最近半年我密集参与了多家中型公司的 AI 招聘从简历筛选到终面复盘有个观察越来越确定中小厂招 AI 人才真正卡人的并不是技术。明面上JD 都会写“熟悉大模型应用开发”“有 RAG 项目经验”“了解 AI Agent 架构”可面试官和老板真正在找的是另外两样没有写进 JD 的东西——工程落地能力和业务交付意识。这篇文章就把我在几十场面试里看到的真实筛选逻辑写出来再讲讲候选人可以怎么准备。内容比较长但都是基于实际案例的教训适合正在投 AI 岗位的朋友也适合在中小厂带团队、想招个“能用的人”的技术负责人。1. 先把中小厂 AI 岗位的真实画像看清楚1.1 中小厂和大厂的 AI 岗位差别比想象中大不少候选人习惯用大厂的面试标准来准备小厂面试这是最容易偏方向的。大厂分工细算法工程师可以只做模型微调研究员只负责跑实验推理加速、特征工程、性能监控都有专门的团队兜底。中小厂完全不是这样AI 岗位往往是“一两个人扛一整条功能线”既要写 prompt又要搭 RAG 管道还要处理线上性能甚至前端页面、后端接口、数据库表都得自己上手。我帮一家做电商客服系统的公司面试时JD 上写的是“负责大模型对话产品的开发与优化”。实际业务是什么呢一个人要把客服机器人从零搭起来对接企业微信、钉钉、网页三个渠道业务方完全不懂模型还要求两周内出一个能 demo 的版本。这种情况下面试官最害怕招到的是“只会调 API、遇到问题就等别人给资源”的人。只要候选人表现出一点点“我只写算法上线的事情跟我无关”的态度基本就不会进入下一轮。这也是为什么我建议候选人去中小厂面试前先把自己的定位从“算法工程师”调整成“AI 产品研发工程师”。你不需要懂预训练但你需要懂怎么把模型变成业务里真正能跑、能维护、能迭代的东西。后者才是这些岗位的隐藏核心。1.2 拆解 JD 高频词这些技术词背后的真实意图中小厂的 JD 通常会写满 AI 技术词汇但面试官心里评估的方向往往和字面意思不太一样。比如“熟悉大模型原理”这句面试官并不指望你从头推导 Transformer 的注意力公式而是想看你能不能针对业务挑选模型私有化部署成本太高是不是用 API 更划算调用量起来了以后怎么控制 token 成本模型回答不稳定怎么设计评测集来量化效果变化“了解 RAG 项目经验”也不是问你会不会装向量数据库而是看你对增量更新、检索质量、答案置信度、知识冲突这些工程问题是否敏感。至于“懂 AI Agent”在这个场景里更多考察的是任务拆解、工具调用、失败回退、多轮状态记忆而不是哲学层面的“Agent 会不会取代人类”。我见过很多候选人在这些追问下沉不住气开始复述模型结构或者直接说“这个我没做过但用 LangChain 应该很快能搭出来”。这种回答放在大厂可能还能接受放在中小厂很吃亏因为对方想找的是能替他们填坑的人不是能读文档的人。1.3 为什么“会技术”反而成不了决定性优势有一类候选人特别可惜技术能力明显高于平均水平聊模型细节时眼睛都在发光但一到“业务指标”“上线流程”“效果坏了怎么排查”就支支吾吾。有的说“数据集太脏需要先清洗才能达到理想效果”有的说“给两张 A100 我就能做得更好”还有的直接反问“你们连专门的数据标注团队都没有吗”这些话单独听都合理放在中小厂的环境里就等于“这个人需要很多前置条件才能干活”。中小厂本来就是资源受限、需要人在复杂度里找风险最小的路径一个需要拉满配置才能出结果的候选人在老板眼里不是帮手是负担。技术能力当然是门槛但过了门槛之后能不能在真实环境里把东西做出来、做出来的东西业务方认不认才是真正拉开差距的地方。2. 第一个隐藏要求工程落地能力不是“能跑通 demo”2.1 demo 与生产环境的距离一道菜和一家餐馆的区别先聊一个最容易被低估的坑。很多人觉得我已经能把大模型跑起来了也做了个对话程序这不就是 AI 应用开发吗我只能说这就像你在家用燃气灶给自己做了一顿红烧肉和你在后厨高峰期同时炒五桌菜中间隔着的不是一个菜谱而是一整套流程管理。