10月15号，我把华为AI岗的秋招面试一天之内全部走完了。早上九点半开始，一面、二面、主管面连着打，结束的时候已经下午快六点，整个人像被掏空，但脑子反而特别清醒——因为所有考题、追问、手撕代码的点，我在之前备战的时候基本都踩过或者准备过。这篇就当复盘笔记，把当天真实的面试节奏、考察重点、踩坑细节全部拆开讲，给正在准备华为AI岗（甚至其他大厂算法岗）的同学一个参考。
今年秋招AI岗和往年最大的不同是，大模型方向从“加分项”变成了“必考项”，Agent、RAG、模型微调几乎被问了个遍。传统机器学习和深度学习的底子还在考，但比重明显降了，反而大模型应用相关的项目经历、工程落地经验成了核心考察点。如果你现在还在准备，希望我这篇复盘能让你少走点弯路。
1. 整体备战思路与投递节奏
1.1 时间线梳理与岗位选择
先说投递节奏。我是9月初投的简历，华为秋招系统开放后两周左右提交的申请，岗位方向选了AI算法工程师（大模型方向）。9月下旬收到机试通知，10月中旬才排到正式面试。这个时间线在华为秋招里算中等偏后，但因为前期机试和性格测评都已经过了，面试才是一锤定音的关键。
华为今年秋招的时间节点比往年稍微拉长了一些，但是整体节奏依然是“网申-机试-性格测评-技术面-主管面-HR面-offer审批”这条链路。AI岗和其他岗的差异主要体现在机试和面试内容上。机试统一走的是华为OD同款新系统，双机位监考，题目用的C卷题库；面试环节则更看重项目深度和工程能力，纯背八股文拿高分的时代已经过去了。
岗位选择方面，华为AI岗下面细分的方向很多，比如自然语言处理、计算机视觉、推荐系统、大模型应用、推理优化等。投递之前一定要想清楚自己最擅长哪个方向，因为面试官会根据你简历里的项目方向来匹配面试官，大概率是方向match的专家来面你。我投的大模型应用方向，所以面试官主攻NLP和模型部署，聊得比较深，也问了很多工程落地细节。
1.2 简历打磨与项目包装
简历是敲门砖，但这里说的“包装”不是造假，而是把你做过的事情用面试官能快速抓取关键词的方式呈现出来。我简历上一共写了三个项目：一个是基于大模型的智能文档问答系统，一个是情感陪伴类小程序（涉及安全合规处理），还有一个是比赛里的电商推荐算法优化。三个项目各有侧重，分别对应RAG应用能力、工程落地能力和传统机器学习功底。
面试下来我的体会是，项目不求多，但每一个都要经得起追问。面试官会按着你的项目细节一层一层往下挖，从数据集怎么清洗、模型为什么选这个不选那个、评估指标怎么定、线上推理延迟多少，到如果换个场景你会怎么优化。每一个问题背后都在考察你到底有没有真正做过，还是看几篇博客包装出来的。所以宁可只写两个深挖过的项目，也不要写五个说不清细节的项目。
另外，今年华为的AI面试官对“AI辅助开发”这件事很感兴趣。我在项目描述里提到使用了Cursor辅助编写工程代码，面试官专门问了怎么用、用了之后对代码质量有什么影响、哪些环节AI帮不上忙。这个问题没有标准答案，但能看出你是否对工具有清晰的认知。我的回答是：Cursor在写数据清洗脚本、格式化代码、快速搭接口这些重复性工作上提效很明显，但模型结构设计、loss调优、badcase分析这类需要深度思考的环节，AI目前还替代不了，只能作为辅助。
2. 机试环节：题型分布与备考实操
2.1 考试形式与真题复盘
华为机试统一用新系统，牛客网在线答题，双机位监考，正面电脑摄像头，侧面手机支架拍到手部动作和屏幕，周围不能有人，环境要提前准备好。考试时间两个半小时，一共三道题，分值分别是100分、200分、300分，总分600，用ACM模式，自己处理输入输出。
