35 家 AI 公司面经统计：考得最多的是机器学习基础，Transformer 只排第三

《核心观点》

1. 样本来自近三个月 35 家公司的面试记录，覆盖大厂 AI Lab、中型科技公司、AI 初创与部分数据岗，方向包括算法、机器学习、NLP、CV 和 AI 产品技术岗；剔除重复题与闲聊后保留约 480 道有效题。
2. 样本里大部分面试是三轮：技术一面、技术二面、HR 面或主管面，题目按知识点拆解后统计出现频次。
3. 统计结果：机器学习基础出现频次最高，第二是简历项目落地细节，Transformer 相关只排第三。
4. Transformer 考的内容集中在自注意力、位置编码、多头注意力、层级结构、训练稳定性和大模型微调，部分公司要求手写简化版注意力计算——它依然重要，但已经是默认需要掌握的内容。
5. 机器学习基础的热点包括过拟合与欠拟合、正则化方法、损失函数选择、优化器对比、梯度下降变体、评价指标、数据划分、特征工程、样本不均衡处理，特点是面试官会追着场景问。
6. 项目落地细节是对简历的连续深挖：项目目标、数据来源、特征处理、模型选型、迭代过程、效果提升、线上部署、失败案例；很多人简历写得漂亮，但被问「为什么选这个方案而不是另一个」时容易卡住。
7. 代码题比重同样很高，且多是基础题：手写快排、链表操作、二叉树遍历、动态规划、哈希表，以及特征向量化、文本预处理、矩阵运算这类和 AI 沾边的编程题。
8. Transformer 不再是最高频有三个原因：岗位分工变细，只有纯研究岗才深挖模型结构；相关知识点在开源教程里已经很成熟，区分度低；业务落地真正耗精力的是数据清洗、特征构建、模型压缩、推理优化和系统稳定性。
9. 备考建议：吃透机器学习基础在业务场景里的取舍、把简历项目整理成能口述的六要素、每天一道基础题保持手感、Transformer 熟到能画结构讲清计算流程即可、另外准备一两个系统设计题。

《参考解析》

「机器学习基础排第一」考的不是八股，而是场景里的取舍。 过拟合、正则化、损失函数、优化器这些概念本身没有难度，能拉开差距的是给定业务约束之后的选择与代价说明：样本只有几千条且极不平衡时用什么损失和采样策略、线上要求低延迟时为什么不能无脑上大模型、特征在线离线不一致会表现成什么现象。回答结构建议是「先给判据 → 再给选择 → 说清代价 → 说明怎么验证」，例如先看样本量和标签质量，再看目标指标是要可解释性还是要极致效果；数据量小、要可解释就用树模型加特征工程，样本足够、追求效果就上深度模型，代价是调参成本和推理开销，验证方式是对比分桶并核对离线与线上指标。

项目深挖最容易失分的地方是缺少「被否掉的方案」。 面试官沿「为什么选它而不是另一个」连续追问，考的是决策过程而不是结果。准备时把简历上每个项目按目标、数据来源与规模、特征处理、模型选型、迭代过程、指标变化、失败尝试这几项写成能口述的稿子，并且每个关键选择都准备一个替代方案和当时放弃它的依据。效果数字要给基线，说清相对什么提升、在什么数据上测的；一句「把准确率从 0.72 提到 0.89，数据集是三个月线上采样」比任何形容词都有用。

Transformer 排第三意味着它是门槛项，不是区分项。 门槛项的含义是「不会直接出局」，区分项的含义是「只会它并不加分」。准备重心应该从「背结构」移到「讲清训练和部署里真实会遇到的问题」：位置编码在长上下文下的退化、注意力显存随序列长度的平方增长、微调相比全参训练的成本、量化与推理优化带来的精度损失，以及自己实际怎么定位这些问题的。能画清结构、讲清张量计算流程是及格线，超出这条线的内容才有区分度。

AI 岗的代码题往往穿着数据处理的外衣。 那些看起来简单的题（统计每个用户最近一次活跃时间、特征向量化、矩阵运算）本质是在考哈希表、排序、边界处理和代码清晰度，只是把输入换成了日志或特征。限时环境下失分多半不在算法难度，而在边界：空输入、重复键、时间格式不一致、数据量大到需要流式处理。练习重点应放在「先说思路和复杂度 → 再写边界 → 最后跑通」，每天一道基础题保持手感即可。

统计口径不算严谨，只当趋势看。 35 家公司、约 480 道题、按知识点计频次，这个样本没有区分公司权重、没有区分岗位方向，也没说明一道题含多个知识点时怎么计数，所以不能当考纲。合理的用法是校正时间分配：如果准备时间大部分花在模型结构上，而样本显示基础与项目细节占比更高，就该把比例调回来。同时留意来源偏差——愿意写下来的往往是印象最深或最特殊的题，容易被过度加权。