Demo 阶段你是谁都不需要考虑输入输出对了就截图发朋友圈。生产环境里用户不会按你设定的模板提问有人会输入一堆乱码有人会把文档内容直接粘贴进来有人会连续追问二十轮把上下文撑爆。模型返回格式可能某天突然漂移向量检索结果会随着知识库更新而变差半夜里外部 API 超时导致客服不回复业务方早上来质问你。这些才是中小厂 AI 岗位的日常。面试官看你有没有工程落地能力本质就是看你对这些日常有没有感知。2.2 工程落地能力的四个可考察维度根据我面试的经验工程落地能力可以拆成四个维度候选人可以拿这四条自查。第一是技术选型能力。中小厂没有人替你决定用什么方案你需要根据数据量、隐私要求、预算、团队维护水平做判断。闭源 API 省事但单价高且数据出境要评估开源模型可以私有化但部署和迭代成本不低。选型不是追热点是算总账。第二是数据回流与评测设计。很多项目上线之后只有一堆“感觉挺好”既没有真实用户反馈收集机制也没有回归用例。靠谱的候选人会主动设计日志埋点把用户的问题、模型的回答、用户有没有点“有帮助”全部记下来再定期抽样本做人工评测。这听起来不难但在中小厂真正做的人非常少。第三是失败模式处理。包括超时重试、限流、兜底回复、敏感内容过滤、上下文长度管理、模型升级后的行为变化。尤其 AI Agent 类的应用工具调用可能中断状态怎么恢复、要不要人机确认、已执行的操作如何回滚都需要提前考虑。第四是成本和性能控制。token 消耗不是一个算法指标在中小厂它是实打实的成本数字。缓存策略怎么设计top_k 和温度怎么调长文档怎么切片这些看似边缘的细节往往决定项目能不能持续跑下去。2.3 面试官判断工程落地能力的经典追问说几个我面试时一定会问的问题大家可以提前模拟。“假设让你给一家快消企业做内部知识库问答你第一步会做什么”很多候选人上来就说“用 LangChain 加向量库加 Qwen 就行”。我听到这种回答就想叹气。真正有落地意识的候选人会先问知识库是文档还是网页大概多少篇更新频率多高使用角色是谁允许的出错率是多少答案需要引用原文还是自由发挥。这些信息才是技术方案的输入条件。“如果系统上线后用户反馈答案不准确你怎么排查”好的回答会描述一个清晰链路先看用户原始输入和检索到的文档片段再看 prompt 拼出来是什么样的最后单独验证大模型输出必要时拿历史数据做一次线下回归定位是检索问题还是生成问题。差的回答是“重新调一下模型”或者“多加点数据”。把排查过程说出来比任何八股答案都能体现经验。最后一个是“如果业务方希望明天就要上线你会砍掉哪些功能保留哪些”这题考察的是优先级判断。合格的候选人会说先保核心问答链路和基础日志砍掉花哨的语音交互、多轮记忆、复杂权限不合格的候选人会说“那得加班把所有功能做完”。中小厂需要的是能在约束下做减法的人。2.4 候选人如何把“项目经验”讲成“落地经验”技术人最容易犯的毛病是项目讲得又细又深但完全听不出真实业务背景。我建议大家在准备项目经历时按“目标-方案-上线-问题-复盘”五步来整理并且在“问题”和“复盘”上多花时间。比如你做过一个智能问答项目不要只讲用了什么框架、准确率是多少。可以这样准备当初业务痛点是什么为什么选了这套方案上线后有没有遇到知识库更新不及时导致回答过时的情况半夜 API 超时你怎么处理的业务方反馈不好时你怎么判断是数据问题还是提示词问题如果再给你一个月你会动哪些地方。这些素材比模型结构更能打动中小厂面试官。我还会建议一个有些反直觉的做法把“犯过的错”讲出来。很多人面试时只展现顺风顺水的一面其实面试官也是做过项目的人知道没有不出问题的系统。主动讲一次线上事故和你的修复过程比一句“整体很稳定”更有说服力。3. 第二个隐藏要求业务理解与交付意识决定你能否被老板认可3.1 中小厂老板真正买单的是“结果”不是“技术名词”据我观察很多中小厂老板对 AI 的预期非常朴素要么是降本要么是增收要么是让现有业务省人力。