说实话，这个考试对平时刷LeetCode但习惯核心代码模式的同学来说，第一关就是“输入输出解析”。很多人不是题目不会做，而是卡在处理输入格式上，尤其是第二题和第三题的输入往往比较复杂，可能有多行、有分隔符、有嵌套结构。我建议在牛客网刷题的时候不要只刷函数体，多练练在线调试，尤其是std::getline、split、while(cin>>)这些基础操作要闭着眼写。
三道题的整体难度我个人体感是：第一题相当于LeetCode简单偏中等，第二题中等，第三题中等偏难，而且第三题往往是动态规划或者带状态的搜索题。我当天遇到的第一题是一个字符串处理类问题，类似于正则匹配的简化版；第二题是数组区间合并变种，需要维护一些额外信息；第三题是带限制条件的迷宫最短路径，要同时考虑步数、钥匙状态和传送门，标准的状态压缩BFS。
2.2 机试备考的实操建议
如果你现在还在准备机试，我给你几个实操建议。第一，刷题范围不用贪多，重点抓动态规划、深度优先搜索、广度优先搜索、二分、双指针、字符串处理这六大类。华为的机试题目比较务实，很少出特别偏的数据结构题，但DP和搜索几乎是必考的。
第二，务必练习ACM模式下的输入输出解析，尤其是多行不定长输入。我见过太多人栽在第三题的输入上，题目本身思路是对的，但因为没有正确处理输入，样例没过，直接丢分。建议至少提前两周每天用牛客网的在线OJ练手，保持手感。
第三，时间分配很重要。两个半小时做三道题，建议第一题20分钟内解决，第二题控制在40分钟左右，第三题哪怕没有完整思路，也要把暴力解法写出来拿到部分分。机试的通过标准不是满分，而是看总分过没过线，部分分也是分。我最后总分是300多分，不算高分，但足够进入面试环节了。
3. 技术面试核心考点拆解
3.1 一面：项目深挖与基础八股
一面那天，面试官是一位看起来三十出头的技术专家，上来先让我做了五分钟自我介绍。这里有个细节：自我介绍不要复述简历，简历上已经有的信息面试官自己会看，你要重点讲“为什么做这个项目、解决了什么核心问题、你的独特贡献是什么”，把面试官的注意力引到你最擅长的部分。
我重点讲了智能文档问答系统的项目。这个项目的核心链路是：文档解析→切片→向量化→召回→重排→大模型生成→答案引用溯源。面试官针对这个链路问了很多细节，比如：切片长度怎么定的、用了什么Embedding模型、检索召回用的什么方案、命中率不高怎么排查、重排模型怎么选、大模型用的什么、推理部署用的什么框架、延迟多少、显存占用多少、QPS能扛多少。
这些问题里，最容易翻车的是“量化等级”和“推理框架”的细节。我一开始用的是vLLM做推理加速，显存不够之后做了INT8量化，但量化后模型效果掉了两个点，后来通过混合精度和KV Cache优化把效果拉了回来。面试官对这一段特别感兴趣，连着追问了“量化为什么掉点”“KV Cache原理是什么”“你还了解哪些推理优化手段”，这些如果不真正做过部署优化，现场编是编不出来的。
基础八股部分，面试官问的比较常规但也有代表性：
- Transformer里为什么用LayerNorm而不是BatchNorm？
- 讲讲你对注意力机制的理解，包括多头注意力为什么要多头。
- 训练深度学习模型时，梯度消失和梯度爆炸怎么解决？
- 正则化手段有哪些？L1和L2的区别是什么？
- 什么是过拟合？如何判断模型过拟合了？
这些都是经典问题，看起来不难，但如果很久没复习基础，容易说得很散。我的建议是准备的时候把每个问题都按“定义-原因-解决方案-对应场景”四段式来组织答案，说的时候先给结论再展开，面试官会更容易跟上你的逻辑。
