华为AI岗面试复盘：OD机试、大模型与昇腾技术栈全攻略

1. 先把岗位盘清楚：华为AI岗到底在招什么人

4月15号那场面试出来，我在园区门口站了十分钟，脑子里翻来覆去就一句话：华为的AI岗，真的不是在招一个“会调库的人”。

很多人一看到“AI岗”三个字，第一反应就是“要发过顶会论文吧”“要手推Transformer吧”。实际上，华为的AI岗覆盖面极广，从2012实验室的算法研究员，到各产品线AI应用工程师，再到OD岗位（外包德科但归属华为项目组管理），每个方向对人的要求差异很大。我这次面的岗位偏向AI应用与平台方向，整体复盘下来，核心可以拆成三块：算法基础、工程能力、以及华为自研技术栈的熟悉度。

如果你正在准备华为AI岗，第一步不是刷题，而是先想清楚你投的是哪一类：

• 偏研究：看重论文、竞赛、模型设计能力，面试会深挖理论基础。
• 偏应用/工程：看重你能否把模型部署到实际业务里，是否熟悉推理优化、数据链路、模型生命周期管理。
• 偏数据/平台：看重大数据处理、特征工程、MLOps能力。
• OD岗位：机试是硬门槛，之后技术面同样会考算法和项目，难度比正式岗略低但深度依然不浅。

我第一次准备的时候，把大量时间花在刷“最新模型架构解读”上，后来发现面试官更在意的是“你有没有亲手把模型跑起来、调过参、踩过坑”。这是很多人的认知偏差。华为的面试风格非常务实，他们招人是为了解决问题，不是为了招一个会背八股文的人。所以这篇文章我不会只罗列知识点，而是把我整个准备过程、面试现场遇到的高频问题、以及复盘后觉得“如果再来一次我会怎么准备”的思路，全部梳理出来，给你一条可以照做的路径。

再有就是很多人关心的OD机试。网上关于华为OD机试的讨论非常多，新系统双机位、C卷D卷、牛客网在线编程、题库封禁不能外传……这些信息真真假假，我后面会单独用一节讲清楚，因为这是很多人倒在第一关的地方。

2. OD机试这道硬门槛：算法题怎么准备才不会白费

2.1 OD机试到底考什么

先说结论：华为OD机试，本质上就是一场限时算法笔试，一般在牛客网或者华为自己的在线评测系统上完成。我参加的新系统是双机位监控，也就是一个机位对着你的脸和屏幕，另一个机位对着你的双手和桌面，防作弊查得比较严。题目构成通常是三道题，分值比例大约100分+200分+300分，总分600分，不同部门分数线不同，但一般来说150分到300分是常见门槛，部分热门部门甚至要400分以上。

题目范围高度集中在数据结构和算法基础：数组、字符串、链表、栈、队列、哈希表、二叉树、图、动态规划、贪心、回溯、滑动窗口、双指针、二分查找、排序。不会考特别偏门的算法，红黑树手写、平衡树旋转这类基本不会出现。但题目量给得比较足，很多人不是不会做，而是做不完。

我自己的教训是：前两道题一定要稳拿。第一题通常是纯模拟或简单数据结构题，第二题进阶一些，难度相当于LeetCode中等题偏下。第三道题才是拉开差距的地方，经常是动态规划或者复杂一些的图论/BFS应用。如果你前两道全对、第三道能写出暴力解法拿部分分，总分就已经很好看了。反过来，如果想死磕第三题而前两道没写完，非常亏。

2.2 最值得花时间的算法专题

按照出现频率和性价比，我整理了这样一个优先级表，准备时间有限的话，按这个顺序刷：

这个表的核心逻辑是：先把“高”和“中高”的专题吃透，因为这些既能覆盖机试约七成题目，又是后续技术面手撕代码的高频范围。动态规划不要只背模板，要重点理解状态定义和转移方程的推导过程，华为面试官喜欢问一句“你的状态是怎么定义出来的”，答不上来会很扣分。

