企业官网建设流程全解析

2026年6月17号，华为AI岗，这组关键词组合在一起，我猜关注这类岗位的人多少都有点熟悉的味道。每年这个时间点，暑期实习转正、提前批、秋招提前批几乎叠加在一起，面试节奏快、考察密度高，对候选人的综合要求也比往年更偏向"能不能落地"。

这篇文章不打算写成那种"背了就过"的面经，而是想完整还原我这次华为AI岗的面试经历和复盘思考。我会尽量讲清楚面试官真正在意什么、哪些地方容易被追问到哑口无言、以及事后回头看有哪些准备是走了弯路的。无论你是准备2026届秋招，还是刚开始刷AI岗面经，希望这篇复盘能帮你少踩几个坑。

1. 华为AI岗面试的整体面貌：一场围绕"工程落地"的考察

1.1 华为AI岗的业务底色决定了考察偏好

很多人对华为AI岗的理解停留在"会训练模型、懂深度学习"这个层面，但实际面试时你会发现，华为的AI岗位特别强调一条主线：模型能不能从论文走进业务场景，能不能在昇腾这种国产算力平台上稳定跑起来。这不是我个人的感觉，而是从简历筛选到面试问题都能明显感知到的倾向。

我在面试前专门梳理过华为当前AI相关业务的布局，大概三条线：

• 大模型与基础模型：盘古系列大模型，涉及预训练、SFT、RLHF、评测等完整链路
• AI工程与部署：昇腾AI处理器、MindIE推理引擎、模型压缩与量化、分布式推理
• AI应用与Agent：面向终端、云、行业场景的智能体应用，Function Calling、RAG、多模态交互

对应到面试考察上，就会发现它不像某些互联网大厂那样只盯着推荐、搜索、CV、NLP某个细分方向猛问，而是更在意你对AI全链路有没有全局认知：数据怎么处理、模型怎么训、训完怎么部署、上线之后怎么监控。这种"全栈感"是华为AI岗面试的一个显著特征。

1.2 整个面试节奏：从简历筛选到技术面

华为的面试流程在互联网大厂里算是比较标准的：简历筛选、一轮技术面、二轮技术面，部分岗位还有主管面。我这次的情况是6月17号当天连续完成了两轮技术面试，中间间隔很短，节奏相当紧凑。

需要注意一个细节：华为有很多部门都在招AI岗，不同部门的面试风格差异挺大。有的部门偏基础研究，会问很多论文公式推导；有的部门偏工程落地，会揪着你的项目问"你当时为什么这么设计"、"这个指标还有没有优化空间"这类实操问题。我面的是偏工程的方向，所以后面的复盘也主要以这个视角展开。

如果你也在准备华为AI岗，建议先想清楚自己投的是哪个类型的岗位，是偏研究还是偏工程，这直接影响你复习的侧重点。不要拿着一套大而全的大模型知识去应对所有面试，那样反而显得没有重点。

1.3 我在6月17号这场面试的整体感受

说句实话，面试完走出会议室（现在多是线上视频面）的那一刻，我最大的感受不是"题目难不难"，而是**"面试官问的每一道问题，几乎都在逼着我把项目从包装词讲回工程细节。"** 这和我之前准备的很多面经题集风格完全不同。

举个小例子：我简历里写了"基于vLLM搭建推理服务"，原本以为这个描述够了，面试官直接追问："你用的vLLM版本是哪个？PagedAttention在你的场景里显存节省了多少？如果并发从100涨到1000，你预估吞吐变化曲线怎么走？"这种问题没法靠背八股回答，只能靠真正跑过实验、看过指标才能撑住。

所以这篇文章的复盘思路也是：与其纠结某道具体题目，不如理解华为AI岗面试官背后的出题逻辑。他们不是要找一个什么都会的百科全书，而是要找一个真正动手做过、并且愿意深挖细节的人。

2. 最容易被追问到底的三个技术方向：大模型推理、Agent、工程落地

2.1 大模型推理优化：量化、KV Cache、部署框架

华为AI岗面试中出现频率最高的技术主题，大模型推理优化绝对排前三。这也很好理解，华为的AI业务很多都涉及模型实际部署到昇腾芯片或端侧设备上，推理性能直接决定产品体验和成本。

