企业官网建设流程全解析

1. 岗位分析与准备思路

1.1 这个AI岗到底在招什么人

先说结论：2026年的华为AI岗，和两年前的AI岗已经不是一回事了。如果还抱着“我会调参、会训练模型、会写几个Transformer”的心态去投，大概率连简历关都过不了。

从岗位JD来看，华为这个AI岗的核心诉求已经从前几年的算法研究型，明显转向了“工程落地+业务价值”双轮驱动。具体来说，他们希望候选人具备三块能力：第一，扎实的深度学习基础，包括经典网络结构、训练调参技巧、模型评估方法论；第二，大模型时代的工程能力，包括Prompt工程、RAG架构、模型微调、推理加速、部署上线；第三，业务理解能力，能把AI技术映射到具体的业务场景中，解决真问题。

我细读了岗位描述里出现频率最高的几个关键词：大模型应用开发、AI Agent、模型推理优化、业务效果闭环。这里有个很容易被忽视的信号——这个岗位不要求你从零预训练大模型，但要求你能基于现有基础模型做出真正能用的东西。说白了，华为这种体量的公司，算法岗位的分工已经非常细化，他们不需要一个“什么都会但什么都不精”的通才，而是要一个能在特定业务线上独当一面的专才。

所以我的判断是：简历里一定要突出“端到端落地”的经历，哪怕是一段小项目，只要涵盖了数据准备、模型选型、训练调优、部署上线、效果监控的全链路，都比一个空洞的“发表过论文”更有说服力。论文重要吗？重要，但那是门槛，不是核心加分项。

1.2 简历筛选阶段需要避开的三个坑

第一个坑是“技术栈堆砌”。我看到过太多简历，把PyTorch、TensorFlow、PaddlePaddle、Caffe、Keras、Scikit-learn全部列一遍，恨不得把自己会的所有名词都写上去。这种简历在HR初筛阶段还好，到了技术面试官手里，第一反应就是“这人什么都会等于什么都不会”。正确的做法是只写自己真正深入用过、能说清楚原理的技术，并且每个技术点都要有对应的项目佐证。

第二个坑是“项目经历写成了流水账”。很多人写项目就是“我负责数据清洗、特征工程、模型训练、上线部署”四句话带过，完全没有体现自己的思考和决策。面试官真正想看到的是：你遇到了什么问题？为什么选这个方案？对比过哪些其他方案？踩过什么坑？最后的量化结果是什么？这五个问题，才是项目经历的核心骨架。

第三个坑是“忽视业务指标”。算法工程师最容易犯的错就是只谈技术指标——准确率、召回率、F1分数，但完全不提这些指标对业务产生了什么影响。华为的面试官特别看重这一点，因为在真实业务中，准确率从95%提升到96%可能对商业指标毫无帮助，但响应时间从500ms降到200ms却能直接带来用户体验的提升。简历里如果能写清楚“通过某某优化，接口P99延迟从800ms降至300ms，业务转化率提升X%”，这个含金量比任何技术名词都高。

2. 笔试环节的核心考点与准备策略

2.1 算法题之外的隐藏加分项

华为的笔试历来是出了名的“卷”，尤其是AI岗，除了常规的数据结构和算法题之外，还有两个很容易被轻视的部分：数学基础和机器学习理论选择题。

先说算法题。2026年的趋势是，LeetCode Medium级别的动态规划、图论、字符串处理依然是主力，但Hard级别的偏题怪题明显减少了，取而代之的是更贴近工程实际的问题，比如设计一个限流器、实现一个支持并发读写的LRU Cache、写一个JSON解析器。这说明华为的笔试命题思路已经从“筛掉不会写代码的人”转向了“筛掉不会写工程代码的人”。

我复习的时候发现一个小技巧：与其刷遍LeetCode所有Hard题，不如把Medium题里的“设计类”题目单独总结一遍，尤其是LRU、LFU、线程池、消息队列这类经典设计题。因为华为的AI岗最后要干的事，就是在大模型应用里写工程代码，面试官更看重你是否具备生产级代码的思维，而不是纯粹比谁刷题多。

再说数学和机器学习理论。2026年的笔试里出现了不少概率论和统计学的题目，比如贝叶斯公式的推导、极大似然估计的计算、假设检验里p值的含义。这些如果大学里学过但忘得差不多了，强烈建议考前两周翻一遍概率论教材的目录，把关键公式过一遍手。还有一个高频考点是机器学习基础里关于偏差和方差的理解、正则化的作用机理、过拟合的判别方法，这个基本每年都考。