2.3 机考现场的实操细节与血泪教训

第一，输入输出处理一定要熟练。OD机试很多题目的输入是字符串拼接、矩阵式输入、或者第一行是“T组测试数据”那种格式。不要在这些地方浪费调试时间，考前把readline()、split()、parseInt()/Number()这类基础操作练到闭着眼睛能写。有人会问“能不能用IDE自动补全”，据我了解，机试环境允许使用自带IDE写代码，然后粘贴到在线评测页面，但千万注意不要在代码里留调试输出，否则判题会有风险。

第二，用例不要求全过才能交卷。很多题目是“部分用例通过”给部分分，所以哪怕只想到暴力解法，也先把暴力代码写出来提交一版，至少能拿一部分分数，再慢慢优化。这个策略特别适用于第三道难题，千万别交白卷。

第三，时间分配上，我的建议是：第一题控制在20分钟内，第二题30分钟，第三题先用20分钟尝试正解，没思路就立刻写暴力解，剩余时间用来检查前面两题有没有边界条件漏掉。我身边真实发生过的情况是：有个朋友第一题因为没考虑空字符串输入，一直报错，耗了40分钟，导致后面全乱。边界条件是机试最容易丢分的地方，数组越界、空输入、单元素输入、极大值溢出，这些都要在写的时候顺手检查。

第四，关于题库和网上那些“真题”。说实话，机试确实有相对固定的知识点范围，但我不建议到处找所谓的“最新题库目录”去背题背答案。一来题库更新快，二来面试官不是傻子，机试通过后技术面一深聊就知道真实水平。机试的核心目的是筛掉“不会写代码的人”，不是筛掉“没背到题的人”，把基础打扎实才是正道。

3. AI核心技能树：从基础到项目的一条龙准备

3.1 机器学习与深度学习基础：必须滚瓜烂熟的知识点

过了机试这道关，真正决定命运的是技术面。华为AI岗的技术面，通常会先考察机器学习/深度学习基础，再根据你的项目经历深入追问。我遇到的面试官，不会说“你给我讲讲什么是反向传播”这种大而空的题，而是会拿一个很具体的场景来问，比如“如果你的模型在训练集上准确率很高，测试集上很低，你会从哪些角度排查和解决”。

这种问题背后考察的是你对过拟合的理解深度，而不是背概念。所以要准备的不是“什么是过拟合”这种定义，而是一套完整的应对策略：数据层面（增加数据量、数据增强、处理样本不均衡）、模型层面（降低模型复杂度、加正则化、Dropout、Early Stopping）、训练层面（交叉验证、模型集成）。每一条都要能说清楚“为什么有效”，比如Dropout为什么能缓解过拟合——它相当于在训练时集成了多个不同结构的子网络，推理时再近似平均。

高频考点我梳理了一下：

• 损失函数的选择逻辑：分类问题为什么常用交叉熵而不是均方误差（因为MSE在Softmax场景下梯度更新慢、非凸优化困难）；回归问题为什么用MSE；二分类的Focal Loss是解决什么问题。
• 优化器的发展脉络：SGD、Momentum、RMSProp、Adam到底改进了什么；Adam的偏差修正原理；什么场景下你会回到SGD。
• 归一化全家桶：BatchNorm、LayerNorm的区别，各自适用场景（BN适合CNN，LN适合Transformer类序列模型）；为什么Transformer不用BN。
• 经典网络结构演进：ResNet为什么能解决深层网络退化问题，它的恒等映射是怎么设计的；注意力机制从RNN时代到Transformer发生了什么变化。
• 模型权重初始化：为什么不能全零初始化；Xavier和He初始化分别适用什么激活函数。
• 梯度消失和梯度爆炸：原因是什么（链式法则连乘导致的指数级变化）、怎么解决（激活函数选择、归一化、残差连接、梯度裁剪）。

注意，上面每一条都不能停留在“听过名字”的层面。面试官会追问“你实际用的时候遇到过吗”“你为什么选择这个初始化而不是那个”，如果只是背概念，一追问就垮。最好的准备方式是把这些问题对应到你自己的项目里，比如“我在训练一个文本分类模型的时候，发现学习率从1e-4调到1e-5，收敛斜率变化非常大，所以后来我加了学习率预热和余弦退火”。

