4月23日上午十点，我坐在酒店书桌前完成了华为AI岗的最后一轮技术面。结束通话那一刻，我第一反应不是放松，而是把刚才面试官追问的几个问题赶紧记到备忘录里——每次面试完趁热复盘，比刷十道题都管用。这一路从投简历、机试到三轮面试，踩了不少坑，也有不少心得。这篇文章就把我这次面试华为AI岗（留学生背景、OD通道）的全过程写下来，包括机试怎么准备、技术面问什么、留学生身份有哪些额外要注意的坑，希望能给你省点时间，少走点弯路。
我主要想聊清楚这几件事：华为AI岗面试的整体流程和考察逻辑是什么，机试（也就是大家常说的华为OD机试）到底怎么打分、刷什么题，AI技术面会从哪些角度追问大模型和项目细节，以及留学生群体在面试中特有的问题怎么处理。不管你是准备投华为的正式校招、OD岗位，还是单纯想体验一下大厂AI岗的面试深度，这篇复盘都有参考价值。
1. 面试全流程梳理：从简历到HR面
1.1 岗位投递与简历筛选
先说投递。留学生投华为AI岗，通常有两条通道：一条是正式的校园招聘，走华为官网或者校招系统，面向应届毕业生；另一条是OD（Outsourcing Developer）通道，也就是外包研发岗，很多社招或者非应届的留学生会走这条路。我这次走的是OD通道，整体流程和正式校招大同小异，但机试的权重明显更高，也有不少人先OD入职再转正式，所以别一听外包就觉得低人一等，关键还是看团队和项目本身。
简历筛选这块，留学生有个容易忽略的问题：项目经历怎么写。海外实习、实验室项目、课程大作业，这些东西在简历上如果只是简单罗列“用了PyTorch做了个分类模型”，基本会被筛掉。我后来总结出的有效写法是：定性（解决什么问题）+ 定量（指标提升多少）+ 技术细节（用了什么方法、为什么用）。比如“在xx数据集上完成医疗文本分类任务，通过引入预训练模型和Focal Loss解决类别不平衡问题，F1从0.71提升到0.83”，这种描述一眼就能让面试官知道你的技术深度。我在简历里把海外期间做的一个RAG问答系统项目用这个思路重新写了一遍，后面几乎所有面试官都在追问这个项目，说明写法确实有效。
时间线上，建议提前一到两个月准备。机试可以约在投递后一到两周，技术面通常隔一到两周，整个流程走完大概需要一个月。我当时因为人在国外，时间和国内有时差，所以协调面试时间花了不少功夫，这个后面专门说。
1.2 机试、技术面和主管面的时间线
华为AI岗的面试环节，我这次经历的是：机试 → 技术一面 → 技术二面 → 主管面/HR面，一共四轮。机试过后大概三天收到技术面通知，两轮技术面之间隔了四天，主管面和HR面安排在同一个下午，整个流程走下来大概三周多一点。
机试是所有环节里淘汰率最高的，也是最容易通过短时间刷题突击提升的环节。它不像传统笔试那样只考选择题，而是要求你在一个在线编辑器里手写完整代码，环境类似LeetCode但更朴素，没有自动补全，也没有本地编译器，写错了只能靠肉眼排查。这个后面我会单独用一整节讲。技术面则是以项目深挖和手撕代码为主，面试官会先让你自我介绍，然后挑一个你最熟的项目从里到外问一遍，最后出1到2道算法题让你现场写。二面相对一面会更偏系统设计和方案权衡，比如“如果数据量扩大一百倍你这个方案还成立吗”这类问题。主管面和HR面主要考察综合素质、稳定性、薪资期望和入职时间，这时候技术问得不多，但表达逻辑和职业规划要提前理清楚。
这里有个小建议：每轮面试结束都记录一下被问到的问题，尤其是没答上来的那些。我二面被问到“LoRA的低秩矩阵秩r怎么选择”当时答得不够深入，当天晚上就翻论文补齐了，后来主管面又被问到相关问题，幸好补了课，不然就露馅了。
