最近，一份来自华人博士 Alisa Liu 的 AI 求职复盘，在技术圈刷屏了。
她即将入职 OpenAI。
在入职之前，她把自己这几个月的求职经历写成了博客，完整公开出来。里面最扎眼的一组数字是：
57 场面试46 次 recruiter call无数次 coffee chat
看到这里，很多人的第一反应可能是：
履历这么强，还要面这么多场？
但这恰恰说明了一件事：
顶级 AI 岗位的竞争，早就不是“会不会刷题”这么简单了。
对于普通技术人，尤其是软件测试、测试开发、自动化测试、质量效能方向的从业者来说，这篇面经真正值得看的地方，不是“她怎么进了 OpenAI”，而是它把未来 AI 岗位的筛选逻辑摊开了。
你会发现，AI 时代真正稀缺的，不是单纯会用工具的人，而是能把技术、工程、业务和质量落地串起来的人。
干货资料会放在文末，同学们可以自取哦~
顶级AI公司，不是在找“只会用AI的人”
Alisa Liu 的背景非常漂亮。
本科阶段，她在西北大学学习计算机和数学；博士阶段，在华盛顿大学做 NLP 方向研究；期间还有 Google、NVIDIA 相关经历。
这样的履历放在普通公司，已经非常能打。
但即便如此，她依然经历了长时间、高密度的面试流程。
这对很多技术人是一个提醒：
AI行业不是因为火，所以门槛降低了。恰恰相反，因为火，所以筛选变得更细了。
现在不少人对 AI 岗位有一个误解：
会用大模型写代码，就觉得自己懂 AI； 会调 Prompt，就觉得自己能转 AI； 会搭一个工作流，就觉得自己进入了 AI 赛道。
但顶级 AI 公司面试看的，并不是这些表层动作。
它更关心的是：
能力维度 | 面试官真正想看什么 |
|---|---|
模型理解 | 你是否理解大模型背后的基本原理 |
工程能力 | 你是否能写出可靠、可维护的代码 |
实验能力 | 你是否能设计实验验证问题 |
判断能力 | 你是否能解释技术选择背后的取舍 |
表达能力 | 你是否能把复杂问题讲清楚 |
协作能力 | 你是否能在团队里解决真实问题 |
换句话说，AI 岗位不是在找“工具使用者”，而是在找能把 AI 能力真正落地的人。
这点对测试开发从业者尤其重要。
过去测试岗位更多强调业务理解、用例设计、缺陷定位、自动化脚本和工程协作。
但 AI 时代之后，如果测试开发还只停留在“我会用 AI 提效”，其实远远不够。
未来更有竞争力的人，一定是：
既懂质量体系，又能理解 AI 系统特性；既能写代码，也能做评估；既能使用工具，也能设计落地流程。
AI面试到底在考什么？不是玄学，而是7类能力
Alisa 在复盘里把自己经历的面试大致分成了几类。
这部分对想转 AI、想做 AI 测试、想做智能化测试平台的同学很有参考价值。
1. 机器学习编码
这类面试通常会让你实现某个模型结构、解码策略，或者经典机器学习算法。
有些会用 PyTorch，有些会限制你只能用基础数组计算，甚至让你手写部分反向传播逻辑。
它不是单纯考 API，而是在看你是否真的理解模型计算过程。
2. 通用编码能力
也就是大家熟悉的数据结构、算法题、工程代码能力。
很多人以为 AI 岗位只考模型，其实并不是。
基础编码能力依然是硬门槛。
3. 技术讨论
这类面试不一定写代码，但很考技术深度。
比如面试官会问：
如果模型效果不好，你怎么设计实验？
如果线上指标突然下降，你怎么定位？
如果两个方案各有优劣，你怎么取舍？
如果模型输出不稳定，你怎么评估风险？
这类问题没有唯一标准答案，考的是你的思维方式。
4. 研究或项目复盘
面试官会围绕你过去做过的项目深入追问。
真正重要的不是你做过什么，而是你能不能讲清楚：
为什么做这个方向？
当时的问题是什么？
你做了哪些关键选择？
中间遇到什么困难？
最后结果怎么验证？
如果重做一次，你会怎么优化？
这其实和测试开发面试非常像。
很多测试同学面试时会说：
“我负责接口自动化。”
“我做过测试平台。”
“我参与过质量保障。”
“我用 AI 提升了测试效率。”
但如果讲不清楚问题背景、技术方案、落地过程、数据结果和业务价值，就很难让面试官相信你真的做深了。
5. 行为面试
这类问题看似简单，但杀伤力很强。
比如：
你遇到过最困难的项目是什么？
你和研发有冲突时怎么处理？
你如何推动一个跨团队项目？
你如何面对失败？
你如何处理高压场景？
很多技术人最容易轻视这一类问题。
因为大家总觉得自己“人没啥问题”，不需要准备。
但面试现场一旦被追问细节，很容易回答得空、散、虚。
所以，行为面试一定要提前准备真实案例。
6. 数学基础
部分 AI 岗位会单独考概率、线性代数、微积分、逻辑推理。
这类能力不是所有岗位都高频考，但对算法、模型、研究方向仍然重要。
7. 技术分享 / Job Talk
这类面试要求你围绕一个研究方向或项目做系统表达。