客服机器人能不能少招两个客服知识库问答能不能让销售快速找到产品资料短视频文案能不能批量生成这些才是老板花钱招人的原因。但在面试里大部分候选人会陷入纯技术叙事。说“我用了 Agent 做了多轮对话”老板听不出价值说“我把意图识别准确率做到 92%”业绩外的人也没感觉。真正能打动老板的说法是“我设计了一套会话分析工具客服平均响应时间从 40 秒降到 13 秒人工介入率减少了 30%。”这就是把技术翻译成了业务语言。面试时通常有两轮CTO 或技术负责人可能聊技术但终面往往有老板或业务总监参与。很多候选人栽就栽在终面回答问题全是中间过程没有最终结果。我见过一个候选人技术聊得非常好终面时老板问他“这个项目给你带来了什么”他愣了几秒说“让我对大模型的理解更深入了”。技术没错可惜老板要的不是这个。3.2 交付意识一个人要干完 PM、测试、运维的活中小厂里AI 岗位很少只做开发。你可能要自己去和业务部门沟通需求自己写测试用例自己盯着上线后的监控数据甚至要去教客服团队怎么使用新工具。这不是企业管理混乱而是团队规模决定了每个环节没有足够的人手。所以面试官非常看重“交付意识”说白了就是“你能不能对最终结果负责”。有的候选人习惯了一线大厂的协作模式觉得“产品经理没给清楚需求我没法做”“测试没验收我不签字”。这种边界感放到中小厂就是灾难。老板不想听你解释为什么没做完只想看到东西上线。我面试过一个工程师模型效果已经很好了但部署方式还是命令行手动跑业务方看不懂也不会用。他却觉得“模型调好了我的职责已经完成”。这种心态哪怕技术再强中小厂也不敢招。因为上线不是终点让业务方日常愿意用、有问题能快速迭代这才是交付。3.3 面试中识别“业务理解能力”的细微信号我判断候选人有没有业务理解能力不看他说得有多好听看两个信号。第一个信号是提问质量。候选人反问环节会问什么问“加班强度怎么样”“有没有 GPU”“技术栈用不用最新版”说明他对业务还没想清楚。问“这个项目主要服务哪些客户”“业务方现在最痛的点是什么”“系统目前的用户量有多少”“数据规模大概什么级别”“如果我入职前两周最该解决什么问题”说明他脑子里已经在做需求拆解了。第二个信号是回答问题时会不会主动聊成本、收益和节奏。业务理解强的人说方案的时候会顺带提到“先做最小版本给三个种子客户用两周看数据再决定是否扩大”或者“这个阶段先不追求完美但要保证主流程跑通”。这样的人到了公司是可以直接放出去对接业务的。3.4 一个真实的用人对比案例前阵子面试两个候选人背景差异非常明显。A 是科班硕士简历里有比赛奖项、有论文、有大厂实习介绍项目时对大模型原理讲得头头是道。B 是自学的在一个传统制造企业做过内部 AI 工具没有拿得出手的论文代码水平中等偏上。面试中 A 在业务追问环节明显不耐烦说“这个要产品经理来定”B 反而主动问了很多业务细节还提出“可以先从售后工单分类做起准确率不要求太高只要能把标签打准人工复核就能省一半时间”。最后的决定是 B 进了终面。A 的技术能力明显更强但老板的原话是“A 太像来做研究的B 像是来解决问题的。”这个案例不是说要否定技术学习而是提醒大家中小厂的 AI 岗位本质上是一个“用技术解决业务问题”的岗位。业务理解能力不是加分项是核心项。4. 想拿 offer简历和面试怎么围绕这 2 点调整4.1 简历写法从“负责开发了 X”到“解决了 X 问题”很多人的简历写得像岗位说明书“负责开发了基于大模型的智能客服系统使用 LangChain、FAISS、ChatGLM回答准确率 85%”。这句话信息量太稀薄了。面试官不知道你在其中的角色不知道资源约束更不知道最终给业务带来了什么。改成“在无专职算法团队的条件下选型开源模型和向量库两周内上线企业微信渠道的客服问答功能通过埋点收集 3000 真实问答对迭代 prompt 和检索策略让人工客服介入率降低约 25%。”差别就很明显了。第一种写法只说了技术动作第二种写法把资源约束、决策逻辑、业务结果都体现出来了。给一个通用公式限制条件 关键决策 闭环动作 业务结果。