xAI SWE / AI Infra 面经 2026：15 分钟筛选、4 小时 Take-home、Onsite

💡 核心要点 (Key Takeaways)

• xAI 的筛选轮极短：15 分钟 Phone Screening 只考 self-intro、动机、地点与 RTO（能否 5 天到岗 / 返岗），不考技术，但「为什么 xAI / 想做什么 role」要提前想清楚——这轮过不过直接决定能不能拿到 4 小时 Take-home。
• Take-home 是 xAI 的标志性环节：CodeSignal 平台、7 个 prompt 里选 1 个（覆盖前端 / 后端 / ML 方向，按自己特长选），给两周窗口但开始做只有 4 小时，交稿后 24 小时内还要上传 demo video。公开信号一致强调：不用 AI 基本做不完，选最熟悉的 AI 工具一两个小时就能写完，剩余时间用来读代码、补测试和录 demo。
• Onsite 是高强度小系统实战：公开信号里的 Onsite 是 3 轮（每轮 45 分钟，线下）或 2 位面试官 2 道大题的结构，题目集中在 token bucket / 分布式缓存、多线程实现、per-user rate limiter 设计和事件流聚合统计（进出房间求活跃时长 + top-k follow-up），follow-up 追问链是主要失分点。
• xAI 独有的挂点：45 分钟一轮时间太紧 + 线下 onsite 要手动输入 CoderPad 链接浪费前 5-7 分钟；Take-home 的 demo video 不交或看不懂自己代码；rate limiter / in-memory 这类「以为不会考」的基础小系统设计没准备；部分团队（如 foundation LLM team）因 internal change 会暂停招聘，流程可能中断，要主动跟进。
• 流程时间线：投递 → 15 分钟 HR 筛选 → 4 小时 Take-home（两周窗口）→ 直接 SF in-person onsite（公开信号里 Take-home 过完不再加 VO 轮）→ 出结果。部分岗位走 Backend Engineering Specialist OA（分 Level 的多级实现题，TTL、backup/restore 这类工程细节是考点）。

这篇适合谁

这篇写给准备 xAI 社招 SWE / AI Infra 岗位面试的候选人，覆盖 2026 年公开面经信号里反复出现的几条流程线：15 分钟 Phone Screening → CodeSignal 4 小时 Take-home → 线下 Onsite，以及 Backend Engineering Specialist 方向的 OA 路线。级别以社招中高级（大致对标 Google L4-L5 / Meta E4-E5，以 JD 和实际沟通为准）为主。xAI 的团队方向差异很大（Exceptional Engineer、Backend Engineering Specialist、foundation LLM team、Video generation / agent RL 等），各团队轮次结构会有出入，以实际收到的邀请为准。

一句话定位：xAI SWE / AI Infra = 极短的 15 分钟 HR 筛选（只聊动机和 RTO）+ 4 小时 Take-home（7 个 prompt 选 1、必须交 demo video）+ 高强度小系统 Onsite（token bucket、rate limiter、事件流聚合，45 分钟一轮）+ systems 味 BQ。Take-home 是 xAI 和 OpenAI / Anthropic 最明显的流程差异——它直接替代了大部分公司 45-60 分钟的 phone coding 轮，也决定了你的第一份「作品」质量。如果你同时准备的是 OpenAI 的 SWE 或 AI Infra 岗位，高频题单和流程细节看 OpenAI SWE 面经 2026 和 OpenAI AI Infra 面经 2026；Anthropic 的 systems 视角看 Anthropic SWE 面经 2026。

• 适合准备 xAI 社招 SWE / AI Infra（Exceptional Engineer、Backend、foundation LLM team 等方向）的候选人（大致对标 Google L4-L5 / Meta E4-E5）
• 标志性流程：15 分钟 Phone Screening（不考技术）→ CodeSignal 4 小时 Take-home（7 选 1 + 24 小时内交 demo video）→ SF 线下 Onsite
• 评分重点：Take-home 的代码可读性和 demo 表达 + Onsite 小系统实现的 follow-up 链，不是算法题难度
• 本篇聚焦 xAI 的 SWE / AI Infra 流程视角；投 OpenAI / Anthropic 的读者用对应站内页面做主准备

