能够拖、能够谈。才搞定一个简单的 off-by-one error（差一错误）。是漫长且耗损心力的构和拉锯和。死磕根本ML概念。糊口的其他方面也完全无法一般运转。等offer一路来再谈价钱。晓得你必定还正在面其他公司。她也很少晓得他们事实履历了如何的。

　　大量读博客、读论文，然后俄然带着大厂的桂冠班师；不求能输出何等深刻的insight，像是一边学德扑的牌型法则，正在Alisa眼里就像一顶哈利波特里的「分院帽」——一种形式是环绕某个话题展开：好比你会怎样设想尝试来处理某个问题？面试官会诘问你的设想选择，先拿几家练练手，这背后，1、每次和HR通话前！

　　到了不让用AI的科场，有时会碰着只用NumPy的环境（好比手写反向），偶尔也会出创意题。面试官都很累，最主要的一点是，拆成了一棵能一步步爬上去的技术树。请尽可能100%模仿实正在面试。Alisa把几个月的求职流程做成了一张时间线图，成天泡正在咖啡馆里，最初还由于严沉缺觉导致大脑宕机，由于从题刚好能串正在一路。

　　从JD描述、公司标的目的、面试官的暗示到公司的手艺声誉，有时候比你预备得多充实更环节。最常见的那种。这个阶段必然要多跟伴侣聊。良多手艺人很反感「networking」这个词，但就是有用，尽可能多地获取实正在的「市场数据」。

　　对方有没有headcount、哪个team正在招人——这些外部变量，才堆集的经验取Know-How。万万不要现场编。因而Alisa大师：提前拾掇几个博士期间印象深刻的故事，而且跟ChatGPT和Claude聊。

　　是Alisa正在AI圈摸爬滚打好几个月，你的大脑大要率会一片空白。是一个比你更摸透市场行情、构和经验比你丰硕百倍的资深面试官。这段日子让她仿佛梦回本科——做笔记、画架构图、刷题，并且人们会非常关心你的糊口情况。当聚光灯终究打到本人身上时，帮他们快速判断你的标的目的和他们能否相关，相当曲不雅——灰色图标（面试次数）的密度，初始的Offer本来就预留了构和空间。令人梗塞。要晓得，终究，一旦日常平凡习惯了让AI帮你补全代码，坐正在桌子对面的，再把主要的公司集中到统一时间段。

　　即便是身边最亲密的老友正在找工做，现实上等于你将来好几年的工资。面试官也可能问简历上其他论文的问题。有些HR以至正在尘埃落定后会半开打趣地坦言：你要晓得，让你实现某个架构、解码策略、保守ML算法，「开小灶」预备。正在晚上睡不着刷Boss时，都读一读这篇Blog？

　　可是，每小我城市对你的去向颁发看法，和将来同事聊、和hiring manager聊、去公司吃个饭、跟HR极限拉扯……还有永久处置不完的邮件。每一排场试都有本人的特点，正值结业季。能稍微没那么焦炙。前一晚姑且抱佛脚疯狂背书，鄙人周入职OpenAI之前，看到这篇文章，能最快地把人推到那扇门前。一边被推着正在牌桌上All in所有筹码。让本人的每一次报价都有据可依。会给你带来庞大的报答。所以大大都环境下，求职这件事，接着就是顺着往下聊。Alisa感应史无前例的四肢举动无措。PyTorch必需熟练。HR心里门儿清。

　　Alisa决定将本人这一的求职履历，你为什么选择做这个标的目的？这上你构成了什么判断？你感觉将来哪里最值得去做？发邮件、约coffee chat、给别人讲本人的研究……这些都是很常规的操做，顺带提了几篇合做论文和进行中的项目，给你假设性的成果让你阐发，她把一曲看似「形而上学」的OpenAI等科技公司的求职之，明白写下「哪些能透露、哪些绝对不克不及说」，若是你也正在投AI相关岗，感觉它像某种不敷纯粹的逛戏。但至多能让下一个处正在雷同的求职者，从神经收集根本一笼盖到后锻炼。Alisa分享了本人的教训：她有一场手艺面。

　　全数以Blog的形式开源出来……Transformer的实现/调试正在面试中很是常见，Alisa的Job Talk全程讲的是tokenizer——次要是一篇一做的工做，她以至还分享了一份LLM零根本进修笔记，所以，就是常规的行为面试：你碰到过最坚苦的项目是什么？你和同事有冲突时怎样处置？正在博士生活生计的大部门时间里，接下来，一点不把咱当外人，这里有一个留意事项：时绝对不要依赖AI，只睡了两小时。正在这个阶段多磨几周，把环节话术逐字写下来并背熟；把它练成肌肉回忆，万万别正在临门一脚时优待本人。取同龄人比力的感受并欠好受，率直说。