AI INTERVIEW DAILY · 转行进 AI · 2026-08-29

AI 面试日报
今天，离 offer 更近一步

今天三条卡串在「开源」这条线上：借 8/27 英伟达 129 亿美元买下 Hugging Face，讲工程岗那道越问越重的选型题；再落到今年最扎心的行情——招聘正在「去初级化」，转行者真正要准备的不是简历话术，而是一件能被追问到底的作品；第三条给交付侧：客户要「半年内让机器人上岗」，你第一期到底交什么。

3今日面试题

3覆盖岗位

5快问快答

65第 65 期

速览

TL;DR · 今日速览

TL;DR = Too Long; Didn't Read（太长不看版）· 读这一屏就够

一句话总览：借英伟达买下 Hugging Face，讲「闭源 API 还是自部署开源模型」这道今年的必答选型题；再讲去初级化行情下，什么样的作品能让面试官跳过「3 年以上」那一行；最后讲交付岗最值钱的能力——把客户宏大的诉求压成一个能验收的第一期。

AI 应用工程师｜选型题：闭源 API 还是自部署开源模型，决定权只在四条上——数据能不能出门 / 调用量到没到拐点 / 要不要改模型本身 / 谁来长期养它，任何一条踩死就不用比了。

通用｜作品集举证：「3 年以上」不是靠简历话术绕过去的，能绕过去的只有一件东西——有真实用户、出过真实故障、你能被追问到底层的项目。

AI 解决方案｜交付收窄：客户说「年底必须落地」时，功力全在第一期敢交什么、敢不交什么——选失败代价低的窄场景，把验收写成三个数字。

🎯 今日面试经验 Top 3第 1 题 / 共 3

AI 应用工程师 / AI Agent 工程师 #1 · 今日锚点

「这个功能，你调闭源 API 还是自己部署开源模型？给我三条决定性理由」

今日锚点 + 面试官怎么问8 月 27 日，英伟达以 129 亿美元收购 Hugging Face——这个托管着 200 多万个开源模型、几乎出现在每份 AI 工程师简历里的平台，地基换了主人。于是面试官会给你一个具体需求（「给公司内部文档做个问答助手」），问：调 API 还是自部署？为什么？考的不是立场，是有没有决策框架。
扫盲：闭源 API＝按次付钱调别人的模型，开箱即用但看不见里面；开源模型＝把模型文件下载下来自己找显卡跑，能改能审计，也得自己养。

怎么答（四条按「一票否决」的顺序问）

① 数据能不能出门？涉及隐私/医疗/金融/政企内网，或合同写死「不得上传第三方」——直接一票否决，只能自部署，后三条不用比。反之别硬拿它当挡箭牌。
② 调用量到没到拐点？API 是用多少付多少，前期近乎零成本；自部署是先砸固定成本、之后边际成本才低。低频波动、还在验证方向 → API；高频稳定、量能把卡喂饱 → 自部署。当场粗算一笔（每天多少次 × 每次多少 token）远胜空谈。
③ 要不要动模型本身？只是换提示词、加检索，API 完全够；要在垂直数据上微调、要蒸馏出小模型塞进端侧——只有权重在自己手里才做得了。
④ 谁来长期养它？最多人漏掉、也最能抬高档次的一条。自部署＝你接下显卡运维、版本升级、安全补丁、半夜挂了有人起来看。团队没这个人，省下的 API 费只是转移成了人力成本。

过来人提醒：网上到处在传「本地部署的核心开销只有电费」——千万别把这句背进面试。三句就问穿：卡多少钱摊几年？闲置时利用率算谁的？模型三个月一代谁跟进？成熟的收尾是给混合方案：先用 API 跑通跑出量，再把最高频那段迁到自部署，中间用统一网关包住，切换不用重写业务代码。

来源：CNBC · Fortune · Tom's Hardware · 开源与 API 的成本/合规权衡 · 框架部分为考点提炼

通用 · 转行者与应届生的作品集 #2

「你只有半年经验——凭什么让我跳过 JD 上『3 年以上』那一行？」

今日锚点 + 场景2027 届秋招正在盘中：阿里官宣发出 7000 多个 offer、AI 相关岗占比高达八成，字节新增「AI 全栈工程师」「AI Agent 开发」。但同一份市场还有另一半真相：招聘明显「去初级化」，要求 3 年以上经验的岗位占比约 73%，1 年以内经验的社招岗同比减少约两成。好消息是大厂正弱化学历、改看项目，有公司把「GitHub 高星开源项目」直接当进二面的凭据。门窄了，但门锁从「熬年限」换成了「拿作品」。