面试流程：15 分钟筛选 / Take-home / OA / Onsite 各轮是什么

xAI 的流程公开信号比 OpenAI / Anthropic 更集中在两条线上：Take-home 主线（HR 筛选 → 4 小时 Take-home → onsite）和 Backend Specialist 的 OA 主线。两条线都偏「短筛选 + 作品/实战」，中间没有标准 45 分钟 VO coding 轮。各轮侧重点如下：

• Phone Screening（约 15 分钟，HR）：不考技术。公开信号里的问题组合很固定：HR 先介绍流程，然后 self-intro、想做什么 role 以及为什么、工作地点和能不能 RTO 5 天、当前 status（是否在面其他公司 / 有没有 offer），最后留几分钟反问。注意：网传高频的「challenging project」问题在这类短筛选里不一定出现，但动机和 role 匹配必须答得具体——这轮直接决定你拿不拿得到 Take-home。
• Take-home（CodeSignal 平台，4 小时限时）：筛选通过后收到 4 小时 take-home 邀请，给两周窗口，但一旦开始计时只有 4 小时。7 个 prompt 里选 1 个做，方向覆盖前端、后端、ML 等，按自己特长选。交稿后 24 小时内还要在平台上上传一个 demo video，讲清楚你做了什么、代码怎么跑。多篇公开信号一致反馈：这个量级不用 AI 基本做不完，用你最熟的 AI 编码工具一两个小时能出主体，剩余时间读代码、补测试、打磨 demo 是更优的时间分配（注意自行确认当期对 AI 工具的政策）。
• Backend Engineering Specialist OA（部分岗位）：不走 Take-home 的 Backend 岗位可能是限时 OA，公开信号里的形态是「一个系统分 Level 逐级加功能」的多级实现题：Level 1 基础 CRUD 操作，Level 2 只读扫描 / 前缀过滤，Level 3 引入时间戳和 TTL（过期数据不可见），Level 4 backup / restore 且恢复后要重算 TTL。考点不是算法难度，而是边界条件、时间语义和状态一致性，中间任何一个小失误 debug 耗时都会吃掉你的分数。
• Onsite（线下，SF in-person；公开信号里 Take-home 之后直接进 onsite）：两种公开结构：3 轮 × 45 分钟（每轮一道大题，背靠背），或 2 位面试官各一道大题的「intense 对线」结构。题目集中在小系统实现和 per-user 限流、事件流聚合这类 systems 味 coding，follow-up 追问（top-k、优化、分布式）是主要区分点。线下 onsite 用对方电脑时不会自动加入会议，每轮要手动输入 CoderPad 链接，前 5-7 分钟会耗在环境上——这是时间压力的真实来源之一。
• 流程信号与跟进：公开信号里 Take-home 做完「直接就是 SF inperson onsite」，中间不加 VO 轮；但也有团队（如 foundation LLM team）因 internal change 暂停招聘、流程中断的情况。主动跟进 recruiter、问清当前团队是否在 active hiring，是 xAI 流程管理的一部分。出结果周期因团队而异，日程上留好余量。

题型雷达：Take-home、Systems Coding、System Design、BQ 各占多少

按 xAI SWE / AI Infra 岗位把题型按出现频率排个雷达图，最区分人的三根轴是 Take-home 工程能力、小系统 Coding（含 per-user 限流和事件流聚合）和 systems 味的 BQ：