限制条件说明你不是在理想环境下做事关键决策体现工程判断力闭环动作说明你有交付意识业务结果则让老板看到你带来的真实改变。4.2 答题框架讲清“为什么这样做”比“做了什么”更重要面试时间有限项目经验不要按时间线平铺建议用“背景-目标-方案-验证-复盘”五段式来讲。背景讲业务场景目标讲衡量标准方案讲技术选型和关键决策验证讲评测数据和真实反馈复盘讲你发现的不足和下一步计划。这里特别提一下“复盘”这一段很多人直接省略。中小厂面试官非常在意候选人有没有迭代意识因为小厂产品是改出来的不是一次做对。你可以说“当时我把精力都放在 prompt 优化上后来发现检索阶段的问题更大换成了重写索引结构才明显改善”这种反思比展示十项技术更值钱。回答的时候也注意别过度用“我”开头。“我搭建了”“我实现了”说多了像在背清单。换成“当时我们遇到”或“在这个项目里”会更像在描述一个真实经历而不是在表演简历。4.3 没有相关项目经验时怎么补足这 2 点很多求职者会焦虑“我没有实际的 AI 项目经验怎么办”。我的建议是不用一开始就做复杂系统从公司内部的真实小需求开始。比如帮团队做一个消息摘要工具把每天的群聊记录自动汇总成日报或者做一个文档问答小助手让同事上传 PDF 就能提问。这类工具技术含量不高但能让你完整走一遍“需求调研-开发-试用-收集反馈-迭代”的闭环。这个闭环的价值甚至高于技术复杂度。面试的时候你可以很清楚地讲做内部工具的过程中你发现同事并不关心模型用的是哪个只关心摘要能不能提到他们想要的关键信息你还发现有人会把几十页的文档直接扔进去于是你加了拆分逻辑。这就是活生生的工程落地和业务理解素材。如果现在没有工作或还在学校那就做一个开源项目并真正去维护接受 issue、回答用户问题、迭代版本。这些行为本身就是一种业务反馈循环面试官一看就知道你是真的做过而不是搭完 demo 就扔了。4.4 中小厂面试中的减分雷区尽量不要踩说几个我看到过的真实减分现场提醒大家尽量避开。第一动不动就说“给我一张 A100/A800 就能做”。这话在大厂会被当成有魄力在中小厂只会被理解成“不了解我们的资源现状”。你不如直接展示一个跑通的开源模型说明它在什么配置下能达到什么效果。第二把某些技术说成“过时了”。比如有人说“LangChain 已经不行了现在都用轻量框架”。哪怕这个判断正确中小厂面试官也会担心你将来难以和团队配合。中小厂要的是能用现有资源优势最大化的工程师不是技术布道者。第三反问环节只关心待遇和发展空间完全不问业务、不问团队、不问挑战。我理解求职者关心待遇但如果你前面已经充分表达了对业务的兴趣这里偶尔提一句并无大碍。如果从头到尾只问待遇面试官很难判断你入职后会不会因为遇到一点麻烦就跑路。第四过度包装或背稿。有些候选人回答得极其流畅但一听就能感觉是提前背好的中途任何一个追问都会卡住。我宁可听到磕磕绊绊的真诚描述也不喜欢完美的表演。第五也是比较隐蔽的一点不要试图用“我很擅长学习”来掩盖某个知识空白。面试官问你不会的问题你直接说“这块我没深入用过但我知道大概原理我们现场推演一下”反而更受欢迎。承认不知道同时愿意当场分析这本身就是工程落地能力的一部分。我个人在实际招聘和面试中的体会是中小厂的 AI 岗位并没有太多“既要又要”的要求他们只需要一个“能把事情做成”的人。技术是门票工程落地能力决定你能走多稳业务交付意识决定你能走多远。技术栈更新换代很快今天学的新框架可能半年后就变了但“在资源受限的环境里把技术变成结果”的能力放到任何一家公司都不会贬值。最后再分享一个我准备面试时的实用小技巧你可以用 AI 工具扮演一个非常挑剔的老板反复追问你项目里的成本、失败案例、业务指标和复盘过程。我第一次这样做的时候发现自己对不少细节其实是一知半解的当场查了不少资料。这种模拟追问比刷十套面试题都有效。面试本质上是让对方相信你能解决他们没有耐心解决的问题而所有的说服力都来自你把项目从头到尾想清楚、想透彻。