2. 机试备考：C卷题型与刷题策略
2.1 机试环境与评分规则
华为OD机试现在用的是新系统，双机位监控，也就是除了电脑摄像头，还要用手机开一个后置摄像头从侧面照到你的手和屏幕。这个一定提前准备好手机支架，我当时因为临时用一本书垫手机，角度不对被监考人员提示调整，白白浪费了几分钟。考试环境用的是在线代码编辑器，支持的语言有Python、Java、C++等主流语言，但没有任何自动补全和代码提示，平时用惯了IDE的可能会有点难受，建议提前几天在纯文本环境下练练手感。
评分规则方面，我这场机试是3道题，分值分布是100分、100分、200分，总分400分。每道题按测试用例的通过率给分，也就是说你写出的代码跑过多少用例就得多少分，不是全对或全错的两极判断。过线分数不同批次不太一样，我听说的有150分、180分、200分几种说法，但不管怎么样，目标是冲着做出一道完整的100分题，再在第二道题拿一半分，第三道题能写暴力解就写暴力解。这个策略比较稳妥，因为我遇到的大部分人不是不会做，而是时间不够。
另外要特别注意：考试中切屏会被记录，切屏次数过多可能直接判违规。我当时开着本地笔记软件想记录思路，结果发现这个行为有风险，赶紧关掉了。建议提前把该准备的东西都准备好，考试期间不要有任何切换窗口的操作。
2.2 核心题型与解题思路
我把常见的华为OD机试题型整理了一下，按照出现频率排序大概是：字符串处理、数组与排序、贪心算法、动态规划、图论与并查集。字符串处理几乎每场必考，而且往往作为第一道100分题出现。常见的有：给一个字符串，统计满足某种条件的子串个数；解析日志中的某类字段；字符串去重、排序、按规则拼接等。这类题本身不难，但边界条件特别多，比如空字符串、大小写、Unicode字符、超长字符串等，一定要重点处理。
第二道100分题大多数是贪心或模拟题，比如任务调度、区间合并、资源分配等。这类题的核心是把问题转化为排序+选择。举个例子：有若干任务每个任务有开始时间和结束时间，一个机器同一时刻只能做一个任务，问最多能完成多少个任务。这就是典型的贪心问题，按结束时间排序后依次选择。如果你能把这类问题的套路想清楚，第二道题拿个70%甚至满分并不难。
第三道200分题往往是动态规划或图论题，难度明显上一个台阶。我这场碰到的是一道状态压缩动态规划题，属于那种“想得到就是送分题、想不到就毫无头绪”的类型。这类题我自己的经验是：先把暴力搜索的解法写出来，能拿20-30%的分就不亏，不要在上面耗太久，把时间留给前面两道题检查边界条件更划算。
2.3 刷题路线和模拟练习
如果你问我机试怎么准备最有效，我的答案是：分类刷题+模拟考试，两件事缺一不可。
我备考大概用了三周。第一周主攻字符串和数组题，每天刷5-6道，重点练习用Python处理字符串的各种手段，比如split、join、正则表达式。第二周主攻贪心和动态规划，动态规划我只准备了最经典的几类：背包问题、最长上升子序列、最长公共子序列、区间DP。这个阶段不用贪多，把每类题的模板吃透比刷十道类似题都管用。第三周开始做整套模拟，找几套往年的题目，严格按照考试时间130分钟和双机位环境来模拟，训练时间分配和心态控制。
这里有个容易忽略的点：很多人刷题只刷“会做的”，一看到难题就跳过，这会导致在机试现场遇到陌生题型直接懵掉。我建议至少做10道自己觉得“有点难”的题，培养一下面对困难题目时的心理承受能力。我考试的时候第三题虽然没完全做出来，但因为之前练过类似的暴力解法，至少拿到了30%的分数，这可能就是过线与否的差别。
3. AI技术面核心：大模型、Agent与项目深挖
3.1 大模型与深度学习必问点
