我的AIEngineer面试经验分享：从准备到拿到心仪StartupOffer的全记录
最近我刚刚结束了一轮AI Engineer的求职之旅。前后总共面试了二三十家公司，最终加入了一家非常心仪的AI startup。这是一家由a16z投资的Series B vertical application startup。今天想把这段经历中积累的经验：包括常见面试题型、如何寻找机会、怎样评估公司，以及我最终做选择的思考分享给大家，尤其希望这些内容能给感兴趣加入AI startup或寻找AI Engineer工作的人带来一些帮助。
我的技术背景主要在机器学习，尤其是自然语言处理（NLP）领域。之前既待过大厂，也经历过growth stage的startup，担任的一直是software／machine learning engineer相关的职位。这次找工作，我把目标明确锁定在早期垂直AI应用方向的初创公司，公司stage覆盖从种子轮至B轮。这类AI-native初创企业通常非常年轻，网上的信息也有限，我在面试过程中也遇到过不少困惑和摸索。正因为经历过，更觉得值得把这段经验梳理出来，为更多人答疑解惑。
这篇文章会重点围绕三类问题展开：
AI工程师面试到底考什么？又该如何准备？
怎样找到匹配的AI初创公司并获得面试机会？
如何判断一家AI初创公司是否靠谱？
面试都考些什么？
首先聊聊大家最关心的面试题型。根据我的经验，AI Engineer的面试题目可以分为几大类：
1. 算法题（LeetCode风格）
这类题目和传统软件工程师面试中的算法题类似，主要考察对数据结构和算法基础的掌握。现在AI coding tools像Cursor, Claude Code已经如此普及了，我在开始面试前也好奇是不是startups已经不再关注LeetCode面试了。事实并不是这样。在我面试的20多家startups中，70~80%的公司至少有一轮面试时coding challenge。可见算法题目前仍然是标准的一环，至少目前还是这样。
就我面试 AI Engineer 岗位的经验来看，这类编程题的整体难度通常比较合理，以中等或中等偏上题目为主，几乎没有遇到特别刁钻或超纲的题。因此，我一般会建议准备的时候优先巩固基础，真正理解常见的数据结构和算法思想，这往往比盲目刷题更有效。
如果你面的是大厂，通常可以在 LeetCode 上找到对应公司的高频题目；但我们现在聊的大多是种子轮或 A 轮的初创公司，这些公司的题目往往在 LeetCode 或面经里很难查到。这种情况下，我还是建议把重点放在基础上。如果你对某家初创公司特别有意向，愿意额外花时间，可以留意一下他们 CTO的背景。有时候出题人会参考以前任职公司的题库风格。当然，真正关键的还是扎实的基本功。
2. Pair Programming
这里题目的形式是在Zoom上分享屏幕实时完成一项software development工作。这类题目又分为两种：不能用AI工具和可以用AI工具。
不能用AI的面试通常需要你在短时间内从0开始设计并实现一个mini system，来完成某个任务。这类题有点像coding challenge，但是更注重编写程序来解决实际问题。这类面试考验一个人快速理解问题，设计data model和APIs，并且高质量实现设计的能力。
如果面试官告诉你可以用AI工具，一般来说你使用任何AI编程助手（如ChatGPT、Cursor等），但要现场实现一个更复杂的系统。比如可能需要搭建一个完整的backend service，调用外部API，最终做出一个可以实际工作的prototype，考察的是你利用AI工具解决复杂问题的能力。很多人在工作中可能习惯了使用公司内部的Infra来编写程序，较少有从0到1搭建一个service的经验。我的建议是可以提前熟悉一下一些startup常用工具，比如FastAPI和Supabase，尝试动手创建一个简单的service或database。
3. Agentic AI系统设计
说到系统设计(System Design)，大家常见的一般是Distributed System Design，比如设计Url Shortener, Dropbox, 或Ticketmaster。面试过经典Machine Learning Engineer岗位的朋友应该还熟悉另一种ML System Design，例如设计类似Netflix的Recommendation Engine。我发现在最新的AI-native startups，AI Engineer面试中这两类都很少见。取而代之的是设计Agentic AI Systems。这类系统通常以chatbot为基础，要求能够使用某些工具。常见的要求包括：根据用户上传的文件回答问题(talk to files)、与数据库交互(talk to data)、能够根据对话context调用某些API来完成任务(tool use)，或者是和搜索引擎结合(search capability)。