2.2 机试环节的时间和策略分配

华为的机试通常有3道题，难度递进，时间大概2小时左右。我的血泪教训是：第一道题一定要在30分钟内搞定，第二道题控制在50分钟内，最后一道题如果30分钟内没有思路，赶紧回来检查前两道的边界条件，而不是死磕第三题。

为什么这样分配？因为华为机试的评分标准是按通过用例的百分比算分，第三道题通常需要复杂的状态压缩或者高级数据结构的组合，即使你写出了正确代码，也可能因为一个小bug导致大量用例失败。与其冒险博第三题，不如把前两题做到100%通过。我实测下来，前两题全对、第三题暴力解拿个30%左右的分，总分往往比“前两题各80%、第三题50%”还高，因为越多用例通过，说明你的代码越稳健，边界处理越完善。

机试用的是华为自研的OJ系统，C++、Java、Python都支持。如果目标岗位是AI方向，建议用Python写机试，因为Python在字符串处理和某些动态规划实现上代码更短，调试更快。但要注意，Python的递归深度限制是个坑，涉及树或者图遍历时，记得主动设置递归深度或者干脆用迭代法。

2.3 开放性系统设计题怎么答

2026年的笔试题里出现了一道很有意思的开放题：如果要在2000台服务器上训练一个千亿参数的Transformer模型，你会怎么设计分布式训练架构，需要考虑哪些因素？

这道题没有标准答案，但考察的是候选人是否真的思考过大模型训练的系统性问题。我当时的回答框架是：先谈并行策略，包括数据并行、张量并行、流水线并行的适用场景和组合方式；再谈显存优化，包括ZeRO系列方案、梯度检查点、混合精度训练的取舍；然后谈通信瓶颈，包括All-Reduce的计算方式和其与网络拓扑的关系；最后谈容错机制，包括检查点保存策略和故障恢复流程。

这个回答框架说明白了一个道理：在面试官面前不要只做“名词朗诵者”，而是要把每个名词背后的技术动机讲清楚。比如为什么ZeRO-3比ZeRO-1和ZeRO-2的显存节省更彻底？因为它在每个设备上把完整的模型状态全部切分，但代价是通信量上升。没有哪套方案是银弹，你需要结合具体场景做权衡——这种“权衡思维”才是面试官真正想看到的。

3. 技术面试核心考察点拆解

3.1 深度学习基础：从机械记忆到原理推导

第一轮技术面通常会有20-30分钟的深度学习基础知识考察，内容其实相当固定：激活函数为什么选ReLU而不是Sigmoid、BatchNorm的训练和推理阶段有什么差异、Dropout在训练和测试时的行为为什么不同、Adam优化器和SGD的收敛行为区别。

但要注意，2026年的面试风格已经变了。面试官不再满足于“背出公式”，而是会追问“为什么”。比如问到ReLU，他会继续问：ReLU的Dead ReLU问题是什么？你怎么解决？如果采用Leaky ReLU，leak系数设多少合适？这个超参数对模型性能的影响有多敏感？如果回答不上来，前面的印象分基本就归零了。

我的建议是：对于每一个经典技术点，主动准备三层理解。第一层是“是什么”，第二层是“为什么有效”，第三层是“如果出现问题怎么排查”。比如BatchNorm，第一层回答是“对每一层的输入做归一化，减少Internal Covariate Shift”；第二层是“它让每一层输入的分布更稳定，从而允许使用更大的学习率”；第三层是“当训练集和验证集统计数据差异不大时，推理阶段使用滑动平均的均值和方差，但要特别注意小batch size训练时BN的表现会明显变差，此时可以考虑GroupNorm或LayerNorm”。能说到第三层，面试官才会认为你是真正用过、踩过坑的。

3.2 大模型与Agent：不要只会调API

2026年如果不懂大模型应用开发，根本进不了AI岗的面试。这一轮面试的高频问题包括：RAG的整体架构是怎样的？有哪些常见优化点？微调和RAG的适用场景有什么区别？如何评估一个大模型应用的效果？LangChain、LlamaIndex这些框架的底层原理是什么？

我当时被问到一个很有深度的问题：如果客户想要一个企业知识库问答系统，你会选择微调还是RAG？为什么？这个问题表面上是方案选型，实际上考察的是对两种技术的本质理解。我给的答案是：优先选RAG，原因有三个——知识更新的成本低、可解释性强（可以给出出处）、对训练算力的要求低。但如果客户的核心诉求是“让模型的回答风格更贴近公司AI客服”，那微调更合适，因为RAG改变不了模型的生成风格。