技术面的大头不是八股文，而是围绕你的项目进行深挖，但深挖的前提是基础知识要扎实。以我自己准备的经验来说，有几个方向是AI岗面试几乎必问的。
第一是Transformer结构。面试官不会只问你“Transformer和RNN有什么区别”这种基础题，而是会追到细节：多头注意力里的头数怎么定？位置编码为什么用正弦函数？为什么Q和K要除以根号d_k？这些点如果只是“知道大概”是远远不够的，必须达到能徒手推导公式的程度。我一面就被问到“缩放因子为什么是根号d_k而不是d_k”，当时靠概率分布方差的计算才勉强答上来，这也是我二面结束后重点补的一个知识点。
第二是微调和高效参数微调方法。LoRA几乎是必问的，因为它就是现在大模型微调的主流方案。面试官会问LoRA的原理、和全量微调的区别、低秩矩阵的秩r怎么选择、在什么情况下LoRA的效果会不如全量微调。我一开始对r的选择没有深入思考，后来补课才知道：r太小表达能力不足，r太大又失去了参数高效的优势，一般4-64之间，具体要看任务复杂度。这种细节问题最考验平时积累。
第三是评估指标和过拟合处理。分类任务的准确率、精确率、召回率、F1、AUC，这些要能说清楚各自的适用场景。尤其是不平衡数据场景，我那个医疗文本分类项目正好用上了Focal Loss，面试官就顺着问了好几个问题：为什么用Focal Loss？和加权交叉熵有什么区别？α和γ怎么调？这些都要提前想清楚。
还有一个很容易被忽略的点：传统机器学习基础。大模型再火，面试官还是可能会问逻辑回归、SVM、决策树、随机森林、XGBoost这些经典模型的原理和适用场景。我朋友就遇到过面试官问“如果只有1000条数据，你会选深度学习还是传统机器学习，为什么”，这种问题考察的不是你会不会调包，而是你对模型容量、数据量、过拟合之间关系的真实理解。
3.2 Agent、RAG与Prompt工程实战
如果你做过AI Agent或者RAG相关的项目，面试官大概率会花大量时间追问。我这次面试两个技术面都围绕我在海外做的RAG问答系统项目展开，问题非常有层次，我梳理一下。
第一层是关于RAG的流程设计：文档怎么切分？用什么向量模型？向量数据库选的什么？召回多少条？重排怎么做？这些听起来简单，但每一个环节都有很深的坑。比如文档切分，按固定长度切还是按语义切，会显著影响召回质量。我当时用了一个比较糙的固定窗口切分方法，面试官直接问“如果一句话被切成两半怎么办”，这说明他对工程细节非常敏感。
第二层是关于检索质量优化。召回率低怎么调？准确率低怎么调？混合检索（稠密向量+稀疏关键词）怎么融合？我当时的方案是用了RRF（Reciprocal Rank Fusion）融合多个召回结果，面试官对这块比较感兴趣，让我详细讲了一下原理和参数选择。这属于那种“正常做项目可能只会调库、不会深究”的细节，但恰恰是面试官最想看的东西。
第三层是关于Agent的工具调用。最近AI Agent很火，面试官特意问了我一个问题：如果让Agent调用一个外部API，API返回了错误结果，Agent怎么判断并恢复？这个问题其实没有标准答案，但考察的是你对Agent记忆、规划、反馈闭环的理解。我当时结合ReAct模式的思路回答：让模型先观察到异常结果，再重新规划步骤，必要时调用备用工具或向用户澄清。面试官看起来比较认可这个思路。