关于推理优化，面试官通常会把问题拆成几个层次逐步深入：

第一层：你知道哪些主流优化手段？常见的包括量化（INT8、INT4、GPTQ、AWQ）、KV Cache、PagedAttention、Continuous Batching、算子融合、模型裁剪、蒸馏等。这个层次的问题比较基础，但一定要能讲清楚每个手段为什么有效、代价是什么。比如量化能减少显存占用和计算量，但会带来精度损失，不同量化粒度（per-tensor、per-channel）效果差异很大。

第二层：让你选型，你会怎么选？当时面试官给了个场景：一个对话产品，首token延迟要求小于800ms，GPU资源有限，你会优先优化什么？这个问题没有标准答案，但面试官想听的是你的判断依据。我当时的回答是先分析瓶颈在哪里，如果首token延迟高，优先看prefill阶段的算子效率，考虑是否能用continuous batching提升吞吐；如果整体显存不够，优先做KV Cache量化和INT8权重量化，而不是一上来就换小模型。

第三层（最容易挂人的一层）：你实际动手跑过什么？面试官继续追问："你说你用vLLM做过服务化，那vLLM的Continuous Batching和传统静态batching的本质区别在哪？你的服务压测结果是多少？"这里如果你只是看过文档、没实际部署过，很容易被问穿。

华为技术栈里还有一个特殊点——昇腾平台。如果你能说出MindIE、MindSpore相关的部署经验，或者至少了解华为的推理引擎与大模型生态的适配现状，在面试里是比较加分的。我当时如实说自己在GPU CUDA生态下做得更多，昇腾只在社区方案里接触过没有深度使用。面试官没有深究，但我也明显感觉到这块确实是华为区别于其他厂的重点关注区。

2.2 AI Agent：从Demo到可用的距离

2025年以来AI Agent几乎成了大模型落地最热门的落点，华为AI岗面试里考Agent相关问题的概率非常高。我这场面试里，Agent相关问题大概占了四分之一。

Agent相关的考察通常围绕这几个维度展开：

• Agent的核心能力拆解：规划（Planning）、工具调用（Function Calling/Tool Use）、记忆（Memory）、反思（Reflection）与多智能体协作（Multi-Agent）
• 技术方案的工程实现：Task分解怎么做？工具的Schema怎么设计？Agent的循环控制逻辑怎么处理？
• 上线之后的坑：Agent调用外部工具失败如何处理？上下文窗口装不下怎么办？如何做Agent效果的自动化评测？

面试官在这个环节很容易抛出一个开放性问题："如果让你做一个能帮用户订机票酒店的Agent，端到端怎么设计？"这个问题看着不难，但答得好的人很少。因为很多人只会说"用ReAct框架，大模型决定调用哪些工具"，但真正问到工具返回结果解析、多轮对话状态管理、异常情况重试策略时，就开始含糊了。

我之前做过一个内部知识库问答Agent，最后还被追问到一个很尖锐的点："你的Agent在工具调用出错后，是让大模型自动重试还是直接返回兜底话术？什么时候选择哪种策略？"这个问题考察的是你对真实场景的理解——如果订机票接口超时，你让大模型反复重试，用户早就流失了；但如果自动放弃，又可能只是因为网络抖动。合理的做法是设计"重试一次+降级返回"，并且把决策逻辑交给代码而非让大模型自由发挥。

还有一个值得注意的点：华为对Agent的考察往往会和端侧场景结合，比如"手机上的智能助理Agent要怎么设计"。这也对应了华为在终端侧的布局，如果准备面试，可以提前想一下端侧小模型做Agent的挑战是怎么样的。

2.3 AI工程实战：数据、评测、上线闭环

这一部分的内容往往不会被写在面经标题里，但实际面试中占比极高，尤其是华为这种强调落地的公司。

所谓"AI工程实战"，在我理解包括：数据处理、训练调优、评测体系、模型上线、线上监控这一整套LLMOps环节。面试官不一定会直接考你"什么是LLMOps"，但会通过项目深挖和场景题来考察你对这些环节的理解。