它考的不只是技术本身，还考你的结构化表达能力、技术判断力和沟通能力。
AI面试7类题型
面试类型 | 主要考察点 | 对测试开发的启发 |
|---|---|---|
ML Coding | 模型实现、算法理解 | 不能只会调用API |
General Coding | 编程基础、数据结构 | 编码能力仍是底座 |
Technical Discussion | 技术判断、实验设计 | 要能分析复杂问题 |
Research Discussion | 项目深度、复盘能力 | 项目不能只讲流水账 |
Behavioral | 沟通、协作、抗压 | 要提前准备真实故事 |
Math | 概率、线代、推导 | AI方向需要补基础 |
Job Talk | 系统表达、逻辑结构 | 要能把项目讲成体系 |
真正拉开差距的，不是临时抱佛脚，而是准备方式
很多人准备面试，习惯做三件事：
刷题；
背八股；
看面经。
这些有没有用？
有用。
但如果目标是 AI 相关岗位，只靠这些远远不够。
Alisa 的准备方式，更像是重新搭建一套知识体系。
她先通过系统课程，把语言模型的核心知识串起来，再围绕关键概念继续深入。
比如：
Transformer
训练目标
推理机制
后训练方法
强化学习
人类反馈
安全对齐
模型评估
这一步非常关键。
因为 AI 面试里很多问题，不是考你“背没背过”，而是考你能不能把概念连成一张网。
比如面试官问你一个模型效果问题，表面上是问训练细节，背后可能涉及：
数据质量；
损失函数；
优化策略；
评估指标；
推理成本；
产品目标；
线上风险。
如果你的知识是碎片化的，就很难回答得有层次。
AI面试准备路径图
更重要的是，不能只停留在“看懂”。
一定要亲手写代码。
现在很多人已经习惯让 AI 助手补代码、补解释、补思路。
但真实面试场景里，往往不会给你这样的依赖条件。
如果平时练习全靠 AI 补全，到了现场就容易出现一个问题：
你以为自己懂了，其实只是 AI 帮你走完了最后几步。
这对测试开发同学也一样。
你让 AI 生成接口测试用例，不代表你真的懂接口测试设计；
你让 AI 写自动化脚本，不代表你真的懂框架封装；
你让 AI 分析报错日志，不代表你真的具备定位能力；
你让 AI 生成测试报告，不代表你真的知道质量风险在哪里。
AI 可以提升效率，但不能替代基本功。
对测试开发从业者来说，这篇面经更值得看
很多测试同学看到 OpenAI 面经，可能会觉得离自己很远。
其实并不远。
因为 AI 时代对测试开发的影响，已经开始了。
过去测试更多关注：
功能是否正确；
接口是否稳定；
性能是否达标；
缺陷是否闭环；
自动化是否覆盖。
但 AI 产品出来之后，质量保障的对象变了。
我们不仅要测功能，还要测模型输出；
不仅要看流程是否跑通，还要看结果是否可信；
不仅要验证确定性逻辑，还要面对不确定性输出。
这意味着，测试开发的能力模型也要升级。
传统测试 vs AI测试
传统软件测试 | AI系统测试 |
|---|---|
输入输出相对确定 | 输出存在不确定性 |
重点验证功能逻辑 | 重点验证结果可信度 |
用例边界较清晰 | 场景边界更复杂 |
缺陷容易复现 | 问题可能随机出现 |
关注功能、性能、兼容性 | 还要关注幻觉、安全、稳定性、评估指标 |
自动化脚本驱动 | 数据集、评测集、智能体行为共同驱动 |
所以，测试开发从业者并不是没有机会。
恰恰相反，AI 时代会让“懂质量的人”变得更重要。
只是这种质量能力，不能再停留在传统功能测试层面。
未来更需要测试同学补齐几类能力。
第一，编程能力仍然是底座
无论是 AI 测试、自动化测试、智能化测试平台，还是测试智能体，最终都离不开代码能力。
Python、Java、接口调用、数据处理、日志分析、框架封装、平台化能力，这些依然是基本盘。
不要因为 AI 能写代码，就放弃自己的编码基本功。
会用 AI 写代码的人很多，但能判断代码质量、能改代码、能落地工程的人，才有长期竞争力。
第二，测试思维会越来越重要
AI 系统不是传统确定性系统。
同样的输入，模型可能给出不同输出；
同样的任务，不同 Prompt、不同上下文、不同模型版本，结果都可能变化。
这意味着 AI 产品的质量保障，不再只是判断“功能是否通过”。
还要关注：
输出是否稳定；
结果是否可信；
边界是否可控；
幻觉是否可识别；
风险是否可追溯；
评估指标是否合理。
这些其实正是测试从业者切入 AI 的机会。
第三，项目表达能力会决定你的上限
很多技术人不是没做事，而是不会讲事。
你做过自动化平台，怎么证明它有价值？
你做过接口测试，怎么体现覆盖率提升？
你参与过 AI 测试，怎么说明你解决了什么不确定性问题？
你用大模型提效，怎么证明不是“玩工具”，而是形成了流程能力？