3.2 大模型面试问什么：训练、微调、推理、评测

2025年之后，华为AI岗几乎绕不开大模型相关话题。我这里说的大模型，不单指预训练，而是覆盖了“训练、微调、推理部署、评测、Agent应用”一整条链路。我这次面试被问到的相关题目包括：

• 预训练阶段：Pre-training的数据处理流程（清洗、去重、毒性过滤、tokenization）；分词方法（BPE、WordPiece的原理和区别）；上下文窗口长度怎么扩展（RoPE、ALiBi的原理，外推能力怎么实现）；分布式训练里3D并行（数据并行、张量并行、流水线并行）的区别与取舍。
• 微调阶段：LoRA的原理（低秩分解，冻结原参数、只训练增量矩阵）；为什么LoRA能减少显存占用（不需要为原参数保存优化器状态和梯度）；QLoRA的量化思路；全量微调和LoRA的效果差异；微调时灾难性遗忘怎么缓解。
• 推理阶段：KV Cache的原理与显存占用估算（我这次面试就推了一张表，后面细说）；量化方案（INT8、INT4、GPTQ、AWQ的区别，为什么量化后模型会掉点）；vLLM的PagedAttention思想（把KV Cache分页管理，类似操作系统虚拟内存）；吞吐量和时延的优化目标怎么权衡。
• 评测阶段：怎么评估一个微调后的大模型效果，基础评测集（MMLU、C-Eval等）和业务场景评测（自建评测集、人工评估、A/B测试）之间的关系。

这里我要重点展开一下KV Cache的显存估算，因为面试官问得非常细，而且你在项目里如果做部署优化，这几乎是避不开的。以7B模型为例，假设隐藏层维度是4096，层数是32，KV Cache的显存占用公式是：2（K和V两份）乘以层数乘以隐藏层维度乘以序列长度乘以每个元素字节数乘以批次大小。如果是FP16存储，每个元素2字节，单条序列处理长度4096时，KV Cache占用就是2乘32乘4096乘4096乘2，约等于2GB。也就是说，算上模型权重本身14GB，前向推理时显存需求会直接翻倍还多。这还不算激活值。所以为什么大家拼命做KV Cache量化、做PagedAttention，就是因为它才是长序列推理时最大的显存瓶颈。

关于微调，还有一个高频踩坑点。很多人以为LoRA设个4或者8就能解决一切问题，实际项目中LoRA的rank、target_modules、alpha值的设置直接影响效果。我在一个业务场景里做过对比，rank从8调到32，在领域数据上效果提升明显，但继续调到64反而过拟合，F1下降。这个经验说明什么？微调不是rank越大越好，要结合业务数据量来试。面试里把这个经历讲出来，比空谈“我会用LoRA”要有说服力得多。

3.3 Agent与RAG：被问概率极高的工程方向

如果2025年之前华为AI面还只是“有过大模型项目经验加分”，那2026年应该已经变成“如果你做AI应用方向，没碰过RAG或Agent，那基本说不过去”的状态。我面试中被问到的Agent和RAG问题非常多，这也和招聘JD里大量出现“Agent开发”“LangChain/LangGraph”“工具调用”等关键词一致。

RAG（检索增强生成）的核心问题链，我整理成了一张速查表：

Agent的问题更偏应用设计。面试官可能会给你一个真实场景，问你会怎么设计一个Agent来解决它。比如“你有一个售前客服机器人需求，用户会问产品参数、价格、维修政策，你要怎么设计这个Agent的流程”。这种问题考察的是工程拆解能力，不是单纯的知识记忆。我建议从这几个维度组织回答：

• 意图识别：先用一个分类模型或者LLM判断用户意图属于售前、售后、维修还是闲聊。
• 任务规划：对每个意图定义工具集（查参数用产品库API、查价格用价格系统、查政策用RAG检索+QA）。
• 状态管理：多轮对话里怎么记录用户已经提供的信息（槽位填充）、怎么确认缺失信息。
• 兜底策略：Agent无法回答时怎么降级到人工客服，这个在业务里比功能本身还重要。
• 评测：怎么评估Agent效果（任务完成率、对话轮数、用户满意度、幻觉率）。