Prompt工程也是必问方向。面试官可能会问：你平时怎么写Prompt？怎么设计Few-shot示例？遇到模型输出不稳定怎么办？我的经验是，与其背一堆“Prompt技巧”，不如真正理解模型输出的概率分布特性：同样的Prompt换一种表述可能结果就不同，这是因为解码过程中的随机性和位置偏差导致的。理解了这一点，你就能明白为什么结构化输出（比如要求模型返回JSON）往往比自由文本更稳定，因为约束了输出空间。还有一点很关键：现在的面试官普遍反感“Prompt万能论”，如果你把项目的核心亮点归功于“我写了一个很厉害的Prompt”，反而会减分，更好的定位是把Prompt当作一个工程环节，而不是核心技术方案。
3.3 华为技术栈与开源框架准备
既然投的是华为AI岗，就一定要对华为的技术栈有基本了解，否则面试官会怀疑你根本不是真心想来的。我准备了大致以下几块，供你参考。
算力层面，了解昇腾（Ascend）AI处理器的基本定位和产品线，比如昇腾910系列常用于训练，昇腾310系列常用于推理。如果你用过ModelArts或Atlas系列，可以重点讲；没用过也没关系，展现出对这套生态的兴趣和了解程度就够了。我当时说了自己在网上了解过昇腾和GPU在算子层面的差异，面试官明显态度有变化，觉得我做了功课。
框架层面，MindSpore是华为自研的深度学习框架，如果你平时用PyTorch，至少要了解MindSpore和PyTorch的异同，以及模型迁移的基本思路。最简单的迁移方法是通过ONNX导出模型再导入MindSpore，另外一个方向是使用MindSpore提供的PyTorch兼容接口。我虽然没有实际迁移过，但提前看了一些资料，面试中被问到“如果让你把一个PyTorch模型迁移到MindSpore，你会怎么操作”时，能说出个一二三来。
大模型层面，了解一下盘古大模型的能力和定位，以及在办公、政务、煤矿、铁路等行业的落地案例，会显得你的视野不局限于技术本身。我面试前花了半小时快速浏览了几个公开案例，后面在回答“你对华为AI方向有什么了解”时就用上了，这种问题在主管面基本都会出现，千万别只说“华为很有实力”这种空话。
还有一个小细节：如果你熟悉华为的开源项目或开发者社区，比如MindSpore社区的一些活动，可以自然地在回答中带一句。这会让面试官觉得你对技术有热情，不是一个只会刷题的候选人。
4. 留学生面试的特殊关卡
4.1 时差、远程与面试环境
留学生在面试中最特殊的问题就是时差和远程。我所在时区和国内差8个小时，国内下午3点面试，我这边是早上7点。为了保持最佳状态，我面试那几天特意调整作息，每天提前两小时起床，面试前还要做一套模拟题热身。
远程面试的环境问题容易被低估。我一面的时候是在宿舍面，结果室友刚好在做饭，背景里有切菜声，虽然对方没说什么，但体验肯定不好。后来我干脆订了几天酒店，选了一个安静、网速稳定、光线明亮的房间专门用来面试。这个成本花得非常值——面试过程中你会更加专注，不用担心断网或者背景杂音。另外一定提前测试视频软件，准备好外接摄像头和麦克风。笔记本电脑自带摄像头的位置往往偏低，从下往上拍显得整个人很没精神，稍微垫高一点屏幕效果会好很多。面试期间把手机通知关掉、电脑上无关软件全部退出，也是基本的尊重。
还有一个小提醒：远程面试中眼神交流很关键。摄像头和屏幕不在同一高度，你盯着屏幕看对方，对方看到的是你在低头。尽量把摄像头调整到视线平视的位置，说话时偶尔看一眼镜头，会让面试官感觉你在和他交流而不是对着电脑自言自语。
4.2 项目表达和中英切换
留学生做项目时可能有不少英文材料，但面试中建议还是用中文表述。不是说你英文不好，而是技术面试中术语的准确性非常重要，一个中文术语表达不清楚，面试官很难判断你是真懂还是装懂。
我的做法是：提前把简历上的每一个项目用中文重新过一遍，把关键术语的中英文对照整理出来。比如“Fine-tuning”说“微调”，“Retrieval-Augmented Generation”说“检索增强生成”，“Low-Rank Adaptation”说“低秩自适应”。面试中先中文表述，如果需要引用英文术语，用“微调（Fine-tuning）”这样的格式中英结合，既准确又自然。
