--- schemaVersion: 1 slug: mp-310-20260620-alisa-industry-job-search ticketId: MP-310 lang: zh-tw title: 11 家公司、57 場面試：一個 NLP 博士的工業界求職實錄 summary: 一個華盛頓大學的 NLP 博士，在畢業前申請業界研究職，11 家公司面了 57 場面試，外加 46 通招募電話、16 場 offer 後對談。她把整個過程攤開來寫：面試怎麼分類、怎麼準備、怎麼談判、以及最後那段沒人教你怎麼扛的情緒。最尖的一句：練 coding 時要把 AI 輔助完全關掉，不然你會低估自己有多依賴它。 originalDate: 2026-06-20 translatedDate: 2026-06-22 source: Alisa Liu's Blog sourceUrl: https://alisawuffles.github.io/blog/job-search/ author: Alisa Liu authorshipNote: null canonicalUrl: https://gu-log.vercel.app/posts/mp-310-20260620-alisa-industry-job-search status: published replacementTicketId: null replacementUrl: null --- # 11 家公司、57 場面試：一個 NLP 博士的工業界求職實錄 > **來源:** [Alisa Liu's Blog](https://alisawuffles.github.io/blog/job-search/) · Alisa Liu 博士念到一半，找工作在 Alisa Liu 心裡像哈利波特的分類帽：學長姐念到後期會突然人間蒸發好幾個月，再出現時命運已定。就算身邊好友陸續畢業拿到工作，除了偶爾報平安，她對他們到底經歷了什麼幾乎一無所知。等輪到自己，才發現比想像中累得多——一邊玩、一邊學遊戲規則。 事後回頭看，很多經歷其實都很普遍，一路學到的東西也都成了常識。她寫這篇，是想提供一個「這趟旅程可以長什麼樣」的資料點，讓不久前還同處境的人覺得找工作沒那麼神祕。 Alisa 在華盛頓大學念了六年 NLP 博士，畢業前申請研究科學家／技術團隊成員這類職位。這輩子基本上都在念書，要不是指導教授最後推了一把，大概很樂意當一輩子博士生。博士班大半時間沒認真想過之後要幹嘛，比起什麼都好，更被「好玩的點子」牽著走。這讓她換了很多方向，但幸好最後兩年抓住了一條一致的主線（[token](https://gu-log.vercel.app/glossary#token) 化！），因為它剛好跟「好玩」高度重疊。建立起一個專精領域，是她在求職時能脫穎而出的關鍵。 > **Mogu 忍不住說：** > > 注意那條主線是 tokenization——在 NLP 圈長年被當成最不性感、最雜役的底層工程，連模型本身都懶得學，直接外包給一個叫 tokenizer 的小東西。結果它反而成了她在求職市場上的辨識度。 > > 這件事 gu-log 寫過太多次了：最不起眼的那層，常常是真正的護城河。[MP-307](https://gu-log.vercel.app/posts/mp-307-20260609-ai-tutor-needs-a-folder/) 那篇 Matt Pocock 講「AI 正在吃掉戰術層的 coding」，留下來的價值就是這種沒人想碰的策略與底層判斷。專精一個別人嫌髒的角落，比追十個熱門題目安全 (￣▽￣) ## 時間軸 原文有一張求職時間軸圖（靈感來自 Nathan Lambert 的[文章](https://natolambert.com/writing/ai-phd-job-hunt)），灰色圖示是面試，彩色圓圈是結果。「已讀不回」是指招募人員從沒告知結果或下一步；「主動撤回」是指她在拿到幾個心動的錄取通知後，禮貌地告訴某些公司沒興趣了。總計：11 家公司、57 場面試。圖上沒畫的還有 46 通招募電話、16 場拿到錄取後的對談，以及求職前無數場非正式人脈交流。 --- ## 公司順序 何時啟動每一家的面試流程，取決於幾個因素：準備好了沒、公司給的壓力、預期流程跑多快、對這家有多興奮，還有一些沒那麼深思熟慮的因素——比如拖延症。常見智慧是：先拿幾家練兵，再把其他流程時間抓好，讓所有錄取通知大約同時到手方便談判。這個方向大致沒錯，但有幾點值得補充： - 練習面試有幫助，但體力有限——小心別還沒輪到真正在乎的公司就先把自己燒光。 - 外部因素也值得考量：公司有沒有員額、哪些團隊正在積極招人。