Agent方向的问题也在2026年的面试中频繁出现。面试官会问：Agent的关键组成部分有哪些？它和传统的工作流编排有什么区别？如何看待Function Calling和MCP这类工具调用标准？我的回答思路是：Agent的本质是让大模型具备“感知-决策-行动-反思”的闭环能力，它和传统流程最大的区别在于决策权交给了模型本身，而不是预设的逻辑分支。Function Calling之所以重要，是因为它让模型在需要外部信息或操作时主动发起工具调用，而不是依赖于提示词里的指令。

这里有一个我的独家准备技巧：不要只看Agent的理论文章，一定要自己动手搭过一个小型Agent。我当时用Coze和Dify各搭了一个“智能客服”的Demo，然后把配置文件翻了个底朝天，搞清楚里面的每一个节点、每一条触发条件是怎么设计的。面试的时候，我直接打开笔记本上的项目结构图给面试官讲了一遍，那种“我实际做过”的底气，是任何背诵都替代不了的。

3.3 模型部署与推理优化：拉开差距的杀手锏

这一块是我的强项，也是我觉得真正能拉开和其他候选人差距的地方。华为做AI岗，尤其是偏应用的岗位，模型部署和推理优化几乎是必考。

核心考察点包括：量化（PTQ和QAT）、蒸馏、剪枝的区别和适用场景；vLLM、TensorRT-LLM这类推理框架的原理；KV Cache的作用和优化方式；PagedAttention比传统显存管理好在哪；连续批处理是怎么提升吞吐的；以及Prefill阶段和Decode阶段的差异化优化策略。

面试官一般不会只问名词，他会给一个具体场景：假设你有一个对话系统，线上是8块A800，并发请求量是200 QPS，平均输出长度300 token，你怎么估算需要的显存和算力？此时你需要快速算一笔账：KV Cache每个token大约需要2（K和V）乘以层数乘以头维度乘以每个参数占用的字节数。比如一个7B模型，40层，hidden size 4096，FP16下每个token的KV Cache大概是40×4096×2×2约等于655KB。如果平均对话长度是1500 token，单路请求的KV Cache大约就是1GB，那8块A800每块80GB显存，显存容量能支持多少个并发请求，就能估算出来了。

这种计算题在面试里特别加分，因为直接说明了候选人真的部署过模型，知道KV Cache会占用大量显存，而不是只会在训练脚本里跑跑fit。我还被问过：为什么Decode阶段这么慢？因为生成是自回归的，只有一个token一个token地蹦出来，每一步都要做一次完整的矩阵乘法。解决方案包括投机采样（Speculative Decoding）、Medusa这样的并行解码方案，或者干脆减少生成长度，这些都是实战经验才能给出的回答。

4. 项目深挖与场景设计：怎么讲好一个AI项目

4.1 项目深挖的三个核心维度

面试官深挖项目的时候，通常会从三个维度展开。第一个维度是“边界”，他会问你这个项目的输入输出是什么、边界条件是什么、哪些情况没有处理；第二个维度是“取舍”，他会问你为什么选择这个模型而不选另一个，为什么用这个指标来评估效果；第三个维度是“复盘”，他会问如果重做一遍，你最想改动什么地方，为什么。

我准备的其中一个项目是用大模型做企业内部工单的自动分类和摘要生成。我讲了大概五分钟后，面试官突然问了个很刁钻的问题：如果你的模型把一张“网络故障”的工单错误地分到了“硬件故障”，影响是什么？我当时愣了一下，然后意识到这是个好问题——因为工单分类的错误会影响后续的流转路径，甚至影响工程师的派遣，这是业务影响而不是纯技术准确率的问题。

我的回答是：所以我们在模型后面加了一个置信度阈值，当分类概率低于某个值时，不自动分派，而是进入人工确认队列，这样就把模型的失误限制在了可控范围内。面试官对这个回答比较满意，因为这说明我思考过模型出错时的兜底机制。这个细节是很多人在准备项目时容易忽略的——永远不要只说模型有多强，要说清楚模型出错时你怎么办。

4.2 场景题的“三板斧”答题框架

华为面试的最后环节通常会有场景设计题，比如：如果让你用AI优化华为内部的IT运维系统，你会怎么做？或者：假设一个海外运营商客户提出“用AI做基站故障预测”的需求，请给出完整的技术方案。