还有一个常见问题是：项目经历怎么讲才能让面试官在最短时间内抓住重点。我用的框架是“背景-挑战-方案-结果”四步。先一句话说清楚项目背景，然后重点讲遇到的瓶颈（比如数据不够、效果不达标、性能太慢），再说你通过什么方法解决，最后用数值说明结果。面试官顺着你的讲述追问，问题基本可控。切忌一开始就堆技术名词，讲得越复杂，被追问的越多，越容易露怯。
4.3 学历认证与入职时间协调
留学生入职前有个绕不开的环节：学历学位认证。如果你在海外读的学校在中国留学服务中心的认证范围内，需要提前办理学历认证，这个流程通常需要一到两个月。别等到拿到offer才开始弄，投简历前就可以把材料准备好。我在准备机试的同时就提交了认证申请，后面HR问入职时间时才不会被动。
另一个很实际的问题是毕业时间和入职时间的衔接。留学生毕业时间通常和国内不完全对齐，有的12月毕业，有的6月毕业，这会直接影响你的应届生身份认定和入职批次。建议在投简历前就和HR确认清楚岗位对应届生毕业时间的要求，避免辛苦面完才发现毕业时间不符合规定。我身边就有这样的案例：一个朋友面完了所有轮次，最后因为毕业时间和岗位要求差了两个月，offer被卡住了，特别可惜。
还有一点：海外成绩单和GPA的折算。不同国家的评分体系不一样，有的学校是20分制，有的是字母等级。如果你简历上直接写了一个国外GPA，国内面试官可能没有概念。建议附上一句“相当于国内xx分制下的xx分”，或者简单说明班级排名，帮助对方快速评估你的学业水平。
5. 避坑实录：我踩过的和听说过的坑
5.1 机试现场的教训
机试现场最容易翻车的不是不会做题，而是环境问题。我前面提到过手机支架不稳，这里再补充几个更隐蔽的坑。
第一个坑是编程语言的选择。很多人听说华为机试支持Python，就毫不犹豫用了Python。但Python在高性能计算场景下的运行速度是个隐患，尤其第三道200分题如果数据量很大，Python的暴力解法可能会超时跑不过部分用例。我建议如果对C++或Java还有一点基础，机试优先用这两种语言；如果平时主要用Python，那就要特别注意算法复杂度，能用二分就用二分，能预处理就预处理，不要让Python的慢成为你丢分的原因。
第二个坑是输入输出格式。华为机试的题目输入输出经常是多行、有特定分隔符的，比如字符串数组可能以“a,b,c”的形式输入。很多人刷题用LeetCode习惯了函数签名式写法，到了这种需要自己处理stdin的考试场景就懵了。建议提前练习用sys.stdin.readline()或input()读取多行数据，掌握常见的输入解析方式。
第三个坑是不做本地测试。在线编辑器只有一个“运行”按钮，它能帮你跑一遍样例，但不会告诉你具体哪个用例错了。如果你只看到“部分用例通过”就反复提交，既浪费时间又会增加心理压力。更聪明的做法是，写完代码后自己在脑子里多构造几个边界用例——空输入、全相同元素、极大极小值、字符串里有特殊字符等，把能想到的边界情况都用编辑器跑一遍再提交。
5.2 技术面翻车点
技术面试的翻车点往往不在你不会的题，而在你觉得自己会、但没准备好的题。
第一个常见翻车点是对自己简历上的项目不熟。你写了一个项目，面试官就想当然地认为你清楚项目里的每一个细节。比如你写了“用BERT做文本分类”，那面试官可能就会问：BERT的参数量是多少？输入长度上限为什么是512？[CLS]向量为什么能代表整个句子的语义？如果你只是调包跑通了一个实验，这些问题很容易把你问倒。所以面试前一定要把简历上每个项目涉及的技术原理彻底搞懂，不熟悉的技术点宁可不写，写了就必须能扛住追问。