• Take-home（必考，主线流程的核心）：7 个 prompt 覆盖前端 / 后端 / ML 方向，选自己最强的做。评分看三样：功能完整度（含测试）、代码可读性（demo 时要能逐段讲清）、demo video 的表达力。这是 xAI 流程里唯一有「作品」的环节，质量直接决定 onsite 的起点。
• Systems Coding / 小系统实现（Onsite 必考，2-3 道大题）：token bucket 与分布式缓存组合、多线程实现（排序 / 合并）、游戏类 open-end 系统（初始化 + 移动 + 胜负判定）、事件流聚合（进出记录求每个空间活跃时长）。共同特征：题目本身不难于 LeetCode hard，难在 45 分钟内写出可运行第一版 + 接住 follow-up。允许查语法（如多线程写法）是公开信号里出现过的，但现场从零想最优解来不及，「先可运行、再优化」才是正确姿势。
• System Design（轻独立轮、重 follow-up）：公开信号里 xAI 的 SD 更多以「小系统大题 + follow-up」形态出现，而不是 45 分钟独立设计轮：per-user 不同配额的 rate limiter、top-k 实时统计、状态恢复与 TTL 重算。考点是配额 / 窗口语义、数据结构选型、并发安全和「代码哪一部分可以再优化」这类收尾追问。
• SQL / 数据分析（低频）：没有独立 SQL 轮的信号；事件流聚合题本质是「用代码做数据聚合」，涉及时间区间合并和去重思路，有 SQL window 背景的人上手更快。
• BQ / motivation（穿插 + 筛选轮重点）：15 分钟筛选轮几乎全在 BQ：为什么 xAI、想做什么 role、为什么是现在。Onsite 里穿插项目深挖和「代码哪一部分可以再优化」的自我反思式追问。准备 3-4 个 STAR 故事 + 一段 1 分钟的「为什么 xAI」（落到具体产品 / 研究方向，别只说「AI 很酷」）。

高频题目：6 个代表题型和考点

以下是 2025 下半年到 2026 年初公开面经信号里反复出现的题「类型」，只归纳题型和考点，不复刻任何人的具体原题：

• Take-home 工程题（7 选 1，按方向）：后端方向常见小服务 / 数据处理管道类实现，ML 方向常见小型模型训练或 eval pipeline，前端方向常见交互组件。考点：4 小时内完成核心功能 + 测试，demo video 里能逐段讲清架构和 trade-off；时间分配上 AI 出主体、人工读代码补测试是公开信号里的主流打法（以当期政策为准）。
• Systems Coding：token bucket + 分布式缓存：给定分布式缓存 class 和 token bucket class，实现「补充 token」和「检查某 user 剩余 token 并扣减」两个函数。考点：已有组件的复用与接口理解、lazy 刷新 token 的时机、边界（刚好够 / 不够 / 并发扣减）。这类题面试官会给提示，接住提示的速度是评分点。
• Systems Coding：多线程实现：现场写多线程版本的数据处理（如多线程排序 / 合并数组）。考点：线程池 + 任务切分的基本结构、允许查语法但要快速搭出框架、pq 合并等多线程惯用法。失分点：纠结最优解而没写出可运行版本；正确做法是先出单线程正确版，再叠加并发。
• System Design（轻）：per-user rate limiter：设计限流器，但每个 user 的 token 配额不同（不同用户每秒可用量差几个数量级）。考点：配额存储结构（per-user 状态放哪、怎么过期）、窗口算法（固定 / 滑动窗口 / token bucket 各自适配哪种配额语义）、高并发下的原子扣减。这是公开挂点里出现频率最高的「以为不会考」题。
• Systems Coding + 数据聚合：事件流活跃时长统计：给定 (operation, space, user, timestamp) 的进出事件流，求每个 space 的总活跃时长，follow-up 是实时生成 top-k 最活跃 space。考点：per-user per-space 进出配对、时间区间求和（注意同一 user 多次进出要分别计时）、top-k 用 heap 维护；follow-up 考的是「从批量统计升级到实时流」。
• Open-end 小系统：回合制游戏后端：设计一个 checkers 类回合制游戏的后端，给定时间只够写初始化、棋子移动和胜负判定。考点：open-end 题不追求写完，追求「讲清架构 → 落地核心路径 → 主动说剩余部分怎么补」；面试官的收尾追问是「代码哪一部分可以再优化」，要能指出真实可优化点（而不是空话）。