3.2 二面：大模型新考点与手撕代码
二面的面试官明显更偏工程，开场没让我自我介绍，直接盯着简历上的“情感陪伴小程序”项目开始发问。这个项目我做了比较强的安全合规设计，包括敏感词过滤、身份认证、未成年人模式、对话内容审计、拒绝策略等。面试官对这部分很认可，因为他真正关心的是大模型应用落地时的安全边界问题，这个能力其实很多候选人都不具备。
围绕大模型，二面问的核心考点我整理成了四个方向：
第一个是Agent。面试官对工具调用和任务拆解非常感兴趣，让我讲Agent的规划（Planning）、记忆（Memory）、工具使用（Tools）三大模块的设计思路。我结合自己做的一个简单Agent场景来回答：用户让AI查天气、订会议室、发通知，系统需要先把用户意图拆解成多个步骤，然后决定调用哪些API，最后汇总结果。这里考察的不只是你会不会用LangChain，而是你理不理解Agent背后的决策逻辑。
第二个是RAG的进阶优化。基础RAG链路是“检索-拼接-生成”，但面试官会继续追问：如果检索结果质量差怎么办？如何做查询改写？如何做混合检索？如何做上下文压缩？如何减少幻觉？针对这些问题，我分别回答了一些实操方案，比如用HyDE生成假答案再做相似度检索、用BM25和向量检索做混合召回再加RRF融合、给大模型限制“只基于给定内容回答，不编造”的系统提示词，并在后处理阶段增加事实一致性校验。
第三个是模型微调。面试官问的是LoRA和全量微调的区别，什么场景下选LoRA，什么场景下必须全量微调。我当时的回答是：LoRA适合资源有限、基座能力已经很强、只需要对齐特定格式或风格的场景；但如果要注入大量新知识或者领域数据非常丰富，LoRA的容量可能不够，需要全量微调或者混合微调。面试官又追问了一句“LoRA的秩怎么定”，这个我没答好，只说了经验和实验对比，没有给出更系统的解释。事后我查了资料，秩的选择和任务复杂度强相关，简单任务4-8就够，复杂任务要16-64，且要和模型参数量匹配，这个点建议大家一定要补上。
第四个是工程部署。因为项目里用到了FastAPI提供接口，面试官详细问了并发处理、请求队列、模型预加载、批量推理、缓存策略等。这部分如果你的项目经验不够，一定要提前补课，大模型项目不是把模型训练完就结束，上线后的工程问题往往才是面试官最关心的。
手撕代码环节，二面出了一道“最长递增子序列”的变种：给定一个未排序的整数数组，求最长递增子序列的长度，但要求输出该子序列本身（如果有多个，输出任意一个即可）。这道题我选择了动态规划加回溯数组的方案来写，O(n^2)的时间复杂度，虽然不是最优解（最优是贪心加二分O(nlogn)），但胜在逻辑清晰、边界不容易出错。写完后面试官问了“能不能优化到O(nlogn)”，我解释了一下贪心加二分的思路，表示能写但需要更多时间，面试官点头表示认可。这里我的体会是：手撕代码环节，一定要先沟通思路再动手写，写的时候注意变量命名和边界判断，即使不是最优解，只要思路正确、代码可以跑，面试官都会给过。
3.3 项目经历的常见追问方向
项目经历的追问基本是面试的重头戏，我总结了一下，面试官最常问的追问方向有五个：
一是数据层面：数据集从哪来、规模多大、如何清洗、标签怎么做、类别是否平衡、有没有做数据增强。这些问题都是考察你对数据敏感度，因为算法工程师的工作里很大一部分时间都在和数据打交道。
二是模型选择层面：为什么选这个模型不选另一个模型，做过哪些实验对比，效果差异是多少。面试官特别反感只给结论不给对比的候选人，哪怕你只是说“我对比了A和B，A在验证集上准确率高了1.5个点，所以选了A”，也比直接说“A效果最好”要有说服力。