中小厂AI招聘：真正卡人的不是技术，而是工程落地与交付意识
最近半年我密集参与了多家中型公司的 AI 招聘从简历筛选到终面复盘有个观察越来越确定中小厂招 AI 人才真正卡人的并不是技术。明面上JD 都会写“熟悉大模型应用开发”“有 RAG 项目经验”“了解 AI Agent 架构”可面试官和老板真正在找的是另外两样没有写进 JD 的东西——工程落地能力和业务交付意识。这篇文章就把我在几十场面试里看到的真实筛选逻辑写出来再讲讲候选人可以怎么准备。内容比较长但都是基于实际案例的教训适合正在投 AI 岗位的朋友也适合在中小厂带团队、想招个“能用的人”的技术负责人。1. 先把中小厂 AI 岗位的真实画像看清楚1.1 中小厂和大厂的 AI 岗位差别比想象中大不少候选人习惯用大厂的面试标准来准备小厂面试这是最容易偏方向的。大厂分工细算法工程师可以只做模型微调研究员只负责跑实验推理加速、特征工程、性能监控都有专门的团队兜底。中小厂完全不是这样AI 岗位往往是“一两个人扛一整条功能线”既要写 prompt又要搭 RAG 管道还要处理线上性能甚至前端页面、后端接口、数据库表都得自己上手。我帮一家做电商客服系统的公司面试时JD 上写的是“负责大模型对话产品的开发与优化”。实际业务是什么呢一个人要把客服机器人从零搭起来对接企业微信、钉钉、网页三个渠道业务方完全不懂模型还要求两周内出一个能 demo 的版本。这种情况下面试官最害怕招到的是“只会调 API、遇到问题就等别人给资源”的人。只要候选人表现出一点点“我只写算法上线的事情跟我无关”的态度基本就不会进入下一轮。这也是为什么我建议候选人去中小厂面试前先把自己的定位从“算法工程师”调整成“AI 产品研发工程师”。你不需要懂预训练但你需要懂怎么把模型变成业务里真正能跑、能维护、能迭代的东西。后者才是这些岗位的隐藏核心。1.2 拆解 JD 高频词这些技术词背后的真实意图中小厂的 JD 通常会写满 AI 技术词汇但面试官心里评估的方向往往和字面意思不太一样。比如“熟悉大模型原理”这句面试官并不指望你从头推导 Transformer 的注意力公式而是想看你能不能针对业务挑选模型私有化部署成本太高是不是用 API 更划算调用量起来了以后怎么控制 token 成本模型回答不稳定怎么设计评测集来量化效果变化“了解 RAG 项目经验”也不是问你会不会装向量数据库而是看你对增量更新、检索质量、答案置信度、知识冲突这些工程问题是否敏感。至于“懂 AI Agent”在这个场景里更多考察的是任务拆解、工具调用、失败回退、多轮状态记忆而不是哲学层面的“Agent 会不会取代人类”。我见过很多候选人在这些追问下沉不住气开始复述模型结构或者直接说“这个我没做过但用 LangChain 应该很快能搭出来”。这种回答放在大厂可能还能接受放在中小厂很吃亏因为对方想找的是能替他们填坑的人不是能读文档的人。1.3 为什么“会技术”反而成不了决定性优势有一类候选人特别可惜技术能力明显高于平均水平聊模型细节时眼睛都在发光但一到“业务指标”“上线流程”“效果坏了怎么排查”就支支吾吾。有的说“数据集太脏需要先清洗才能达到理想效果”有的说“给两张 A100 我就能做得更好”还有的直接反问“你们连专门的数据标注团队都没有吗”这些话单独听都合理放在中小厂的环境里就等于“这个人需要很多前置条件才能干活”。中小厂本来就是资源受限、需要人在复杂度里找风险最小的路径一个需要拉满配置才能出结果的候选人在老板眼里不是帮手是负担。技术能力当然是门槛但过了门槛之后能不能在真实环境里把东西做出来、做出来的东西业务方认不认才是真正拉开差距的地方。2. 第一个隐藏要求工程落地能力不是“能跑通 demo”2.1 demo 与生产环境的距离一道菜和一家餐馆的区别先聊一个最容易被低估的坑。很多人觉得我已经能把大模型跑起来了也做了个对话程序这不就是 AI 应用开发吗我只能说这就像你在家用燃气灶给自己做了一顿红烧肉和你在后厨高峰期同时炒五桌菜中间隔着的不是一个菜谱而是一整套流程管理。