未来面试里，项目复盘会越来越重要。
不是简单罗列技术栈，而是要讲清楚：
业务痛点是什么；
技术方案怎么设计；
中间遇到什么问题；
你做了哪些取舍；
最后带来了什么结果。
第四，不要把 networking 理解成“求人脉”
Alisa 在复盘里提到，很多机会来自长期积累的合作关系和主动沟通。
这点对普通技术人同样适用。
很多好机会，不一定来自海投简历，而是来自你平时的输出、交流、项目影响力和行业连接。
写技术文章、参与开源项目、做内部分享、维护作品集、在社区持续表达，这些都会在关键时刻变成你的信用背书。
AI时代，测试开发的升级方向很清晰
如果你是测试开发从业者，想借着 AI 这波机会升级，不建议一上来就追最难的模型训练。
更现实的路径是从“测试 + AI落地”切进去。
比如：
1. AI辅助测试设计
用大模型辅助分析需求、生成测试点、补充边界场景、检查用例遗漏。
但重点不是让 AI 直接替你写用例，而是你要能审核、修正和沉淀方法。
2. AI辅助自动化
结合 Playwright、Appium、接口自动化框架，让 AI 辅助生成脚本、定位元素、分析失败原因。
但你必须懂自动化框架本身，否则很容易变成“AI写错了你也不知道”。
3. AI测试评估体系
针对大模型输出结果，建立评测集、评分标准、人工审核流程、自动化评估链路。
这会是未来很多企业真正需要的能力。
4. 智能化测试平台
把 AI 能力接入测试平台，形成需求分析、用例生成、脚本生成、缺陷分析、报告总结的完整链路。
这类能力更偏测试开发和质量效能，也是测试同学更容易形成差异化的方向。
5. AI Agent测试
未来越来越多系统会接入智能体。
智能体不是简单接口，它会调用工具、规划任务、执行动作、处理上下文。
测试这类系统，需要重新设计测试策略。
比如：
任务是否能正确拆解；
工具调用是否准确；
异常场景是否能兜底；
多轮对话是否稳定；
权限边界是否安全；
执行结果是否可追溯。
这部分会成为 AI 测试开发的新机会。
测试开发转AI测试路径
谈薪不是贪心，而是技术人必须补的一课
这份面经里还有一个容易被忽略的部分：谈薪。
很多技术人面试通过后，最怕谈钱。
觉得对方给了 offer 就不错了，谈多了会不会显得自己不踏实？
但现实是，很多公司的初始 offer 本来就留有沟通空间。
你不谈，对方不会主动替你争取。
这不是鼓励大家漫天要价，而是提醒技术人要学会用市场数据、个人能力和机会成本来做判断。
尤其是 AI 相关岗位，市场波动大、岗位差异大、团队差异大，如果完全不做信息收集，很容易在最后一步吃亏。
谈薪能力，本质上也是职业能力的一部分。
它要求你理解自己的价值，也要求你知道市场如何定价。
真正值得学习的，不是她进了OpenAI，而是这套能力模型
这篇面经最值得看的地方，并不是“一个华人博士进了 OpenAI”。
而是它把顶级 AI 岗位背后的筛选逻辑摊开了。
未来技术人的竞争，不再只是比谁掌握更多工具，而是比谁能把这些能力组合起来：
懂业务；
懂工程；
懂模型；
懂测试；
懂评估；
懂表达；
懂协作。
对于测试开发从业者来说，AI不是一个遥远的新方向，而是正在重塑质量保障体系的新变量。
过去我们测试的是功能、接口、性能和稳定性；
现在我们还要测试模型输出、智能体行为、知识库准确性、生成结果可信度和业务风险边界。
这也是为什么，测试从业者更应该关注 AI 技术变化。
不是为了追热点，而是为了不被新的工程体系甩开。
最后想说：
不要只看到别人进入顶级公司的高光时刻，也要看到背后那几十场面试、无数次准备、反复复盘和持续积累。
真正让人走远的，从来不是一次爆发，而是长期把基本功练扎实。
AI时代也是一样。
会用 AI 的人很多，
但真正懂技术、懂工程、懂质量、懂落地的人，依然稀缺。
写在最后
如果你是软件测试、测试开发、自动化测试、质量效能方向的从业者，现在开始关注 AI 并不晚。
真正要做的不是盲目追热点，而是把 AI 能力和自己的岗位能力结合起来：
从用例设计到自动化，
从接口测试到平台建设，
从质量保障到 AI 评测体系，
这才是测试从业者更现实的升级路径。
Alisa的博客和资料
博客：https://alisawuffles.github.io/blog/job-search/
笔记：https://alisawuffles.notion.site/alisa-s-book-of-llms
参考链接：
https://x.com/alisawuffles/status/2068765723569324462
https://x.com/paper2comic/status/2069089198905360787
https://alisawuffles.github.io/uploads/Alisa-Liu-CV.pdf