这类题的答题框架我总结为“三板斧”：第一板斧是定义问题，把模糊的业务诉求转化为明确的技术问题。基站故障预测，到底是要预测故障发生的时间，还是预测发生故障的概率？两者建模方案完全不同。第二板斧是提出基线方案，先想清楚最简单能落地的方案是什么样，用什么数据，用什么模型，能达到什么效果，然后再谈优化空间。第三板斧是评估与迭代，设置哪些指标来评估效果，如何建立线上线下的评估流程，如何根据bad case持续迭代。

一个细节补充：这种场景题一定要记得谈数据。很多候选人一上来就谈模型选型，但忽略了数据才是AI项目的核心瓶颈。比如基站故障预测，你需要什么数据？历史告警数据、基站的运行日志、地理信息、天气信息、设备的保养记录等等。这些数据在现网中是否存在？数据质量怎么样？数据获取的成本高不高？你能拿到多少标注数据？这些决定了建模方案的天花板。能把数据问题谈清楚，面试官就知道你不是纸上谈兵。

4.3 行为面试：用STAR法则讲出自己的价值

华为的面试除了技术面，还有一轮综合素质面，问题通常是：你为什么想来华为？你遇到过最大的技术挑战是什么？你怎么和团队成员沟通技术分歧？

这里最忌空洞的自我表扬。用STAR法则来组织叙述：情境（Situation）、任务（Task）、行动（Action）、结果（Result）。每一步都要具体，要有量化数据支撑。比如“在工单分类项目中，我负责模型的训练和评估，在评测集上F1从0.82提升到0.91，其中在长尾类目上的召回率提升了18个百分点，使得自动分派的准确率达到95%，每周节省人工处理工时约30人时。”

行为面试的另外一个关键点是“复盘意识”。你可以主动讲一讲当时的不足和反思，比如“在项目初期我们没有充分考虑到长尾类目的样本不均衡问题，导致第一个版本的模型在冷门标签上几乎失效。后来通过数据增强和重新设计损失函数解决了。这个经历让我意识到，在数据量少的工业场景中，模型结构再复杂也不如数据质量来得实在。”这样真诚的反思比“我们项目做得很好”有说服力得多。

5. 面试问答中容易被忽视的硬核细节

5.1 拷问Transformer：每一层都在干什么

大模型时代，Transformer是绕不开的考点。面试官会从最简单的问题开始：请你画出Transformer的整体结构，并解释self-attention的计算过程。但这个问题的难度会层层递进：Multi-Head Attention为什么需要多头？位置编码的作用是什么？RoPE和绝对位置编码有什么区别？为什么大模型要用Pre-LayerNorm而不是Post-LayerNorm？

我的建议是，把这些问题的答案整理成一份“为什么清单”，每一条都要写到“能证明你理解”的程度。比如Multi-Head Attention为什么需要多头，是因为单头注意力只会在一种子空间里捕捉关系，多头让模型可以在多个不同的表示子空间里并行捕捉不同类型的依赖关系。再比如为什么大模型几乎都用Pre-LayerNorm，是因为Post-LayerNorm在深层网络中容易导致训练不稳定，而Pre-LayerNorm的梯度可以直接跨层回传，训练更稳定，但也有人认为它在深层的表达能力上略有损失——这里的“但也有人认为”恰恰是展示你思考深度的机会。

我准备的另一个压轴问题是“FlashAttention的原理和改进”。面试官问这个问题，其实是在考察你是否关注大模型训练和推理的最前沿技术。FlashAttention的核心思想是通过分块计算和重计算来减少访存开销，避免把完整的N×N注意力矩阵写入HBM。我回答时特意补充了FlashAttention-2的改进点：减少了非矩阵乘法的计算、在序列维度上也做了并行化、把softmax的缩放因子融入了矩阵乘法中，从而在A100上比PyTorch的attention实现快了大概2倍。

5.2 Prompt工程和Agent评测：落地能力的分水岭

如果说Transformer拷问是“基础关”，那Prompt工程和Agent评测就是“分水岭”。华为2026年的AI岗面试明显加大了这部分的比重，因为公司招你进去不是做研究，而是做产品。

Prompt工程方面，面试官给了我一个实时场景：请设计一个系统提示词，让模型扮演一个专业的运维工程师，根据日志信息诊断服务器故障原因，并输出修复建议。这不是简单地写“你是一个运维专家”就完事，你需要考虑：怎么设定角色、怎么约束输出格式、怎么处理信息不足的情况、怎么防止模型输出幻觉。

