系统训练。

主要来源​