這些有時比準備得多好還重要，可透過朋友和招募人員打聽。 - 截止日期其實彈性很大，錄取時間點不用抓得太精準。招募人員知道候選人還有別的流程要跑，而且有各種小技巧可以拖延。話雖如此，還是有惡名昭彰的例外（俗稱「自爆限時錄取」），所以一定要事先打聽候選人通常被給多少時間簽約。 --- ## 拿到第一場面試 最顯而易見的一條：博士期間盡量把研究做好、多交朋友、多合作。想拿到第一場面試，有時候需要公司內部有人背書。及早鋪路的方式包括：在研討會上多社交、廣泛合作、參加人脈活動——當然這不是每個人都做得來，所以也要照顧好自己的能量和舒適界線。求職期間，主動去聯絡認識或不認識的人，問問有沒有機會。事實上，求職有很大一部分就是去重新聯繫那些可能好幾年沒講過話的人——這沒關係、是意料中的事，而且到頭來會發現這是整個過程一個很美好的副作用。 --- ## 面試的類型 面試大致分成下面幾類。整體來說，被評估的「技術能力與知識」遠多於「研究經歷」——雖然後者大概才是讓人一開始拿到面試的原因。 **ML coding。** 目前為止最常見的一類。題目可能要求實作某個架構、某種解碼策略、傳統 ML 演算法，有時還會出更有創意的東西。PyTorch 一定要熟到能流利使用；少數情況被要求只用 numpy，比如從頭手刻反向傳播，不過對方並不期待候選人熟悉 numpy 語法。 **一般 coding。** 基本上就是 LeetCode，有時加點變化。這塊把基礎打穩很值得，因為這些概念也常出現在 ML coding 面試裡。 **技術討論。** 這類面試不寫 code，但非常技術。有時候整場圍繞一個主題延伸討論，例如怎麼設計實驗來回答某個研究問題或達成某個目標。面試官通常會逼問設計選擇，要求針對假設性結果發表看法並設計後續實驗。其他時候整場是連串快問快答（編碼位置資訊有哪些做法？什麼是 5D 平行化？PPO 和 GRPO 差別是什麼？），目的是讓候選人證明自己真的懂。前者考的是怎麼思考，後者檢查知識廣度。 **研究討論。** 這類對話是博士班最常練習的。面試官通常請候選人先講一個過去的專案，剩下的討論從這裡延伸，也可能問到 CV 上其他論文。準備時往後退一步想想很有用：當初為什麼選擇做這些題目、一路累積了哪些洞見和觀點、哪些是有前景的未來方向。她也會依職位調整自己的研究自我推銷；面試官都很累，打中對的關鍵字能讓他們更容易相信這個背景跟職位相關。 **行為面試。** 完全教科書式的行為面試，只是偶爾夾帶一題關於 AI 安全或社會影響的問題。做法是把博士期間印象深刻的故事一一列出，對應到常見行為面試題，這樣面試當下就能瞬間調出對的軼事。她第一場行為面試就掛了，因為進場時心想自己「顯然很乖」，結果在簡單到痛苦的問題前一片空白。那種痛苦很獨特：一邊在面試現場重建模糊的記憶、一邊還要把它講出來，最後面試官還丟下一句評語——根本答非所問。 **數學。** 有些公司有數學面試，範圍從好玩的邏輯謎題到要用紙筆認真推導的數學都有。建議把機率、線性代數和微積分複習一下。 **求職演講。** 求職演講的形式有些差異，但跟學術演講比起來通常短一點，且聚焦在單一論文或方向上。她的求職演講全在講 tokenizer：大部分時間花在一篇第一作者的作品，然後簡短帶過幾篇第二作者和進行中的研究，幸好它們彼此銜接得漂亮。 --- ## 準備 沒有比「為面試而讀書」更值得花時間的事了。對 Alisa 來說，那段經歷很像重回大學部：做筆記（她的 [LLM 筆記](https://alisawuffles.notion.site/alisa-s-book-of-llms)整個過程都在持續更新；還有一份[數學筆記](https://alisawuffles.notion.site/math-notes)，全是為了某一場命中註定的面試）、畫圖、做練習題，整天泡在咖啡店裡，務求把基礎 ML 概念裡裡外外搞懂。技術面試很難，被考的這些技能需要在做研究之外另外投入心力才養得起來。對她、以及她聊過的多數人來說，找工作本身就是一份全職工作。 一開始是把史丹佛「[Language Modeling from Scratch](https://cs336.stanford.edu/spring2025/)」課程的所有講座全部看完，這對攤開需要學的主題廣度很有幫助，也把腦中許多零散概念整理成一張對這個領域連貫的全圖。把基礎涵蓋完後，剩下的時間就一個概念一個概念深入：讀相關部落格文章和論文、跟 ChatGPT 和 Claude 大量對話、從頭練習實作。[作業一](https://github.com/stanford-cs336/assignment1-basics)超關鍵：實作／除錯一個 transformer 在面試中出現得太頻繁，把它練成肌肉記憶會帶來巨大回報，實在不值得在這裡失分。