怎么答 / 怎么做

别辩解年限，直接换赛道举证。标准句式：「年限我确实不够，但这个岗要解决的问题我做过，我给您看一个。」辩解年限你必输，举证结果才有机会。
那个作品必须过三关：①有真实用户（哪怕 30 个人在用，也胜过只有你点过的 demo）；②出过真实故障（能讲清怎么定位、怎么修——「扛过线上」正是 3 年经验里最值钱的那部分）；③能被追问到底层（答不上来的部分，就是不属于你的部分，别写进去）。
量化到一个数字上。「内容生产从 3 小时压到 30 分钟」「接口错误率 5%→0.8%」——一个具体数字胜过一整段形容词。没有就现在去测一个，比再改十版简历有用。
把作品放在能被看见的地方。开源仓库、可访问的线上地址、一篇写清来龙去脉的复盘，任选其一。既然已有公司把高星项目当直通凭据，公开摆出来本身就是投递策略。

过来人提醒：最常见的失败不是作品不够炫，而是太多太浅——五个半成品 demo，不如一个有人在用、你能讲 40 分钟的项目。另一句诚实话：「去初级化」是真的，别信「三个月速成年薪五十万」，把预期放在用一个扎实作品先挤进门，健康得多。

来源：虎嗅 · 2027 届秋招 AI 岗位占比飙升 · 2026 AI 人才趋势（含去初级化数据，⚠️ 未直连一手报告核实，作方向性信号看） · 21 财经 · 面试官上来就问「你怎么用 AI 干活」

AI 解决方案 / 售前 / 交付顾问 #3

「客户要半年内让机器人上岗——你第一期打算交付什么？」

今日锚点 + 面试官怎么问本周（8/26–8/28）具身智能落地进程又被集中报道。背景是工信部与国资委今年 6 月启动的全国性推进计划：要求地方政府与国企在不到六个月内验证人形机器人在真实生产场景的可行性，进度报告 11 月底就要交，目标年底推动上万台部署、打造 100 个以上高价值场景。翻译成求职者能用的话：接下来几个月，一大批甲方会带着「必须交差」的时间表来找乙方。于是这道题来了——45 分钟，考你怎么提问、怎么收窄、怎么定义第一期。

怎么答 / 怎么做

先问三个问题，再谈方案。①验收的人是谁、按什么标准签字？（要能上生产线，还是要一份能交上去的报告？工作量差十倍）②现在这事谁在做、一天多少次？（没基线就没法证明改善）③做错一次的代价是什么？（决定你敢不敢让它自动跑）。能问出这三个，你已经赢过一半候选人。
按「重复 + 结构化 + 失败代价低」选场景。优先每天重复几百次、环境固定、错了顶多返工的环节（固定料箱搬运、固定点位表计巡检），而不是客户最想秀的那个。第一期的目标不是惊艳，是跑满一个月不出事。
验收写成三个数字，当场写下来：任务成功率、人工接管率、节拍/耗时。没写下来的验收标准，最后一定会被解释成对你不利的那一版。
明说第一期不做什么。主动列出不覆盖的场景、不承诺的指标。新人怕说了丢单，实际上客户见多了什么都答应最后什么都没交的乙方——敢划边界的人反而更像能交付的人。

过来人提醒：政策驱动的项目有个特有的坑——客户的真实 deadline 往往不是「做好」，而是「有东西可汇报」。这不是让你糊弄，而是要主动问清「11 月底那份报告里，您希望写着什么」，再倒推第一期范围。答这题能点破这层，面试官会知道你真在乙方待过。

来源：SCMP · 全国性计划加速具身智能进产业 · eWeek · 万台机器人从演示走进真实岗位 · 交付方法论为考点提炼

🧠 今日硬核拆解每日 1 条

知识域：多模态 7 天内未重复

一张图片是怎么「进」到大模型里的？为什么它又贵、又看不清小字

面试官会怎么问「你用过多模态模型对吧——那一张图片是怎么变成模型能处理的东西的？」进阶追问通常是这两句：「为什么传一张图，token 消耗那么大？」「为什么图里的小字它总认错？」——第二句尤其致命，它把原理和线上真实故障连在了一起，背过八股但没做过的人，到这里就断了。