Demo 阶段你是谁都不需要考虑输入输出对了就截图发朋友圈。生产环境里用户不会按你设定的模板提问有人会输入一堆乱码有人会把文档内容直接粘贴进来有人会连续追问二十轮把上下文撑爆。模型返回格式可能某天突然漂移向量检索结果会随着知识库更新而变差半夜里外部 API 超时导致客服不回复业务方早上来质问你。这些才是中小厂 AI 岗位的日常。面试官看你有没有工程落地能力本质就是看你对这些日常有没有感知。2.2 工程落地能力的四个可考察维度根据我面试的经验工程落地能力可以拆成四个维度候选人可以拿这四条自查。第一是技术选型能力。中小厂没有人替你决定用什么方案你需要根据数据量、隐私要求、预算、团队维护水平做判断。闭源 API 省事但单价高且数据出境要评估开源模型可以私有化但部署和迭代成本不低。选型不是追热点是算总账。第二是数据回流与评测设计。很多项目上线之后只有一堆“感觉挺好”既没有真实用户反馈收集机制也没有回归用例。靠谱的候选人会主动设计日志埋点把用户的问题、模型的回答、用户有没有点“有帮助”全部记下来再定期抽样本做人工评测。这听起来不难但在中小厂真正做的人非常少。第三是失败模式处理。包括超时重试、限流、兜底回复、敏感内容过滤、上下文长度管理、模型升级后的行为变化。尤其 AI Agent 类的应用工具调用可能中断状态怎么恢复、要不要人机确认、已执行的操作如何回滚都需要提前考虑。第四是成本和性能控制。token 消耗不是一个算法指标在中小厂它是实打实的成本数字。缓存策略怎么设计top_k 和温度怎么调长文档怎么切片这些看似边缘的细节往往决定项目能不能持续跑下去。2.3 面试官判断工程落地能力的经典追问说几个我面试时一定会问的问题大家可以提前模拟。“假设让你给一家快消企业做内部知识库问答你第一步会做什么”很多候选人上来就说“用 LangChain 加向量库加 Qwen 就行”。我听到这种回答就想叹气。真正有落地意识的候选人会先问知识库是文档还是网页大概多少篇更新频率多高使用角色是谁允许的出错率是多少答案需要引用原文还是自由发挥。这些信息才是技术方案的输入条件。“如果系统上线后用户反馈答案不准确你怎么排查”好的回答会描述一个清晰链路先看用户原始输入和检索到的文档片段再看 prompt 拼出来是什么样的最后单独验证大模型输出必要时拿历史数据做一次线下回归定位是检索问题还是生成问题。差的回答是“重新调一下模型”或者“多加点数据”。把排查过程说出来比任何八股答案都能体现经验。最后一个是“如果业务方希望明天就要上线你会砍掉哪些功能保留哪些”这题考察的是优先级判断。合格的候选人会说先保核心问答链路和基础日志砍掉花哨的语音交互、多轮记忆、复杂权限不合格的候选人会说“那得加班把所有功能做完”。中小厂需要的是能在约束下做减法的人。2.4 候选人如何把“项目经验”讲成“落地经验”技术人最容易犯的毛病是项目讲得又细又深但完全听不出真实业务背景。我建议大家在准备项目经历时按“目标-方案-上线-问题-复盘”五步来整理并且在“问题”和“复盘”上多花时间。比如你做过一个智能问答项目不要只讲用了什么框架、准确率是多少。可以这样准备当初业务痛点是什么为什么选了这套方案上线后有没有遇到知识库更新不及时导致回答过时的情况半夜 API 超时你怎么处理的业务方反馈不好时你怎么判断是数据问题还是提示词问题如果再给你一个月你会动哪些地方。这些素材比模型结构更能打动中小厂面试官。我还会建议一个有些反直觉的做法把“犯过的错”讲出来。很多人面试时只展现顺风顺水的一面其实面试官也是做过项目的人知道没有不出问题的系统。主动讲一次线上事故和你的修复过程比一句“整体很稳定”更有说服力。3. 第二个隐藏要求业务理解与交付意识决定你能否被老板认可3.1 中小厂老板真正买单的是“结果”不是“技术名词”据我观察很多中小厂老板对 AI 的预期非常朴素要么是降本要么是增收要么是让现有业务省人力。