另外，LangChain、LangGraph、Spring AI这些工具框架，面试中大概率会被问到。不需要把源码背下来，但要能说清楚各自的核心抽象，比如LangGraph的状态图设计、节点和边的关系，以及它为什么比纯Chain更适合复杂Agent流程。如果你投的是Java技术栈，Spring AI近两年在华为云生态里也有不少应用，可以花点时间了解它的核心概念（Model、PromptTemplate、ChatClient等）。我在准备的时候，还把“nacos适配华为gaussdb数据库”这种工程问题也翻了翻，因为华为系的微服务架构里，注册配置中心很多用Nacos，数据库切到GaussDB时经常遇到兼容性问题，这个后面专门讲。

4. 华为系技术栈：能答出这些就是实打实的加分项

4.1 昇腾生态：NPU与MindSpore，别一问三不知

虽然很多华为AI岗不强制要求你用过昇腾，但“了解”和“完全没听说过”之间，面试官的评价差距很大。尤其你要投的是华为体系内的岗位，对自研芯片和框架有基本认知，侧面说明你是认真做过功课的。

昇腾（Ascend）是华为的AI芯片系列，目前主流的有昇腾310（推理）、昇腾910系列（训练）。对应软件栈是CANN（昇腾计算语言），往上支持MindSpore框架，也通过MindSpore Lite和ONNX适配支持PyTorch模型转换。实际业务中，很多华为项目的流程是：在GPU上用PyTorch训练和验证模型，然后通过模型转换工具（ATC）转到昇腾的离线模型OM格式，部署到昇腾推理设备上。

面试中高频会问的昇腾相关问题：

• MindSpore和PyTorch的编程范式差异（MindSpore更强调图模式，有函数式微分和自动并行能力）。
• 昇腾推理的流程：PyTorch模型 -> ONNX -> OM，中间涉及到算子映射和精度校准，不是所有算子都能无缝转换。
• 什么是ACL（Ascend Computing Language）的基础概念，比如Context、Stream、Device。
• 混合精度训练在昇腾上怎么开，FP16训练收益和loss scale的关系。

就算你没有昇腾实操经验，也可以坦诚说“我用过PyTorch和CUDA，理解异构计算的基本思想，昇腾的软件栈我有了解，但没有在真实业务上跑过”。这样回答好过完全空白。如果能在面试前把MindSpore文档里的快速入门跑一遍，或者用华为云ModelArts的昇腾资源做一个小实验，哪怕只是训练个MNIST分类，都有实质性加分。

4.2 华为云ModelArts和AI开发平台玩法

华为云ModelArts是面试中比芯片更常被聊到的方向，因为很多应用岗位的日常工作就是在ModelArts上跑训练任务、托管模型、做推理部署。我把ModelArts的核心模块梳理了一下：

• 数据处理：数据接入（OBS）、数据标注、数据增强、自动分组，支持数据集版本管理。
• 训练：支持MindSpore、PyTorch、TensorFlow等多种框架；可以直接指定昇腾资源（Ascend 910）或GPU资源；支持分布式训练配置。
• AI Gallery：算法、模型、Notebook代码的共享市场，很多预训练模型可以直接订阅体验。
• 推理部署：模型转换、在线服务（把模型部署成RESTful API）、批量推理、边缘部署。
• 自动学习/AutoML：对结构化数据分类、物体检测、文本分类等场景的低代码方案。

如果你是偏应用方向的候选人，建议准备一两个“我在ModelArts上部署过什么模型，怎么做版本管理，怎么处理模型更新”的项目经历。阿里云PAI、百度BML这些平台的相似经验也可以类比迁移，因为核心思路都是“训练平台+模型管理+推理服务”。

华为云上还有一个锦上添花的细节：OBS（对象存储服务）是整个AI平台的数据底座，了解OBS的生命周期管理、跨域复制、预签名URL授权访问，会让面试官觉得你有实际工程经验，不是只会在Notebook里跑教程。