三是评估体系层面：你用什么指标评估模型，为什么选这个指标，指标和业务目标之间是否对齐。比如做问答系统，跑分很高不代表用户体验好，还要看答案是否有事实错误，是否引用得当，是否有敏感内容。
四是上线部署层面：模型怎么部署的，用什么框架，延迟和吞吐是多少，如果QPS翻十倍怎么办，模型更新迭代的流程是什么。很多同学项目停留在实验阶段，一問到上线就露馅。我的建议是哪怕只是用FastAPI简单封装了一个接口，也要把部署流程补齐，这在面试里非常加分。
五是复盘与反思层面：这个项目如果再让你做一次，你会改进什么。这个问题其实不难，但容易掉进“我不觉得有什么要改”的陷阱。一定要说出至少两个反思点，比如“当时Embedding模型选得比较随意，如果换成更新更强的模型召回率应该会更好”“当时没有做A/B测试就直接上了，风险偏高”等，表现得有成长型思维。
4. 主管面与HR面：从技术到综合素质
4.1 主管面：项目价值与业务判断
主管面一般在技术面之后，面试官通常是部门主管或者技术带头人，风格不像技术面那么细，但问的问题更宏观。主管面开场通常会抛出一个问题：你对我们部门做什么业务有了解吗？这个问题看似随意，但特别能筛人。建议提前到官网看看你所投递的BG（业务群）到底在做什么，产品是什么形态，目标客户是谁，技术栈大概是什么方向。
我当时回答的是：我知道华为在AI方面的布局很广，包括云服务、企业智能、终端侧的AI能力等，但我投的这个岗位更偏企业智能方向，可能涉及知识管理、智能问答、领域大模型定制化等场景。面试官听完没有否定也没有肯定，继续追问：如果让你做一个面向企业客户的智能客服系统，你如何设计整体方案。
这是个典型的“场景设计题”，考察的是你从技术视角转化为业务视角的能力。我的回答框架是：先分析业务目标（降低人工客服成本、提升用户满意度），再拆解技术方案（知识库建设、意图识别、多轮对话、转人工策略、质检体系），最后考虑成本和效果平衡（小模型加规则兜底、大模型做语义理解和生成、按流量分层调用）。主管面更看重你思考问题的全面性和逻辑性，具体技术细节反而谈得少。
另外，主管面还问了职业规划、对加班的看法、期望的工作地点、有没有其他公司的offer等常规问题。这些问题没有标准答案，但回答时要真诚，不要为了迎合面试官说违心的话，否则入职后压力和落差会很大。我对加班的回答是：项目关键节点加班没问题，但希望加班是高效产出而不是形式主义，我更倾向于用自动化手段提升工作效率，减少无效加班。面试官笑了一下，没有继续追问。
4.2 HR面：谈薪、base与稳定性
面到HR面基本就剩最后一关了。HR主要会问籍贯、家庭情况、是否独生子女、父母对你来这个城市工作怎么看、有没有女朋友、有没有其他offer、期望薪资是多少。这些问题的核心是确认你的稳定性和入职意愿，说直白点，就是HR要判断你能不能干长久，会不会入职三个月就跑路。
期望薪资这个问题要提前准备。建议先了解一下华为薪资结构，包括base、绩效、年终奖、股票激励的大致范围，再结合自身能力和市场行情报一个合理区间。我当时报了“总包N到N+5之间”的区间，没有报死一个数，给自己留了谈判空间。HR没有当场给回复，只说“我先记录一下，后续会有对接同事沟通offer细节”，这属于正常流程。
HR面还有一个隐形考察点：你的沟通表达是否清晰自然。很多技术型候选人技术很强，但和HR聊天时特别紧张，说话磕磕绊绊。其实HR面不用想那么多，就当和HR聊聊天，把自己的经历、想法、选择逻辑讲清楚就够了。真诚是必杀技，也是我在整个秋招里体会最深的一句话。