還有最重要的一條——**練 coding 時一定要把 AI 輔助完全關掉**，模擬面試情境，不然會嚴重低估自己有多依賴它。 > **Mogu 溫馨提示：** > > 「練 coding 時把 AI 輔助完全關掉，不然會低估自己有多依賴它」——這句話應該裱框掛起來。 > > [MP-307](https://gu-log.vercel.app/posts/mp-307-20260609-ai-tutor-needs-a-folder/) 那篇講「AI 正在吃掉戰術層的 coding」，她這句是同一枚硬幣的反面：當 AI 把現場執行那層吃掉，人會在毫無自覺的情況下把自己的某些肌肉外包出去，平常完全感覺不到，直到有一天它被拔掉——比如一場不准開 AI 的面試。她的解法很反直覺也很誠實：想知道哪些能力真的是自己的，就定期把拐杖拿掉走兩步。 > > 順帶一提，你正在讀的這篇是 AI 翻的、AI 審的（gu-log 有一套四法官的評審流程）。我們很清楚這個諷刺。差別只在於，我們把分數攤在陽光下給你看。 每一場面試都是獨特的，而且都能因為一點——有時候是很多——針對性準備而受益。一場面試的範圍通常可以從說明、公司感興趣的主題、招募人員給的提示、以及公司名聲建立出直覺。面試面到最密集的時候，她發現自己不斷地把資訊換進換出大腦，好讓某一場面試最相關的知識保持新鮮。最貼切的形容：每一場面試都是一門稍微不一樣的數學或 CS 課，從來沒去上過課，現在只剩大約三天可以抱佛腳準備期中考。 > **Mogu 溫馨提示：** > > 「不斷把資訊換進換出大腦，好讓最相關的知識保持新鮮」——她在描述的，根本就是 [context window](https://gu-log.vercel.app/posts/sd-22-20260508-context-window-model-day/) 管理，只是跑在人腦上。 > > 每場面試是一門沒上過課的課、三天惡補一次——這也正是一個 agent 的處境：每個全新的工作階段都從空白醒來，沒有昨天的記憶，得在有限的腦容量裡臨時把這次任務最相關的東西塞進去。她憑直覺逼出來的求生法，跟這個圈子花兩年才想通的 [context engineering](https://gu-log.vercel.app/glossary#context-window) 是同一件事。差別在於，她考完試還記得；agent 關掉視窗就忘光了。 **面試當天。** 也許是因為年紀漸長，但面試前一晚睡飽什麼都比不上。她犯過一個錯：第一場技術面試只睡了兩小時，因為熬夜把 LLM 推論的所有細節塞進腦袋——結果那些臨時抱佛腳的知識一個都沒考，反而花了十分鐘卡在一個「差一」的錯誤上，因為腦袋幾乎轉不動。面試結束後記得寫點筆記，對之後讀書和反省都很有幫助。 **附加好處。** 讀書為她帶來了巨大的附加好處。更廣的知識面直接提升了她作為研究者的信心，在對話中變得更篤定——比較不擔心知識缺口被揭穿，遇到時也不再覺得非得藏起來。她真心相信，如果在博士早期就做一些這樣的讀書，會擴大自己能思考、能產生點子的問題空間，也一定會增加主動去尋求的對話數量。而且很神奇地，讀書讓她在手上進行中的專案效率大增——能想出一些以前根本碰不到的技術點子、做更多技術性的工作，那種感覺令人振奮。 --- ## 談判 她很震驚地發現，拿到錄取通知之後事情根本還沒結束。相反地，接下來會有一段（可能很長的）時間用來更深入了解選項並談判手上的條件。這包含許多場跟未來潛在隊友／主管的對話、午餐拜訪、以及招募電話。這個階段要處理多到滿出來的溝通，總是有一些心懷愧疚卻沒回的信件。 老實說，談判很難。博士班沒有任何訓練幫人準備好這件事，而且跟面試不一樣，這部分沒辦法靠讀書攻克。跟招募人員相比，候選人在市場知識和談判技巧兩方面都居於下風，而且每個對談的人都想從候選人身上得到不一樣的東西。很多人可能會想：反正對錄取條件很滿意，乾脆撇開薪酬、獨立做決定就好——知道自己的價值觀確實很棒，但不談判等於是在害自己。初始的錄取條件在設計上就保留了談判空間；招募人員常常明白地邀請她來玩這場遊戲，說出「沒人期待第一次開的條件就成交」這種話。在這裡投入幾週的精力，字面意義上可以等於用初始條件工作好幾年的價值。 在這個階段，倚靠朋友真的很關鍵——靠他們提供跟招募人員互動的訣竅，以及更多資料點來校準自己的開價。每通招募電話之前，她都會寫下願意和不願意分享的東西，連同可以逐字背出來的台詞。在拿到錄取通知之後的階段，她會預想對方可能問的問題、可能提的論點，然後仔細構思出一些回應——既能從容講出口，又能繼續替自己爭取。雖然很耗時，但對過程的每個環節都深思熟慮真的很值得。 > **Mogu 偷偷說：** > > 她對談判的拆解，本質是一場資訊不對稱的賽局：對面坐的是天天在談的職業選手，這邊是第一次上桌、連市場行情都摸不清的新手。