大白话版（零基础也能懂）

大模型本质只会处理一串「词」，图片进不去，所以要先翻译。做法是：把图片切成一格一格的小方块（像切棋盘），每块交给「看图专家」（视觉编码器）看一眼转成一串数字，再由「翻译官」（投影层）把它改写成大模型认识的那种词——可以理解为「视觉单词」，最后排在你打的那句话前面一起送进模型。
于是两个追问立刻有了答案：为什么贵——一张图会被切成几百上千个小方块，每块占一个词的位置，你以为传了一张图，模型眼里是多了上千个词；为什么看不清小字——图片被缩放到规定尺寸后，一行小字可能整个挤在一两个方块里，细节在「看一眼转成数字」那步就丢了。不是模型不认字，是那几个像素根本没进来。

进阶版（面试里能加分的深度）

链路要说全四段：图像 → 切 patch 过视觉编码器（典型是 CLIP 的 ViT）→ 经投影层（早期线性层，后来多为 MLP）映射到语言模型的 hidden_dim → 与文本 token 拼接送进 LLM 自回归生成。投影层是题眼：它把视觉特征对齐到词向量空间，让 LLM「以为」自己在读词。以 LLaVA 为例，图像约 256 个位置，投影后就是 256 个视觉 token。
训练分两阶段，最容易被追问：第一阶段只训投影层（视觉编码器和 LLM 都冻住），先学会「视觉→语言空间」这个映射；第二阶段才解冻 LLM 一起做视觉指令微调。能讲出为什么第一阶段只训投影层——先建立对齐、避免破坏 LLM 已有的语言能力——基本就答到位了。
token 数和分辨率是平方关系：分辨率翻倍，patch 数大致变四倍，这就是「多传几张高清图」能把成本和延迟顶穿的原因。工程解法是切图（tiling）：大图切块分别编码，再加一张缩略全局图保住布局，代价是 token 进一步上涨。小字识别不准时，先看图被缩放成了多少分辨率，而不是先去改提示词。
VLM 幻觉和 LLM 幻觉不是一回事：LLM 幻觉多来自知识记错，VLM 幻觉常来自「图里根本没有、但语言先验觉得应该有」——看到厨房就说有微波炉。所以评测要专门测「问图中不存在的物体」这一类，不能只看通用问答分。

一句话记忆钩子：图片不是「被看见」的，是被切成小方块、翻译成视觉单词排队进去的——所以它按词收费，也在缩放那一步就丢了小字。

来源：CLIP 与 LLaVA 中的对齐细节 · CLIP / BLIP-2 / LLaVA 系列解读 · 多模态大模型的对齐方式汇总

⚡ 八股快问快答5 道

Q1 · 模型压缩

什么是模型蒸馏（Distillation）？为什么小模型也能有大模型的味道？
让小模型去模仿大模型的输出——不只学标准答案，还学大模型给各个选项打的分，把「判断习惯」压进小身板。好处是又快又便宜、能塞进端侧；代价是能力上限被限制住，遇到没模仿过的难题就露怯。

Q2 · 开源认知

「开源模型」到底开到什么程度？权重开放就等于能商用吗？
不等于。常见的「开源」往往只开了权重（模型文件），训练数据和代码不给；能不能商用要看许可证——有的完全放开，有的限制用户规模、限制拿去训练别的模型、或要求署名。被问「你们为什么选这个开源模型」时顺口说出许可证约束，专业度立刻不一样。

Q3 · 部署实操

显存不够，跑不起来一个开源模型，有哪些常见解法？
按性价比：①量化——参数从高精度压成低精度（如 4-bit），显存降到几分之一，精度略损；②换更小的同系列模型；③训练时用 LoRA 这类只训一小部分参数的方法；④把部分层放到内存/硬盘（offload），慢但能跑。记得先确认是推理不够还是训练不够，两者解法不同。