公开面经信号怎么读

一亩三分地等社区是 xAI 面试信息最集中的公开来源，xAI 的公开面经信号有三个特点：帖子里公司别名很多（xAI / Xai / 叉爱 / 爰爱等写法都有）、Take-home 帖和 Onsite 帖混在一起、挂经占比高（45 分钟一轮的时间压力下挂经多）。读法比内容更重要，几个原则：

先按流程环节分类，再读细节。xAI 的帖子基本能归进四类：15 分钟筛选（HR screen / 店面 15min）、Take-home（4 小时 / 7 个 prompt / demo video）、OA（Backend Specialist 多级实现）、Onsite（3 轮或 2 人大题）。一篇帖子只属于一类，别把 Take-home 帖里对题目难度的描述当成 onsite 难度信号，反之亦然。

找共识，不信个例。「15 分钟筛选只聊动机」「Take-home 7 选 1 + demo video」「onsite 每轮 45 分钟、小系统味」这类多篇独立帖子都提到的结构才是可信信号；单篇面经里的面试官态度、具体难度评价不能当结论。面经作者有幸存者偏差，且 xAI 挂经比例高，整体难度感知会比真实情况偏悲观，按「流程结构可信、难度感受打折」来读。

提取「环节结构 + 题型方向 + 挂点」，忽略剧情。每篇面经真正有用的信息就这三样：这个环节考什么类型、follow-up 追问到多深、作者觉得挂 / 过在哪。对面试官的评价、线下环境吐槽（比如手动输 CoderPad 链接）可以当背景信息了解，但不要带进你的准备里。

注意时效。xAI 招聘流程在 2025-2026 年间有变化信号（部分团队因 internal change 暂停、重启时间不定），只看最近半年到一年的帖子判断当前流程，旧帖的轮次结构会误导你。

不搬运、不暗示合作。本站所有 xAI 面经内容都只归纳公开信号，不复制任何候选人的逐字面经，也不代表与一亩三分地或任何面经社区有合作或转载关系。你读到的公开帖子请以原作者发布的内容为准。

常见挂点：xAI SWE / AI Infra 独有的失分方式

把公开面经里的挂因对照，xAI 特有的失分点集中在这几个：

• Take-home 时间分配翻车：4 小时限时 + 两周窗口的组合容易让人前 10 天拖延、最后一夜赶工；或者反过来，不借助工具硬啃导致功能只做了一半。公开信号里过的人都是「快速出主体 → 读代码 → 补测试 → 录 demo」的节奏；挂的人常见「功能没做完」或「做了但 demo 讲不清」。
• Demo video 当小事：交稿后 24 小时内必须传 demo video，有人只传了代码没认真讲，也有人对着代码念。这一轮考察的是「你写的代码你自己懂不懂」，讲不清楚等于自曝 Take-home 质量。
• Onsite 前 5-7 分钟耗在环境上：线下 onsite 用对方电脑不会自动加入会议，每轮手动输入 CoderPad 链接；45 分钟一轮的时间本来就不宽裕，环境再吃掉 5-7 分钟，实际写代码只剩 35 分钟左右。提前熟悉 CoderPad 的操作和常用语法模板，是 xAI onsite 特有的准备项。
• 「以为不会考」的基础小系统设计：per-user rate limiter、in-memory 带 TTL / backup 的系统是公开挂经里出现频率最高的类型——候选人普遍觉得这是「入门题不会考」，结果现场没准备过就卡住。45 分钟一轮 + 高强度追问下，没准备过的题没有第二局。
• 纠结最优解而没出可运行版本：多线程题、open-end 系统题都是「先可运行再优化」的题型，现场从零想最优解会直接超时。面试官允许查语法、给提示，但不会等你；先交一个正确的单线程 / 简化版，再用 follow-up 时间展示优化路径，才是得分姿势。
• Follow-up 接不住：「代码哪一部分可以再优化」「top-k 怎么做」「数据量 10 倍怎么办」是 xAI 收尾追问的高频形态。只把第一版写完、对优化路径说不出具体改法的候选人，在 intense 对线结构下会被连续追问到露底。
• 筛选轮动机答泛泛：15 分钟筛选里「为什么 xAI、想做什么 role」答不出具体方向的，很难拿到 Take-home。xAI 的团队方向差异大（基础模型、推理、产品、安全），动机要落到具体方向，不能只说「想做大模型」。
• 流程被动等待：部分团队因 internal change 暂停过招聘，被动等 recruiter 的候选人可能在暂停期里石沉大海。拿到 Take-home 或 onsite 后主动跟进状态、问清团队是否在 active hiring，是 xAI 流程的一部分。

