面向 AI Engineer、Applied AI Engineer 和 LLM Engineer 候选人的面试辅导路线，覆盖 Python Coding、RAG、Agent、LLM Eval、系统设计、项目深挖和生产故障排查。
Question Focus
基于本地面经中 OpenAI、Anthropic、Google、Microsoft、Meta、Perplexity、Harvey 等 AI Engineer / Applied AI 岗位信号整理，区分传统 MLE 与 LLM 应用工程。
设计企业知识库或产品内 RAG 问答系统，要求覆盖 ingestion、chunking、retrieval、rerank、citation、ACL 和 freshness。
常见挂点：只说 vector DB + LLM 生成，不讲 chunking 策略、权限过滤时机、citation 机制和数据新鲜度。
设计一个能调用外部工具的 AI Agent（客服、代码助手或研究 Agent），覆盖 tool calling、state、memory、retry、approval、observability 和安全边界。
常见挂点：只画 planner + tools 的框图，不讲 state 管理、审批流、失败恢复和 prompt 注入这类安全追问。
为 RAG 产品或 Agent 设计一套 eval 体系，覆盖 golden set、offline / online metrics、human eval、regression 和 A/B test。
常见挂点：只会说跑个 benchmark 分数，不讲 eval 集维护、judge 偏差、回归流程和线上指标闭环。
LLM 应用上线后出现延迟升高、成本失控或质量波动，要求定位并设计 TTFT、latency、token cost、cache、fallback、rate limit 和 incident response 方案。
常见挂点：只说加缓存和扩容量，不讲 TTFT 拆解、token 成本口径、fallback 链路和 incident 流程。
Role Distinction
这不是把 MLE 页面换个标题：Applied AI 的工程重心、评估方式和系统设计语言都和传统 MLE 不同。
考察重心不同：传统 MLE 考推荐 / 排序 / 内容安全等模型的训练与特征链路；AI Engineer 考 RAG、Agent、LLM serving 和 eval 的工程化落地。
评估方式不同：MLE 看 offline / online metric 和 A/B 实验；AI Engineer 还要讲 golden set、LLM-as-judge、human eval 和回归检测。
系统设计不同：MLE 设计 feature pipeline 和 model serving；AI Engineer 设计 retrieval 链路、tool calling、prompt 版本、token 成本和失败恢复。
项目表达不同：MLE 讲数据、特征、训练、评估闭环；AI Engineer 讲 Demo 到生产之间缺的 Eval、可观测、安全边界和 incident response。
Role Articles
整理这个岗位相关的题型拆解、公司攻略和面试复盘。
基于 2026 年 OpenAI 软件工程师岗位真实面试信号整理的 30 道面试题合集：Coding 18 道、Design 12 道。覆盖 60/75 分钟三档 coding、GPU credit、IP iterator、Toy Language 类型系统、JS refactor 与 multi-tenant CI/CD、payment system、webhook 高频 design，附三道真题详解、挂因复盘与 4 周训练计划。
阅读全文AI 岗位面试趋势 2026 方法指南：MLE / AI Engineer / AI Infra 三类 AI 岗位的面试结构对比、题型迁移与形态 AI 化、六个核心方法、代表题型、常见挂点与分阶段准备路线，适合准备 AI 相关岗位面试的中国 / 海外候选人。
阅读全文面向准备 OpenAI FDE（Forward Deployed Engineer）面试的候选人：按官方 JD 拆解角色定位，覆盖模糊需求拆解、LLM workflow、Eval、数据与权限、快速原型、客户沟通与上线复盘，区分公开确认信息与行业共性推断，附 7/14/30 天准备路线。
阅读全文面向 AI Engineer 候选人的 AI Agent 面试题与拆解：agent loop、tool schema、memory、planning、prompt injection 与 bad case debug 核心考点，附端到端设计示例、失败案例和 7 天练习计划。
阅读全文面向 AI Engineer 与 MLE 候选人的 LLM Eval 面试指南：任务定义、golden set 构建、pointwise / pairwise 评估、LLM-as-judge 偏差与校准、human rubric、回归测试与线上指标逐层拆解，附端到端示例与失败案例。