4.3 GaussDB与国产化中间件适配：工程岗位的隐形要求

这一步可能很多人没想到，但我在华为系AI岗位面试中，确实被问到了数据库相关的东西，原因很简单：AI应用要落地，必然要和业务数据存储打通。华为自研的数据库是GaussDB，分布式架构，兼容MySQL和PostgreSQL的部分语法。招聘JD里有时会直接写“有GaussDB经验优先”，即使没写，面试官也可能冷不丁问一句你对GaussDB的了解。

结合热搜词里的“nacos适配华为gaussdb数据库”，我展开说一下，因为这确实是一个典型的国产化改造场景。很多企业的微服务架构用的是Nacos做注册中心和配置中心，业务数据在MySQL里，当数据库替换成GaussDB后，主要会遇到这几类问题：

• 驱动替换：从MySQL Connector/J替换为GaussDB的JDBC驱动，驱动类名和URL格式有差异。
• SQL语法兼容性：GaussDB对MySQL的兼容是分级别的，一些MySQL特有函数、索引语法、分区表定义可能需要改写。
• 事务隔离级别：默认隔离级别可能不同，需要检查业务对隔离级别的依赖。
• 主键和自增列：MySQL的AUTO_INCREMENT在GaussDB里的实现不同，可能在批量插入时遇到性能或语义差异。
• 连接池参数：Druid/HikariCP连接池与GaussDB的适配参数需要调整，比如连接校验SQL。

说到这个，还有一个点：Spring AI、LangChain4j这类Java生态的AI框架，在设计时往往默认对接一些常见存储，但国产化场景要求你能够适配GaussDB、达梦这类国产数据库。如果你在面试里能说出来“我之前在做AI智能问答时，把对话记录、向量数据存储从MySQL迁移到了GaussDB，踩过哪些语法兼容性的坑”，面试官会眼前一亮。国内做AI应用的公司，迟早都要面对国产化适配问题，这属于“懂这个就比别人多一截竞争力”的隐性需求。

4.4 华为数通与终端方向的小知识：不做但别犯迷糊

热搜里还有大量华为路由器、交换机、WLAN、防火墙、堆叠配置、Ensp模拟器相关的内容。如果你投的是AI应用岗，大概率不会真让你去配交换机，但你不能完全不知道华为在数通领域的布局，尤其当你的AI场景涉及边缘计算、设备运维智能化时，这些名词可能出现在面试官的问题里。

比如，华为CloudEngine系列数据中心交换机、AR系列企业路由器、USG系列防火墙、AC+Fit AP的WLAN架构（AC统一管理，Fit AP上线自动获取配置和射频参数），这些是华为数通的基本盘。如果面试官问“你了解华为有哪些主要产品线”，能把这些说全，会比只说“手机和芯片”要专业得多。

另一个有意思的点是“华为SmartKit”这个热词。SmartKit是华为数据中心基础设施的运维工具套件，做服务器批量部署、固件升级、健康检查。它和AI的连接点在于：数据中心智能运维（AIOps）需要采集硬件健康数据、用机器学习做故障预测。如果你面试的岗位涉及边缘计算、智能运维，可以往这个方向聊。

至于华为悦盒刷机、Ensp Pro WLAN实验、UEFI设置U盘启动这些更偏个人DIY和认证培训的热词，面试中基本不会直接考，但如果准备华为数通认证（HCIA/HCIP），Ensp模拟器确实是个绕不开的练手工具。我的建议是，如果时间充裕且有网络基础，可以花三到五天做一遍Ensp的基础实验（VLAN划分、链路聚合、OSPF单区域、ACL过滤、NAT配置），倒不是真的为了会配交换机，而是为了理解华为的CLI风格和网络基础，这在做AIoT或边缘AI项目对接时很有用。