客服机器人能不能少招两个客服知识库问答能不能让销售快速找到产品资料短视频文案能不能批量生成这些才是老板花钱招人的原因。但在面试里大部分候选人会陷入纯技术叙事。说“我用了 Agent 做了多轮对话”老板听不出价值说“我把意图识别准确率做到 92%”业绩外的人也没感觉。真正能打动老板的说法是“我设计了一套会话分析工具客服平均响应时间从 40 秒降到 13 秒人工介入率减少了 30%。”这就是把技术翻译成了业务语言。面试时通常有两轮CTO 或技术负责人可能聊技术但终面往往有老板或业务总监参与。很多候选人栽就栽在终面回答问题全是中间过程没有最终结果。我见过一个候选人技术聊得非常好终面时老板问他“这个项目给你带来了什么”他愣了几秒说“让我对大模型的理解更深入了”。技术没错可惜老板要的不是这个。3.2 交付意识一个人要干完 PM、测试、运维的活中小厂里AI 岗位很少只做开发。你可能要自己去和业务部门沟通需求自己写测试用例自己盯着上线后的监控数据甚至要去教客服团队怎么使用新工具。这不是企业管理混乱而是团队规模决定了每个环节没有足够的人手。所以面试官非常看重“交付意识”说白了就是“你能不能对最终结果负责”。有的候选人习惯了一线大厂的协作模式觉得“产品经理没给清楚需求我没法做”“测试没验收我不签字”。这种边界感放到中小厂就是灾难。老板不想听你解释为什么没做完只想看到东西上线。我面试过一个工程师模型效果已经很好了但部署方式还是命令行手动跑业务方看不懂也不会用。他却觉得“模型调好了我的职责已经完成”。这种心态哪怕技术再强中小厂也不敢招。因为上线不是终点让业务方日常愿意用、有问题能快速迭代这才是交付。3.3 面试中识别“业务理解能力”的细微信号我判断候选人有没有业务理解能力不看他说得有多好听看两个信号。第一个信号是提问质量。候选人反问环节会问什么问“加班强度怎么样”“有没有 GPU”“技术栈用不用最新版”说明他对业务还没想清楚。问“这个项目主要服务哪些客户”“业务方现在最痛的点是什么”“系统目前的用户量有多少”“数据规模大概什么级别”“如果我入职前两周最该解决什么问题”说明他脑子里已经在做需求拆解了。第二个信号是回答问题时会不会主动聊成本、收益和节奏。业务理解强的人说方案的时候会顺带提到“先做最小版本给三个种子客户用两周看数据再决定是否扩大”或者“这个阶段先不追求完美但要保证主流程跑通”。这样的人到了公司是可以直接放出去对接业务的。3.4 一个真实的用人对比案例前阵子面试两个候选人背景差异非常明显。A 是科班硕士简历里有比赛奖项、有论文、有大厂实习介绍项目时对大模型原理讲得头头是道。B 是自学的在一个传统制造企业做过内部 AI 工具没有拿得出手的论文代码水平中等偏上。面试中 A 在业务追问环节明显不耐烦说“这个要产品经理来定”B 反而主动问了很多业务细节还提出“可以先从售后工单分类做起准确率不要求太高只要能把标签打准人工复核就能省一半时间”。最后的决定是 B 进了终面。A 的技术能力明显更强但老板的原话是“A 太像来做研究的B 像是来解决问题的。”这个案例不是说要否定技术学习而是提醒大家中小厂的 AI 岗位本质上是一个“用技术解决业务问题”的岗位。业务理解能力不是加分项是核心项。4. 想拿 offer简历和面试怎么围绕这 2 点调整4.1 简历写法从“负责开发了 X”到“解决了 X 问题”很多人的简历写得像岗位说明书“负责开发了基于大模型的智能客服系统使用 LangChain、FAISS、ChatGLM回答准确率 85%”。这句话信息量太稀薄了。面试官不知道你在其中的角色不知道资源约束更不知道最终给业务带来了什么。改成“在无专职算法团队的条件下选型开源模型和向量库两周内上线企业微信渠道的客服问答功能通过埋点收集 3000 真实问答对迭代 prompt 和检索策略让人工客服介入率降低约 25%。”差别就很明显了。第一种写法只说了技术动作第二种写法把资源约束、决策逻辑、业务结果都体现出来了。