5. 复盘心得与避坑清单
5.1 我最容易翻车的5个细节
整个流程走完，我复盘了一下，有5个细节特别容易翻车，写出来给大家提个醒。
第一是机试环境问题。新系统双机位监考要求手机放在侧后方45度角，能拍到人脸和电脑屏幕，这个位置设置很讲究。我提前一天试过，一开始手机放太远，系统提示“监控区域不完整”，重新摆放了好几次才过。建议提前一天就把机位调好，不要等到考试当天再弄，很容易因为环境问题导致考试不顺。
第二是自我介绍超时。一面和二面的自我介绍我都控制在5分钟以内，但主管面我说得有点长，快7分钟还没说完，面试官打断了我说“咱们直接进入正题吧”。事后总结，主管面的自我介绍一定要控制在3-4分钟，因为主管更想听你对业务的理解，而不是听你复述简历。
第三是八股文答得太散。一面对Transformer相关问题时，我说了好几个点，但没有组织逻辑，面试官追问“你刚才说LayerNorm是解决分布偏移问题，能具体说说内部做了什么事吗”，我才意识到自己绕过了核心机制。后来我把“层归一化是在每个样本内部做标准化，不受batch size影响，更适合变长序列”这个关键点放在开头先说，后面再展开解释，效果明显好很多。
第四是手撕代码写完没有自测。二面手撕代码的时候，我写完提交给面试官，面试官冷冷地问了一句“你确定这个代码没问题吗？”。我才发现自己漏了一个边界条件。从那以后我养成一个习惯，写完代码先自己在脑子里跑一遍包括空数组、单元素、全相同元素、倒序数组几个测试用例，确认无误再交。这个习惯帮我在后来的面试里避免了好几次低级错误。
第五是项目数据记不清。有一个项目我很早就做完了，对模型准确率、召回率、数据集规模这些数字记忆模糊，面试官问的时候我只能说“大概、可能、应该是”，非常掉分。后来我把每份简历里涉及的数据指标都整理成一张表，面试前背一遍，再也不怕被追问了。
5.2 面试当天的时间与精力管理
华为AI岗的面试安排一般是一天两轮技术面加主管面，中间休息时间很短。我当天是上午九点半开始一面，十一点左右结束，中午有不到一个小时吃饭休息，下午一点半二面，三点多主管面，四点半后HR面。这个节奏对体力的消耗很大，建议面试前三天调整作息，保证睡眠，面试当天早餐吃好，随身带点巧克力或坚果类的零食，趁中场休息补充能量。
心理状态也很重要。我那天二面手撕代码差点犯错后，有一段时间情绪有点起伏，但其实面试官并没有直接把我的结果否定，反而是我自己的情绪先崩了。后来我深呼吸了几次，把注意力重新拉回到题目上，慢慢把思路理清了。面试的时候紧张是正常的，但不要让紧张影响你的判断，面试官考察的就是你在压力下的反应是否稳定。
5.3 给后续秋招同学的建议
根据我这次的经验，后续想投华为AI岗的同学，我的建议是：机试要早刷、项目要深挖、大模型知识要系统补、模拟面试一定要做。机试是入场券，刷题没有捷径，但要有重点；项目是核心竞争力，每个项目都要能讲出完整的思路链路和实验对比；大模型是必考点，不管你做不做大模型方向，Agent、RAG、微调、部署这四个话题至少每个都能聊上十分钟；模拟面试一定要找有经验的人帮你压一压，自己对着镜子练和真正被人追问，完全是两种体验。
最后再分享一个我自己体会很深的事情：面试结束后一定要当天复盘，把你被问到的所有问题、你回答的内容、哪些地方卡壳了全部记下来。我那天面试结束后虽然很累，但还是在回学校的路上用手机备忘录记了将近两千字的复盘笔记，包括每个面试官的风格、问的问题、我的回答和不足。这些记录不仅是宝贵经验，在后续其他公司的面试里也同样适用。希望大家秋招都能拿到心仪的offer，别焦虑，慢慢来，一轮一轮打怪总能通关的。