准备路线：7 天 / 14 天 / 30 天

按你距 Take-home 或 onsite 的天数选路线。三个版本的共同原则：Take-home 的节奏（快出主体 + 读代码 + 补测试 + demo）永远优先练，onsite 小系统的「先可运行再优化」话术保下限，rate limiter / in-memory 这类基础小系统设计保下限，BQ 故事保下限，最后两天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1 Take-home 全流程演练：找一道中等规模的后端小项目（限流服务 / 小型 API），用你的 AI 工具 2 小时出主体，再用 1 小时读代码 + 补测试，最后录一个 5 分钟 demo video 回听检查表达；D2 小系统三件套：token bucket + 缓存、多线程排序 / 合并、事件流活跃时长统计，每道 40 分钟限时，强制先出可运行版本再讲优化；D3 rate limiter 专项：per-user 不同配额的三种窗口算法（固定 / 滑动 / token bucket）各写一遍核心逻辑，能讲清配额存储和过期语义；D4 15 分钟筛选 mock：self-intro（1 分钟）+ 为什么 xAI（1 分钟，落到具体团队方向）+ 反问 2 个，录音回听；D5 完整 mock 1 场（一道小系统大题 + follow-up 追问 10 分钟），录音复盘断片点；D6 缓冲日，完整跑一遍 CoderPad 环境（手动输入链接、常用语法模板过一遍），检查设备日程，早睡。
• 14 天（标准版）：在 7 天基础上——D7-D8 Take-home 二练：换 ML 方向 prompt 类型（小型 eval pipeline）再走一遍全流程，把 demo 表达练到 5 分钟内讲清架构、核心决策和 trade-off；D9 DSA 补线：3 道 medium（哈希 + 区间、堆 top-k、多线程框架），不追 hard，目标是 45 分钟一轮的过线能力；D10 项目深挖：resume 上 2 个主项目各写三层答案（概述 2 分钟 → 规模与取舍 5 分钟 → 反思 3 分钟），每个项目想好怎么映射到 xAI 的 backend / infra / 模型方向；D11 in-memory / TTL / backup-restore 专项：把多级实现题的边界条件清单整理出来（时间语义、过期可见性、恢复后状态重算），能白板推一遍；D12-D13 BQ 故事库扩到 4-5 个（为什么 xAI、失败项目、高强度交付、跨方向协作、快速学习），英文口述各过一遍；D14 缓冲日。
• 30 天（系统版）：在 14 天基础上——D15-D18 follow-up 追问专项：给 3 道小系统题各补三类追问（数据量 10 倍、加并发、变成分布式），每类给出方案 + 取舍，练到 3 分钟内接住；D19-D21 open-end 系统专项：checkers 类回合制系统、小型任务队列、游戏状态机各做一道「20 分钟落地核心路径 + 10 分钟讲剩余部分怎么补」的演练；D22-D24 限流 / 配额体系深化：per-user 配额的存储选型（内存 / Redis / 本地 cache + 同步）、原子扣减、配额热更新，每个场景能讲清 trade-off；D25-D28 连续 2-3 场完整 mock（Take-home demo 演练 + onsite 小系统大题各一场），重点看 45 分钟时间压力下第一版交得出来、follow-up 接得住；D29 复盘 mock，把断片点写下来各补一段；D30 缓冲日，跟进 recruiter 确认团队 active hiring 状态。