面试里让我印象比较深的一个问题是："你的模型在测试集上效果不错，但上线之后用户反馈变差了，你会怎么排查？"这是个很典型的AI工程问题，没有唯一答案，拼的是你实际排查问题的经验。我当时的回答思路是：

1. 先确认线上数据和训练/测试数据是否存在分布偏移（数据漂移）
2. 再检查预处理链路上是不是有差异，比如分词的prompt模板和训练时不一致
3. 接着看推理侧是否有量化导致的精度损失
4. 最后分析用户反馈的case，判断是单点badcase还是系统性退化

面试官听完后追问了一句："如果线上是流式数据，你怎么做数据漂移监测？"这个问题我当时答得一般，但事后想想，其实可以用embedding分布对比、特征统计KS检验、pipeline入口的日志结构化采集等方式来判断。

坦白讲，AI工程的能力很难靠突击补上，它是长期做项目积累出来的体感。但如果你正在准备AI岗面试，我建议至少把以下几个词练到能脱口而出：数据漂移、离线评测、在线评测、A/B实验、回放测试、监控告警、模型版本管理。这些词背后代表的能力，正是"能落地"的体现。

3. 两轮面试的完整复盘：问题清单与答题思路拆解

3.1 一面：项目深挖+基础扎实度考察

一面整体时长约50分钟，节奏非常紧凑，主要分三块：自我介绍、项目深挖、基础知识点考察。

自我介绍：这个环节不要浪费在复述简历上。面试官大概率已经看过你的简历，你只需要用两三分钟讲清楚：我是谁、我最重要的项目是什么、我在其中解决了什么问题、积累了哪些和岗位匹配的能力。我当时用"一段话讲项目+一段话讲匹配度"的结构，没有拖泥带水。

项目深挖：这是一面的重头戏，面试官会选定你简历里的一个项目，顺着往下穷追猛打。我被深挖的项目是一个大模型问答系统，面试官的问题大致如下：

• "这个项目里你具体负责哪部分？别人做的和你做的怎么区分？"
• "你为什么选这个模型而不是另一个？当时对比过哪些候选？"
• "你的检索效果是怎么评估的？用的什么指标？为什么选Recall@K而不是别的？"
• "如果文档库数据量翻十倍，你的RAG流程哪些环节会先出问题？"

这些问题的核心逻辑只有一条：确认你到底有没有亲手做过，还是仅仅在项目里挂名。如果你的回答停留在"我们用了FAISS、我们用了bge embedding"这种层面，面试官会立刻追问到底层细节。我的建议是提前把项目里每一个用到的技术点都准备一个"为什么"版本，问到自己能流畅回答为止。

基础知识考察：一面后半段开始快速过基础，包括Transformer结构、Attention的计算流程、LayerNorm和BatchNorm的区别、激活函数选型、过拟合的解决办法、L1和L2正则的区别。这部分属于AI岗位的基本功，基本要求是答得准、答得快，如果卡壳太久会非常减分。

一面还有一个容易被忽视的考察点：对最新技术动态的了解。面试官问了我对某个近期开源模型的看法（这里就不具体点名了，意思是对最新主流模型要有基本认知）。如果你只盯着自己研究的一亩三分地，对业界的前沿进展一概不知，面试官会怀疑你的学习敏锐度。

3.2 二面：系统设计+手撕代码

二面整体难度比一面高一个档位，考察方向集中在系统设计、手撕代码、以及更深层的方案权衡能力。

系统设计题：二面给了一道开放式设计题——"设计一个面向企业客户的智能客服系统，要求支持多轮对话和知识库检索，并且能根据需要切换底层的LLM供应商。"这道题考察的不只是RAG机制，还有工程架构思维：

• 多轮对话的会话状态怎么管理？分布式场景下session存储用什么？
• 知识库怎么切分、向量化、更新索引？增量更新和全量重建的策略？
• 底层LLM切换怎么做？是封装统一接口层，还是用适配器模式？
• 效果差的时候怎么快速定位？有没有日志链路追踪？