我当时给的方案包括几个关键组件：角色设定要具体到“有十年经验、熟悉Linux系统和云原生架构的SRE”；输出格式要规定为“故障现象+可能原因Top3+验证命令+修复建议+预防措施”五段式；输入信息不足时要明确输出“当前信息不足以判断，请补充以下指标”；同时加入一句兜底提示词“如果不确定，请明确说不知道，不要猜测”。面试官追问了一句：如果模型总是输出多余的客套话怎么办？我的回答是：在prompt里明确“直接输出结果，不要解释原因”，同时把temperature调低到0.1附近，并在解码参数上设置max_tokens限制。这些小细节，才是实打实的工程经验。

Agent评测则是我认为大多数候选人准备最薄弱的地方。面试官的问题是：你如何测试一个Agent工具调用是否成功？这个问题其实很复杂，因为Agent的行为是概率性的，可能存在中间步骤错乱、工具参数格式错误、对工具返回结果理解错误等问题。我的回答是：从三个层面设置评测集，第一层是“工具调用成功率”，检查Agent是否在需要工具时正确触发，参数是否合法；第二层是“最终答案正确率”，看Agent在多轮交互之后能否给出正确结果；第三层是“效率指标”，看不必要的工具调用次数、平均完成时间和tokens消耗。这种体系化的回答，明显比直接说“我用了几个测试用例试了试”要高出几个段位。

5.3 AI编程工具：从“会用”到“会问”

2026年的面试，已经不会问“你用过AI编程工具吗”，而是默认你用过。面试官更关心的是：你怎么用AI编程工具来提升效率？遇到过哪些它给出的错误代码？你怎么排查和修正？

我诚实地说，我日常开发重度依赖AI编程工具，但前提是我自己有足够的能力判断它给出的代码是否正确。我会把AI当作一个“超级实习生”，它可以高效地生成代码框架、测试用例、正则表达式这些模板化的东西，但涉及核心业务逻辑、并发安全、性能优化这些关键路径，我一定会自己再仔细审查一遍。

面试官对AI编程知识点的追问还包括：你是怎么写Prompt让AI帮你完成一个复杂类的实现？我分享了一个技巧：先把大的需求拆成小任务，再一个一个让它实现，每个小任务里尽量给出预期的输入输出示例和边界情况。这样AI给出的代码虽然多几次交互，但质量会高很多，因为你把模糊的需求变成了明确的输入输出对。

6. 常见问题与突击问答实录

6.1 准备期间我踩过的三个大坑

第一个坑是试图背题。华为的AI岗面试范围太宽了，如果我试图把面试题库全部背下来，基本上是浪费时间。正确做法是画一棵“知识树”，把核心知识点分成深度学习基础、大模型应用、模型部署优化、业务场景理解、工程能力这五个分支，然后对每个分支列出高频问题。准备的重点不是背答案，而是理解问题背后的考察逻辑——面试官问某个问题，到底想看你是“真懂”还是“听说过”？

第二个坑是轻视了手撕代码的现场扩展。我虽然刷了不少算法题，但考场上有一道题是“实现一个带过期时间的LRU Cache”，这个变体我从来没有练习过。当时只能硬着头皮现场设计，虽然最终代码能跑，但明显感觉到面试官对我在时间复杂度和空间复杂度权衡上的解释还不够满意。后来复盘时明白，刷题不能只求AC，要主动思考每个题目如果加一个限制条件，你的方案该怎么变。

第三个坑是“只报喜不报忧”。我一开始准备项目介绍的时候，总是想把项目说得完美无缺。但面试官问我“这个项目有什么不足”，我支支吾吾半天答不上来，场面一度很尴尬。后来我学乖了：主动准备1-2个项目的“失败点”或“妥协点”，比如“因为标注资源有限，我们只能对20%的数据做人工复核，导致边界case的召回不够理想”，并提出下一步的改进方案。这样的坦诚反而让面试官觉得你是一个有反思能力的工程师。

6.2 高频问题的现场回答模板

有几个问题在华为AI岗面试中出现的频率极高，我把我的回答思路分享出来。

第一个是“请自我介绍”。很多人一上来就背书式地念简历，但其实面试官已经看过了。我的建议是：用3分钟时间讲清楚三件事——我是谁、我做过什么（挑1-2个最相关、最出彩的项目）、我希望在贵公司做什么。其中“我希望做什么”一定要和岗位JD契合，比如“能把大模型的能力真正落地到生产环境中，让AI在业务里产生实际价值”。