FAQ：xAI SWE / AI Infra 面试 5 个高频问题

Q1：xAI 面经怎么读？重点看什么？
公开面经（一亩三分地等社区）重点读三样：环节结构（15 分钟筛选 / 4 小时 Take-home / OA / onsite 各是什么形态）、题型方向（小系统实现、per-user 限流、事件流聚合）、挂点（作者觉得挂 / 过在哪）。xAI 的信号特点是公司别名多、Take-home 帖和 onsite 帖混在一起、挂经占比高——先按流程环节给帖子分类，再按「年份 + 团队方向」筛选最近半年的帖子，以多篇共识判断结构，单篇个例不当结论。本篇的环节结构、题型雷达和挂点就是按这个共识整理出来的。

Q2：xAI 面试几轮？流程是什么？
公开信号里的主线是：投递 → 15 分钟 HR 筛选（不考技术，聊动机 / role / 地点 / RTO 5 天）→ CodeSignal 4 小时 Take-home（两周窗口、7 个 prompt 选 1、交稿后 24 小时内传 demo video）→ SF 线下 onsite（3 轮 × 45 分钟或 2 位面试官 2 道大题，小系统味 coding + follow-up）→ 出结果。Backend Engineering Specialist 岗位可能走 OA 主线（分 Level 的多级系统实现题，TTL / backup / restore 是考点）。部分团队（如 foundation LLM team）曾因 internal change 暂停招聘，轮次数量和当前状态以实际收到的邀请为准，主动跟进。 xAI 面试辅助（15 分钟筛选、4 小时 Take-home、Onsite 小系统与 AI Infra、项目深挖）。

• Q3：xAI Take-home 难吗？可以用 AI 吗？
  多篇公开信号的一致反馈是：7 个 prompt 的量级不用 AI 基本做不完，用你最熟悉的 AI 编码工具一两个小时能出主体，剩下时间读代码、补测试、录 demo video 是更优分配——过的人普遍是「快出主体 + 认真 demo」的节奏，挂的人常见功能没做完或 demo 讲不清。注意两点：一是自行确认 xAI 当期对 AI 工具使用的政策，按邀请邮件里的说明执行；二是 demo video 是硬要求（交稿后 24 小时内上传），它考察的是「你写的代码你自己懂不懂」，不能只传代码。
  
  Q4：xAI SWE 和 AI Infra 的面试有区别吗？
  公开信号里 xAI 的 SWE 和 AI Infra / Backend 方向共用「15 分钟筛选 + Take-home + onsite 小系统」的流程骨架，差异在 prompt 和题目侧重：SWE 方向 Take-home prompt 偏产品 / 全栈，onsite 偏通用小系统；AI Infra / Backend 方向更偏服务端实现、限流、缓存、状态管理（token bucket、per-user 配额、TTL / backup 这类题）。foundation LLM team 方向的信号目前较少，且该团队曾因 internal change 暂停招聘，投这个方向前先确认是否在 active hiring。如果你要的是更完整的 AI Infra 三主轴（LLM Serving / Batch / Eval）准备，看站内 OpenAI AI Infra 面经 2026，它的 SD 和 ML Depth 准备方法可以迁移到 xAI 的 infra 方向。
• Q5：投 xAI 的 MLE / AI Engineer 方向怎么准备？
  xAI 的 MLE / AI Engineer 公开信号目前集中在 Take-home 的 ML 方向 prompt 和 foundation 团队的流程暂停信号上，独立 MLE 面经量还少。实用建议：Take-home 选 ML prompt 的人，把「小型训练 / eval pipeline + 清晰的实验记录 + demo 里讲清指标口径」当主线准备；onsite 部分大概率沿用 SWE 的小系统骨架 + ML follow-up（数据流、指标、上线闭环）。完整 MLE 题型（ML System Design、实验严谨性）可以借站内的 OpenAI MLE 面试题目合集页打底，再叠加 xAI 的流程特殊性（15 分钟筛选 + Take-home + 45 分钟一轮 onsite）。