我当时的答题思路是：先明确核心需求，再拆模块（对话管理、检索、生成、评测、监控），最后落到关键设计决策上，比如为什么要抽象一个统一的LLM Gateway层、向量检索的召回和重排怎么配合。

手撕代码：华为的手撕代码以LeetCode中等难度为主，但出题风格有时候会更工程化一点。我遇到一道链表相关的题目，具体题目不细说了，但这里想分享两个很关键的应试经验：

第一，先讲思路再写代码。拿到题目先花一两分钟说清楚你的算法复杂度、数据结构和边界case处理思路，面试官通常会点头让你继续。

第二，写代码时一定要自查边界。比如链表题经常涉及头节点为空、只有一个节点、循环链表等情况。如果你能把边界case主动说出来并写进代码里，比闷头写完再debug给面试官的印象好得多。

3.3 反问环节：问什么能给面试官留下印象

两轮面试结尾都有反问环节，很多人忽视了这部分的隐藏分。华为AI岗面试官见惯了"没什么想问的"这种回答，如果你能提出有质量的问题，会显得你对岗位和团队真的有思考。

我建议反问从这几个方向切入：

• 关于技术栈："咱们团队目前在推理侧主要用自研框架还是也会适配社区方案？"这能显示你对工程落地的关心
• 关于业务流程："模型从训练到上线大概的迭代周期是多久？开发和SRE之间的职责边界怎么划分？"
• 关于团队方向："未来半年到一年，团队的重心是重点突破Agent方向还是继续深挖模型性能优化？"

避免一上来就问"加班多不多""薪资多少""能不能远程"，这些不是不能问，但放在反问环节的开头会显得功利心太强。等到了HR面或者主管面，这些信息再问完全不迟。

4. 复盘后我踩过的坑和修正的认知

4.1 以为背熟八股就够了，实际上问题要"讲成故事"

这是我这轮面试最大的一个教训。准备阶段，我花了大量时间背Transformer、LoRA、RAG、Agent这些高频知识点的标准答案，但面试时发现，面试官很少直接问"什么是LoRA"，而是问"你的项目里LoRA的rank是怎么选的？为什么选16而不是64？"

标准答案只能证明你看过资料，但回答不了"你的选择依据"这类问题。后来我复盘时意识到，正确的准备方式是把每个知识点都锚定到具体项目里，形成自己的技术决策故事：

• 我当时做事情的时候，遇到了什么约束条件？
• 我基于什么做选型？有哪些候选？
• 实际效果怎么样？如果重来一次，我会怎么改？

把八股变成故事之后，不管面试官怎么变着法追问，你都能绕回你的真实经历上，给出来的答案自然有可信度。

4.2 手撕代码的隐藏评分点：边界条件和沟通

二面手撕代码那道题，其实我在面试结束时觉得自己写对了，但复盘时发现有几个边界case没有处理到位。面试官当时没有直接指出，而是在我写完后又追问了"你这段代码在输入为空时会怎样"，我才意识到遗漏了。

复盘这件事，我发现手撕代码的评分点通常不只是"能不能跑通"，还包括：

• 沟通质量：有没有先说思路再动手？遇到不确定的输入格式有没有主动确认？
• 边界处理：空输入、单元素、极端值有没有考虑？
• 代码风格：变量命名是否清晰？有没有多余的无用代码？
• 复杂度意识：能不能主动说出时间和空间复杂度？

如果你刷题时习惯闷头写、不解释，建议尽早改掉这个习惯。我后来练习时强制自己用"先讲思路、边写边说、写完自查"的三步法，对状态提升很有帮助。

4.3 关于"AI岗面经"的辨别：信息差比努力更致命

准备面试期间我看了大量网上的华为AI岗面经，发现一个问题：信息陈旧度非常高。很多面经停留在"问了你Transformer的结构、问了Adam优化器、问了BN和LN的区别"这个层面，但这已经是两三年前的热门考法。