Q4 · 求职实操

转行投简历，海投和精投哪个更有用？
分阶段。早期海投——你还不知道市场怎么看你，需要大量面试反馈来校准（被问倒的地方就是复习清单）；中后期精投——锁定 5–10 家真想去的，针对 JD 改简历、备对口项目。全程只海投＝无效重复，一上来只精投＝准备不足，浪费掉最想要的机会。

Q5 · 选 offer

面试官说「这个岗位我们其实还在探索」，是机会还是坑？
都有，靠三问区分：①有没有预算和明确的汇报对象？（有＝公司认真的）②成功长什么样、谁来评价？（答不上＝你可能背一个没人定义的锅）③上一个做这事的人去哪了？真实好处是话语权大、成长快，风险是方向随时被砍——转行者当第一份 AI 工作，尽量选「项目黄了技能也带得走」的那种。

🧭 转行者锦囊 · 想练手开源模型，但没有显卡怎么办

第一步 · 租一次卡跑通

在云上租按小时计费的 GPU，几块到几十块钱就能完成一次完整的「下载权重 → 起服务 → 调通接口」，比看十篇教程都管用。跑通后立刻截图 + 记录每一步踩的坑——这就是面试可讲的素材。

第二步 · 量化版优先

直接拿 4-bit 量化的小参数模型起步，普通笔记本也常常能跑。先把链路走通，再谈性能——面试时能说「我自己部署过」，分量完全不同。

第三步 · 把那笔账真算一遍

用你自己的调用量估一次成本拐点（多少量之后自部署才划算）。这条直接接上今天 #1 的选型题——面试时能报出具体数字的人，永远比只会说「看情况」的显得靠谱。

⚠️ 别踩的坑

别一上来就挑最大参数的模型硬跑，90% 的时间会耗在环境和显存报错上，最后什么也没学到。目标是「端到端跑通一次」，不是「跑最大的那个」。

数据源状态

本期素材来源（透明可信）· 第 65 期 · 生成时间 2026-08-29

✅ WebSearch 联网检索 · 7 次（本期唯一可用通道）

❌ 新闻站直连（CNBC / SCMP）· EGRESS_BLOCKED，被出口代理拦截

❌ api.github.com · HTTP 403

❌ hn.algolia.com · EGRESS_BLOCKED

⏭️ 牛客 / 小红书 / 知乎 / V2EX 直连 · 通道整体不可用，改由检索间接获取

✅ 交叉印证：英伟达收购 Hugging Face 经 CNBC / Fortune / Forbes / Tom's Hardware 一致报道

⚠️ 本期核实说明：本次运行中逐条直连一手源的链路全部不可用（出口代理拦截），所有事实均来自检索摘要并经多家媒体交叉印证后才写入。其中「具身智能全国性推进计划」由 SCMP、eWeek 一致报道且与工信部/国资委 6 月时间线吻合；#2 卡中的经验门槛百分比出自行业趋势梳理文章，未能直连一手报告核实，已在卡内标注为方向性信号。凡未核实到一手源的数字均已就地标注，不做无标注引用。

📌 今日与近 7 天的差异点：岗位组合全新——昨期（8/26）是 FDE / AI Infra / 通用面试官，今天换成「AI 应用工程师（选型）+ 通用作品集 + AI 解决方案（交付收窄）」，与昨日 #1 无重叠。角度全新：开源 vs 闭源选型近 7 天从未出现（8/21 讲微调数据来源、8/25 讲 API 挂了怎么办，都不是选型题）；作品集举证区别于 8/22「转行第一年选哪层」与 8/24「你会用 AI 吗」——那两条讲选择与态度，这条讲证据形态；交付卡区别于 8/23「POC 死亡复盘」——那条是事后归因，这条是事前如何收窄第一期。硬核拆解「多模态」域近 7 天（依次为推理与部署、评测、训练与对齐、RAG、深度学习基础、Transformer 架构、机器学习基础）从未做过。快问快答 5 题与近 7 天零重复。今日锚点：8/27 英伟达收购 Hugging Face（#1）、2027 届秋招与去初级化行情（#2）、本周具身智能推进计划再获集中报道（#3）——三条卡全部带锚。

💬 今日寄语：门槛从不因你晚来而升高，它只是等着你拿出一件真做过的事。

AI 面试日报今天，离 offer 更近一步

TL;DR · 今日速览

数据源状态

AI 面试日报
今天，离 offer 更近一步