第二个翻车点是手撕代码环节过于紧张。技术面最后一般会有手撕代码题，难度通常比机试低，但因为是实时写代码，面试官能看到你的整个思考过程，所以更看重的是思路清晰度。如果你拿到题就闷头写，大概率会跑偏。我二面手撕的是一道“二叉树的层序遍历变体”题，我先用30秒和面试官确认了题意和边界条件，然后说了一下思路：用队列广搜，记录每一层节点数，按层处理。说完思路再动手写，整个过程很顺，面试官也没有打断我。这里的关键是：把思考过程和面试官同步，让他看到你的思路是清晰的，而不是瞎碰。
第三个翻车点是不懂装懂。面试中被问到一个完全没接触过的概念时，坦诚承认比硬编一个答案好得多，但承认的方式要讲究技巧。不要只说“我不会”，可以接一句“这个概念我没深入了解过，但根据我对xx的理解，它可能和yy有关，我猜它的思路是zz”。这样既展示了诚实，也展示了你的类比推理能力。我一面被问到一个关于稀疏注意力的问题，当时如实说了没深入研究，但结合标准注意力的计算过程推测了它的动机，面试官反而点头认可，还简单地给我讲了一下。
5.3 HR面与谈薪注意事项
主管面和HR面有时候会被当作走过场，但其实这里也藏着不少坑。
常见的一个问题是薪资期望说得不切实际。留学生背景的候选人容易高估自己的海外经历在国内市场的溢价，张口就是一个远超岗位预算的数字，结果直接把HR吓退。我了解到的华为OD岗位薪资结构通常是基本工资+绩效工资+年终奖，和正式员工有一定差异。在谈薪之前，最好通过网络平台了解目标城市和目标职级的大致薪资范围，再结合自己的能力和面试表现给出一个合理的区间，而不要报一个死数字。
另一个问题是职业规划表述得模糊不清。“我打算先干几年看看”“我对方向还比较开放”这类回答在HR面中是非常减分的。HR想看到的是一个有明确规划、有自驱力的候选人。你可以说“我短期希望深耕大模型应用方向，积累工程落地经验，长期希望能独立负责AI项目的技术方案设计”，这比“我都行”要有说服力得多。
还有一个容易被忽视的点：离职原因和空窗期的解释。留学生回国求职，可能因为疫情、学业安排等原因有一段空窗期，这是正常的，但面试官问起来时要有合理解释，最好能让对方觉得你在空窗期没有完全脱离技术，比如参加了某个训练营、做了开源项目、或者系统学习了某方面的知识。我面试时被问到回国前这段时间在干嘛，如实说了在系统刷题和补大模型课程，顺带把这段时间学到的东西讲了一下，效果比说“我在休息”好得多。
最后说说主管面。主管面通常不会问太多技术细节，更多是判断你能不能融入团队、工作态度端的稳不稳。这时候尽量表现得踏实、靠谱、渴望学习和挑战。我见过有人因为太“跳”被主管挂掉的——那种“我来了就是为了改变你们技术栈”的态度，在大厂面试中很容易踩雷。记住，面试是双向选择，但在拿到offer之前，姿态放低一点没什么坏处。
结尾
这次面试下来，我最深的体会是：华为AI岗的面试其实考察的不只是你会不会某个模型、能不能写出一道算法题，而是你有没有把一个AI项目从数据到上线完整跑通的能力，以及在面对陌生问题时能不能保持清晰的思路。留学生背景在面试中既不是加分项也不是减分项，真正决定结果的是你对项目的理解深度、基础知识的扎实程度，以及对待每一次面试的准备程度。如果你也在准备华为AI岗，我的建议是：把机试当成一个可以突击拿下的关卡，把技术面当成一次系统梳理自己项目的机会，把HR面当成一次真诚沟通的过程。面试机会难得，每一轮都值得认真对待。如果能早一点看到这篇复盘再去准备，你一定会比我当时更从容。