2026年的大模型面试，基本盘已经变成了：多模态理解、推理成本优化、Agent可靠性、模型评测体系、国产算力适配。如果只看旧面经会让你的方向偏得离谱。

我的建议是：看面经只用来了解流程和大致风格，但不要把它当成题库。真正的准备重心应该放在这几个地方：

• 把你简历里的每一个项目，用三层"为什么"问到底
• 把大模型领域的核心论文和主流开源项目的最新进展过一遍
• 动手搭一两个完整的小项目，比如基于开源模型搭一个RAG问答服务，最好是能跑通压测的那种

5. 如果再来一次：给备战的实操指南

5.1 项目准备：把"做了什么"升维成"为什么这样设计"

如果你的简历项目还停留在"我用了BERT、我用Flask搭了接口"这种描述，那在华为AI岗面试里大概率撑不过深挖环节。项目描述和思维方式都需要升级。

我复盘后给自己定了一个项目准备框架，适用于简历里的每一个核心项目：

• 问题定义：这个项目解决了什么真实问题？用户/业务痛点是什么？
• 方案设计：整体架构是怎么样的？为什么做这样的技术选型？有没有对比其他方案？
• 实现细节：训练数据怎么处理？模型怎么训练？性能指标是多少？失败的经验有哪些？
• 线上表现：如果上线了，实际效果如何？有没有A/B测试数据？遇到什么问题？
• 反思沉淀：如果重新做一次，你会改动什么？为什么？

按这个框架梳理一遍，你的项目就不只是简历上的一句话，而是一个随时能展开讨论的深度素材。

5.2 知识体系搭建：一份面试前自查清单

结合这轮面试经历和当前行业热点，我列了一份AI岗面试自查清单，供大家参考：

• 大模型基础：Transformer、Attention机制、位置编码、推理过程（Prefill/Decode）
• 训练与微调：预训练、SFT、LoRA/QLoRA、DPO、RLHF的核心思路
• 模型推理：量化、KV Cache、PagedAttention、Continuous Batching、推理引擎对比（vLLM、TensorRT-LLM、MindIE）
• RAG体系：文档解析、分块策略、Embedding选择、向量检索、重排、评估指标
• Agent体系：ReAct、Function Calling、记忆机制、多Agent协作、Agent评测、MCP协议
• 模型评测：通用评测集、业务场景评测、badcase分析、自动化评测方案
• 工程能力：Docker、Kubernetes、模型服务化、压测调优、日志监控、CI/CD
• 国产算力：昇腾、MindSpore、MindIE的基本概念和生态情况（加分项）

这只是一个提纲，每一个方向往下都有大量可深挖的细节。重点是别一味贪多，每个方向找到自己的"代表作"项目去对应，效果会好很多。

5.3 时间规划：三个阶段的安排

如果你还在准备周期内，我建议把时间分成三个阶段：

第一阶段（1-2周）：基础夯实与项目梳理。把简历项目按前面说的框架逐一梳理，每个技术点准备到能回答"为什么"为止。同时把大模型基础补牢。

第二阶段（1-2周）：系统刷题与模拟面试。每天保持做2-3道LeetCode中等题，重点练链表、树、动态规划、字符串这类高频类型。每周找同学或导师做一次模拟面试，把自我介绍、项目深挖、反问环节全部演练一遍，录音回听会发现很多细节问题。

第三阶段（面试前）：冲刺热身。集中过一遍自己的项目细节和最新技术动态，手撕代码保持手感，准备好反问环节的问题。面试前一天不要学新东西，把已有的整理过一遍，保证睡眠。

最后再分享一点心得

说实话，华为AI岗的面试最让我有感触的，不是某道难题，而是它在反复检验同一个词：真实。你是不是真的碰过那些数据，是不是真的排查过那些报错，是不是真的为一个指标优化过好几轮，这些问题藏不住，也没有标准答案让你速成。

所以我在复盘之后给身边朋友的建议一直是：与其花时间刷几百道面经，不如把手头的事情做扎实。哪怕是一个很小的模型服务项目，只要你能把每个环节的细节讲出"我怎么做的、为什么这么做、遇到了什么坑"，比面试官问什么都答得上来要管用得多。

如果你也在准备这个方向，希望这篇复盘能给你一些具体的参考。面试本质上是一次自我梳理的机会，把项目、知识和表达都整理到"随时能开讲"的状态，你离offer就不会太远了。