因为我在之前的公司做的就是conversational AI agent，这部分知识是我在工作中逐渐积累的。不熟悉agentic AI architecture的朋友，推荐阅读Lilian Weng的LLM Powered Autonomous Agents 和Anthropic的文章Building effective agents, Effective context engineering for AI agents。如果大家感兴趣，我也计划写一篇文章详细介绍Agentic AI architecture以及这类面试的经验分享。
4. Takehome Project
Takehome 在早期 AI 初创公司的面试中比较常见，在我面试的公司中大概有20%有出了这类题。这类项目通常会提供一个实际问题描述，并鼓励你自由使用任何工具（包括LLM）来完成一个open-ended项目，内容往往与公司的业务紧密相关。
公司一般会提供一个LLM provider的API Key，明确建议你将大语言模型作为system design的一部分。这类项目通常预计耗时8~12小时——有些公司安排得短一些，比如3~4小时；有些会明确要求计时，也有些对时间比较宽松。
通常，你会拿到一个数据集，然后需要设计并实现一套系统来处理这些数据，完成诸如classification、ranking或insights generation等任务。设计空间非常开放，你需要自己构思系统架构，并结合业务目标设计合适的评估方法。也有一些公司的题目更具体，比如要求实现一个可调用特定API或者访问某个database的AI Chatbot，还要能在本地运行。
完成项目后，会有一个一小时左右的汇报面试。你需要向面试官详细解释你的approach、design decisions和results，并带着他们讲解你的codebase。
有些公司会在第一轮编程面试之后发出这样的项目，并将其视为整个面试流程中的重头戏。也有不少公司直接以 takehome 作为进入 onsite 面试前的唯一一轮技术筛选，足以看出公司对它的重视程度。
需要特别留意的是，这类项目通常需要投入相当多的时间才能完成得出色。如果你同时还在应对多家公司的面试，又要准备编程题和系统设计，务必提前规划好时间，合理分配精力，避免日程冲突。
5. 传统系统设计
这类题目相对少见，更多的是设计分布式系统之类的传统系统设计题。有些非常早期的startups会考到，可能是因为这些团队需要多面手，既要懂AI又要懂Fullstack。对于这类面试不熟悉的朋友，我推荐跟着hellowinterview这个平台系统性地学习。
我是如何寻找面试机会的？
我面试了20-30家公司，主要通过三种方式寻找机会：
1. 通过顶级投资机构寻找portfolio公司
因为我主要关注的是种子轮到B轮的AI应用初创公司，所以我首先会查看顶级投资机构（如a16z、Sequoia、General Catalyst等）最近投资了哪些公司。找到这些公司后，我会直接投递简历或在LinkedIn上联系他们的创始人。
2. 通过Recruiting Agency
这种方式效果非常好！我最后加入的公司就是通过招聘机构/猎头找到的。这些机构与很多优秀的VC和初创公司有合作，我向他们介绍了我的背景和需求后，他们很快提供了十几家符合要求的公司名单。这样大大提高了效率，很快就能开始面试流程。他们的商业模式是按照你最后得到的compensation中按一定比例向公司要commision，这就保证了他们的利益基本和你一致，很有动力帮你找到匹配的机会。有些recruiting agency专门为top VC-backed startups寻找talents，可以在linkedin上搜索。
3. 通过自己的人脉
除了上述渠道，还可以跟自己在startup和VC界的朋友们交流，了解行业内的机会。有几位做投资的朋友很热情地帮我联系了几家很优秀的startup founders。如果不是通过这些朋友，我可能根本不会知道这些很棒的团队。
如何判断一家初创公司是否靠谱？
早期初创公司的失败率很高，所以我通常会从几个维度评估一家公司：
1. 团队素质
面试过程其实是双向选择的过程。我会特别注意与面试官（往往是创始人或早期员工）的交流，看他们是否对所做领域有深刻见解，是否是我愿意共事的人。如果拿到offer，我会寻求与团队更多成员交流，了解公司的领导层。
在面试之外，我会通过自己的人脉网络，找是否有人认识该公司的创始人或leadership成员，了解与他们共事的体验如何。一个很好的办法是在LinkedIn上找到共同好友，征求他们的评价。
2. 独立判断商业模式和市场
对一家pre-seed或seed轮的公司来说，创始人可能比business更重要，因为团队很有可能在发展过程中转变方向（pivot)。一般情况下，尤其是A轮及以后，我会认为市场和商业模式是更能决定一家公司天花板的因素。因此我尤其看重这方面。
我会自己对公司的商业模式和市场前景做调研判断。有几个信号可以帮助判断：
市场机会是否足够大。
商业模式是否好。
公司增长情况如何。
投资方是否有顶级机构。
3. 薪资
公司是否愿意提供顶级的薪资待遇，在一定程度上表明他们是否资金充足且重视人才。 目前旧金山硅谷顶级的AI Startup可以提供什么样的薪资呢？这里有一家Recruiting Agency提供的Startup薪资数据库，可以作为参考。