给一个通用公式限制条件 关键决策 闭环动作 业务结果。限制条件说明你不是在理想环境下做事关键决策体现工程判断力闭环动作说明你有交付意识业务结果则让老板看到你带来的真实改变。4.2 答题框架讲清“为什么这样做”比“做了什么”更重要面试时间有限项目经验不要按时间线平铺建议用“背景-目标-方案-验证-复盘”五段式来讲。背景讲业务场景目标讲衡量标准方案讲技术选型和关键决策验证讲评测数据和真实反馈复盘讲你发现的不足和下一步计划。这里特别提一下“复盘”这一段很多人直接省略。中小厂面试官非常在意候选人有没有迭代意识因为小厂产品是改出来的不是一次做对。你可以说“当时我把精力都放在 prompt 优化上后来发现检索阶段的问题更大换成了重写索引结构才明显改善”这种反思比展示十项技术更值钱。回答的时候也注意别过度用“我”开头。“我搭建了”“我实现了”说多了像在背清单。换成“当时我们遇到”或“在这个项目里”会更像在描述一个真实经历而不是在表演简历。4.3 没有相关项目经验时怎么补足这 2 点很多求职者会焦虑“我没有实际的 AI 项目经验怎么办”。我的建议是不用一开始就做复杂系统从公司内部的真实小需求开始。比如帮团队做一个消息摘要工具把每天的群聊记录自动汇总成日报或者做一个文档问答小助手让同事上传 PDF 就能提问。这类工具技术含量不高但能让你完整走一遍“需求调研-开发-试用-收集反馈-迭代”的闭环。这个闭环的价值甚至高于技术复杂度。面试的时候你可以很清楚地讲做内部工具的过程中你发现同事并不关心模型用的是哪个只关心摘要能不能提到他们想要的关键信息你还发现有人会把几十页的文档直接扔进去于是你加了拆分逻辑。这就是活生生的工程落地和业务理解素材。如果现在没有工作或还在学校那就做一个开源项目并真正去维护接受 issue、回答用户问题、迭代版本。这些行为本身就是一种业务反馈循环面试官一看就知道你是真的做过而不是搭完 demo 就扔了。4.4 中小厂面试中的减分雷区尽量不要踩说几个我看到过的真实减分现场提醒大家尽量避开。第一动不动就说“给我一张 A100/A800 就能做”。这话在大厂会被当成有魄力在中小厂只会被理解成“不了解我们的资源现状”。你不如直接展示一个跑通的开源模型说明它在什么配置下能达到什么效果。第二把某些技术说成“过时了”。比如有人说“LangChain 已经不行了现在都用轻量框架”。哪怕这个判断正确中小厂面试官也会担心你将来难以和团队配合。中小厂要的是能用现有资源优势最大化的工程师不是技术布道者。第三反问环节只关心待遇和发展空间完全不问业务、不问团队、不问挑战。我理解求职者关心待遇但如果你前面已经充分表达了对业务的兴趣这里偶尔提一句并无大碍。如果从头到尾只问待遇面试官很难判断你入职后会不会因为遇到一点麻烦就跑路。第四过度包装或背稿。有些候选人回答得极其流畅但一听就能感觉是提前背好的中途任何一个追问都会卡住。我宁可听到磕磕绊绊的真诚描述也不喜欢完美的表演。第五也是比较隐蔽的一点不要试图用“我很擅长学习”来掩盖某个知识空白。面试官问你不会的问题你直接说“这块我没深入用过但我知道大概原理我们现场推演一下”反而更受欢迎。承认不知道同时愿意当场分析这本身就是工程落地能力的一部分。我个人在实际招聘和面试中的体会是中小厂的 AI 岗位并没有太多“既要又要”的要求他们只需要一个“能把事情做成”的人。技术是门票工程落地能力决定你能走多稳业务交付意识决定你能走多远。技术栈更新换代很快今天学的新框架可能半年后就变了但“在资源受限的环境里把技术变成结果”的能力放到任何一家公司都不会贬值。最后再分享一个我准备面试时的实用小技巧你可以用 AI 工具扮演一个非常挑剔的老板反复追问你项目里的成本、失败案例、业务指标和复盘过程。我第一次这样做的时候发现自己对不少细节其实是一知半解的当场查了不少资料。这种模拟追问比刷十套面试题都有效。面试本质上是让对方相信你能解决他们没有耐心解决的问题而所有的说服力都来自你把项目从头到尾想清楚、想透彻。