阅读全文面向 AI Engineer 与 MLE 候选人的 RAG System Design 面试准备：需求澄清、数据接入、chunk、embedding、hybrid retrieval、rerank、ACL、citation 与 eval 逐层拆解，附端到端示例、失败案例与 7 天练习计划。
阅读全文Critical Pain Points
准确诊断根因卡点，避免无效盲目刷题。
Strategic Prep Roadmap
结合目标公司、Level与面试倒计时动态细化执行方案。
项目资产盘点：把简历里的 AI 项目拆成 RAG 链路、Agent 链路和评估证据三段，标出能讲多深。
RAG/Agent 系统设计：按 ingestion、retrieval、tool calling、state、Eval 和 serving 逐层建立回答框架。
Eval/Debug/Behavioral 模拟：用 LLM eval 设计、线上故障排查和 behavioral 模拟把表达练到面试节奏。
Interview Rounds Coverage
针对性拆解不同轮次的 Key Evaluation Signals（关键评价信号）。
Company Priority
按面经题型密度和转化价值排序，先做这些公司比平均铺公司名更有效。
先练一个 RAG 系统设计，把 retrieval、eval 和成本都讲完整。
查看公司攻略先练小系统加 follow-up，再练 LLM serving 与 safety 表达。
查看公司攻略先练 RAG + eval 组合题，输出指标和 guardrail。
查看公司攻略先练 Copilot 场景的 RAG + 权限 + 缓存设计。
查看公司攻略先练 LLM 应用系统设计 + 项目深挖的 ownership 表达。
查看公司攻略先读本地 Perplexity 面经，练 AI infra 系统题和产品判断。
查看公司攻略先读本地 Harvey 面经，把 frontend coding 基本功过一遍。
查看公司攻略7-Day Sprint
不是继续泛刷，而是每天只压一个最容易影响结果的输出能力。
做 2 道 Python coding（数据结构 + 字符串处理），限时并补边界测试。
RAG 系统设计 mock：ingestion、chunking、retrieval、rerank、citation、ACL、freshness 全链路。
Agent 系统设计 mock：tool calling、state、memory、retry、approval 和安全边界。
LLM eval 设计 mock：golden set、offline / online metrics、human eval 和 regression。
把最强 AI 项目改成 30 秒、3 分钟、8 分钟三版，重点补成本、延迟和安全。
做生产故障排查 mock：TTFT 升高、token 成本失控、质量退化三种场景。
只做 behavioral 和追问复盘，只练最容易挂的表达和 failure 案例。
Case Studies
展示如何将零散项目与题型升级为结构化面试表达。
候选人在后续模拟中能主动讲清 latency、freshness、offline-online skew 和 rollback，回答从“会做模型”变成“能负责系统”。
候选人能在 35 分钟内完成题解和边界测试，follow-up 先复述约束再动代码，整体表现更像真实工程面试。
候选人能把工具使用转成架构判断，清楚说明为什么这样建模、失败怎么发现、如何降低业务方感知风险。
候选人把回答改成指标树、用户分层、假设验证、实验设计和 rollout 风险，能把数据分析讲成产品决策支持。
FAQ
MLE 侧重推荐、排序、内容安全等模型的训练、特征和评估闭环；AI Engineer 侧重 RAG、Agent、LLM serving 的工程落地和 eval。轮次上 AI Engineer 常见 Python Coding、RAG Design、Agent Design、LLM Eval 和 Project Deep Dive，不同公司叫法不同，以实际邀请为准。
公开信号显示常见组合是 1-2 轮 coding（含 applied AI coding）、1-2 轮系统设计（RAG / Agent / LLM serving）、项目深挖和 behavioral。OpenAI、Anthropic 这类公司轮次更偏模糊系统题。不同团队可能不同，建议至少提前 7-14 天准备。
可以。先用 1-2 周把一个 RAG 或 Agent 项目做到可深挖：有明确 eval 集、能讲成本 / 延迟 / 安全取舍、有失败案例。面试考的是系统设计判断，不是用过多少框架，但 Demo 到生产的证据链必须完整。
建议至少 3-5 次模拟：1 次 RAG 或 Agent 系统设计、1 次 LLM eval 设计、1 次项目深挖、1-2 次 coding。每次模拟后复盘追问链，重点修表达和边界处理。
通常以系统设计或开放题出现：给定一个 RAG 或 Agent 产品，让你设计质量评估方案。要讲 golden set 构建、offline / online metrics 选择、LLM-as-judge 的偏差、human eval 流程和 regression 告警，能讲清 trade-off 就超过大多数候选人。