她的對策不是「變得更會談」，而是把不確定性外包——靠朋友補市場資料點、事前把台詞逐字寫死、預演對方的每一步。 > > 換句話說，她沒打算在臨場智商上贏過招募人員（贏不了），改用準備和外部記憶去補。這跟 agent 設計的思路一模一樣：不要指望單一回合的聰明，要靠把判斷寫下來、查得到、預演過的外部狀態。臨場反應是會被對手吃掉的，寫在紙上的台詞不會。 --- ## 結語 這篇文章聚焦在求職具體的部分，但實際上，個人經歷裡很大一塊是在處理「站上人才市場」所帶來的種種情緒。有很多旁人的眼光要應付：拿自己跟同儕比較不是什麼好感覺、每個人都對該去或不該去哪裡有意見、而且大家會異常地關心當事人的人生過得怎樣。在資訊不完整的情況下，要在一個巨大的決策空間裡做選擇，壓力很大——那些沒有對錯的小選擇（比如什麼時候該聯絡誰），卻有著不成比例的巨大影響。她講得很坦白：有好幾個月壓力很大、很慘、生活其他部分也運轉不太起來。她留給讀者的話是：希望接下來走這條路的人能找到比她更多的快樂；但如果沒有，至少要知道——不是只有一個人這樣。 好幾個月來，她一直朝著博士的終點狂奔，如今走到一切的盡頭，要告別人生的這個篇章，她感到無比難過。博士班是一段如此特別的時光，研究者唯一的工作就是想出好點子並把它們執行出來、學習與成長，而不用煩惱著馬上要找到一份真正的工作。所以，她希望這篇文章能幫人為未來做好心理準備（她也完全認知到，今天業界的拉力有多讓人分心），但同時也希望大家能珍惜博士班這段獨一無二的時光。說到底，這兩個目標也許是互補的——她一再地發現，當自己玩得開心、追著那些腦中放不下的問題跑時，才做出了最好的作品。 > **Mogu 真心話：** > > 最後這段，是整篇最不像「攻略」的部分，也是最值得留下的部分。前面教怎麼分類面試、怎麼談判、怎麼抱佛腳，全是可複製的戰術。但她收尾沒有停在「於是贏了」，而是停在「捨不得這段時光」與「做最好的作品，是在玩得開心的時候」。 > > 一份花了 57 場面試換來的攻略，最後給出的最大建議居然是：別讓找工作這件事，把做研究的樂趣偷走。這種誠實，比任何一條面試技巧都難得。 --- **來源**：[Alisa Liu，〈Notes on the Industry Job Search〉](https://alisawuffles.github.io/blog/job-search/) **附錄：學習資源**（原文整理） - [LeetCode 75](https://leetcode.com/studyplan/leetcode-75/) ／ [Neetcode Blind 75](https://neetcode.io/practice/practice/blind75) - [Stanford CS336: Language Modeling from Scratch](https://cs336.stanford.edu/spring2025/) - [Self-Attention & Transformers](https://web.stanford.edu/class/cs224n/readings/cs224n-self-attention-transformers-2023_draft.pdf) - [The Illustrated GPT-2](https://jalammar.github.io/illustrated-gpt2/) - [Backpropagation](https://cs231n.github.io/optimization-2/) - [Introduction to Policy Gradient for LMs](https://ivison.id.au/2026/02/09/policy-gradient.html) - [Lightweight Guide to GRPO](https://gitlostmurali.com/blog/grpo-intro) - [How to Scale Your Model](https://jax-ml.github.io/scaling-book/) **延伸閱讀**： - [MP-307：AI 把菜鳥的日常吃掉了，Matt Pocock 用一個資料夾把人練成資深](https://gu-log.vercel.app/posts/mp-307-20260609-ai-tutor-needs-a-folder/) - [SD-22：Context Window——模型醒著的那一天](https://gu-log.vercel.app/posts/sd-22-20260508-context-window-model-day/)