第二个是“你的职业规划是什么”。这个问题不是走流程，而是考察你的稳定性。不要回答“三年内升到管理岗”这种话，更好的答案是：未来一到两年深耕AI应用落地这块，沉淀出一套自己的方法论；三到五年能独立负责一条业务线的AI技术方向，并带一个小团队。这个回答传递的信号是：你既有技术热情，又有长期投入的意愿。

第三个是“你还有什么想问我的”。千万别回答“没有”。我一般会问三个问题：这个岗位目前最大的技术挑战是什么？团队未来的技术方向是怎么规划的？您觉得新入职的员工在前三个月最容易踩的坑是什么？这些问题可以向你传递出“我是来干实事”的信号，面试官也乐于回答，因为展示的是他的团队。

6.3 面试后的复盘技巧

面试结束不等于这件事完了。我每次面完都会做一个详细的复盘记录，包括三个部分：这次面试被问到了哪些问题、我的回答和理想答案的差距在哪里、下次面试我要重点补强哪一块。

复盘完我发现一个规律：很多问题虽然形式不同，但底层考察逻辑是重复的。比如Transformer结构、RAG架构、部署优化、项目里某个技术选型的理由，几乎每轮面试都会变着法地问。所以与其刷更多的新题，不如把同一个核心问题练到“从各个角度都能答、每一层追问都能接住”的程度。

另外一个小技巧：面试结束后立刻把现场没有答上来的问题记下来，当晚查资料补上，然后写进自己的知识库。因为这些问题大概率是面试官认为很重要的点，也是行业正在关注的热点。把这些点补全，不仅对下次面试有用，对实际的技术视野提升也很有帮助。

7. 面试之外：心态建设与技术视野

7.1 如何避免面试过程中的慌乱感

面试紧张是很多人的通病，包括我自己。我找到的一个比较有效的方法是：提前把所有可能被问到的“困难问题”写成一份“面试提纲”，不是背诵答案，而是把每个问题的回答框架列成要点。这样在考场上就算一时想不起细节，也可以顺着提纲的结构来组织语言，不至于大脑一片空白。

另一个缓解紧张的方法是“主动设限”。不用怕和面试官说“这个问题我目前理解到这个程度，具体细节我还没有深入，但我的初步思路是……”。面试官不会因为你没有答上某个问题就否定你，他更在意的是你在压力下的思考方式和学习能力。一个坦诚说“不知道”但能表达出思考路径的候选人，往往比一个死记硬背答案却经不起追问的人评价更高。

第三点心态上的调整是：不要把所有筹码押在一场面试上。华为的面试周期长、轮次多，中间肯定会有情绪起伏。我的做法是保持每天固定时间的刷题和学习节奏，把面试当作一次技术交流而不是考核，这样反而能发挥得更自然。

7.2 让我在面试中脱颖而出的小习惯

在技术上，我养成了三个习惯，它们在面试中起到了意想不到的作用。

第一个习惯是“手绘系统架构图”。我在准备项目介绍时，不只是文字描述，而是用绘图工具把整个系统的架构画出来，包括数据流向、模块边界、模型服务的位置、缓存和数据库的交互。面试时我把这张图展示出来，面试官瞬间就明白了项目的全貌，提问的层次自然就更深入了——因为他知道我不只是“跑过代码”，而是真的从系统维度去思考过。

第二个习惯是“记录所有实验数据”。我在做模型调优的过程中，会把每次实验的配置、指标、结论都记录在Notion里。面试时被问到“你对比过哪些方案”，我不仅能回答结论，还能把那些“失败实验”的细节讲清楚。这种对于实验细节的熟悉程度，是能够展现真实项目经验的。

第三个习惯是“把模型当成一个产品来做”。我不仅在意模型的准确率，也会思考用户怎么和它交互、模型的响应速度够不够快、输出格式是否符合下游系统的要求。这个习惯让我的项目真正达到了生产级的水准，也让面试官能感觉到我不仅仅是一个算法调参工，而是一个有产品思维的技术人。

这些都是我这次面试经历中最真实的体会。华为的AI岗面试是一面镜子，它能照出你过去几年技术积累的深度和广度。准备的过程虽然辛苦，但确实是我技术成长最快的一段时间。