5. 高概率翻车的细节和常见问题实录

5.1 面试中常见的“答不好就凉”场景

我根据自己的面试经历和身边朋友的反馈，整理了四个最典型的翻车现场。

翻车现场一：项目细节一问就碎。很多人简历上写了“用BERT做情感分类，准确率95%”，但面试官一问“你的数据怎么清洗的”“数据量多大”“你怎么划分验证集”“95%是在什么测试集上算的”“有没有做坏例分析”，就答不上来了。这种情况在华为面试里极其致命，因为华为面试官极其擅长追问细节，一层一层往下挖。应对方法是，简历上每个项目都要准备一个“五层追问”自测：项目目标是什么、数据从哪来、用了什么方法、为什么选这个方法、效果怎么评估、难点和坑是什么、如果再给你一次机会你会怎么改。

翻车现场二：对部署和性能一无所知。做AI的人训练模型很熟，但一问到“你模型推理延迟多少”“QPS能做到多少”“显存占用多大”“怎么减小模型大小”，就哑火。华为AI岗对工程化要求非常高，因为业务落地需要上生产环境。建议至少了解：ONNX导出、TensorRT（GPU端）和ATC（昇腾端）的基本概念、量化、剪枝、蒸馏这些压缩手段的适用场景和效果。哪怕没有真实部署经验，也能说清楚“如果让我部署，我会怎么做”。

翻车现场三：被问到一个完全没听过的技术名词，当场慌了。面试遇到不懂的很正常，关键是态度。我踩过一次坑：面试官问我对某个模型的了解，我其实没怎么用过，但为了硬撑，含糊地绕了半天，结果被追问得更惨。后来我的做法是：先坦诚“这个具体实现我没看过源码，但根据我的经验，我推测它大概是……”，然后把自己的理解框架说出来，再反问“您能稍微提示一下这个的出发点和前面那个方案有什么不同吗”。这样既展示了快速学习推导的能力，又留了沟通余量。面试官要的不是百科全书，是能一起解决问题的人。

翻车现场四：大量使用“可能”“大概”“我记得好像”。面试中每句话都要有依据，要么是公式推导出来的，要么是实验数据支持的，要么是原理上可以说通的。模棱两可的表述会被解读为你根本没做过。我自己的习惯是：所有写进简历的技术栈，都做到能当场白板讲清楚原理；所有说“熟悉”的框架，都要能说出一个用得比较深的具体案例。

5.2 关于“AI伦理”类题目的安全应答

这里要特别提醒一句：面试中如果聊到“AI能做什么”这类开放性问题，千万不要介绍任何这类打擦边球的AI工具或服务，更不要表现出对它们的了解和兴趣。不是说你不该知道，而是在面试这种场合，讨论这类内容百害无一利，只会给面试官留下极其糟糕的印象。

正确策略是主动把话题引向正面应用，比如“AI生成内容（AIGC）在营销视频一键成片、短剧创作、智能客服里的应用”。华为在这块是有实际业务布局的，面试里聊这些方向会自然很多。而且注意，2025年以来，各大平台对AI生成内容的标识和治理越来越严格，如果你能主动提到“做AIGC需要合规意识，要关注内容标识、版权问题”，这在面试官看来是成熟的表现。

关于“AI能不能聊天随便聊、不设限”这类话题，也建议在面试中直接避开。成熟的表达方式是：“大模型在开放域对话中确实需要做内容安全对齐，行业里一般用RLHF加规则过滤双层防护，核心是让模型在拒绝违规请求时保持自然，而不是生硬地说我不能回答。”这样既展示了技术深度，又表明你的价值观是正的。

5.3 反问环节怎么问才有水平

面试最后面试官通常会问“你有什么想问我的”。很多人要么说“没有”，要么问“加班多不多”“薪资多少”，这两个都挺浪费机会的。我的建议是准备三个方向的问题：

第一，问业务具体方向。“这个岗位目前主要负责哪条产品线的AI能力？是偏模型算法还是偏平台工程比较多？”这个问题能帮你判断团队真实需求，避免进去后发现岗岗不符。

第二，问技术栈。“团队目前用的训练框架比较多的是MindSpore还是PyTorch？模型部署主要跑在昇腾上还是GPU上？有没有做Agent落地？”这个问题能让面试官觉得你专业、有实操意识，同时你也能根据回答判断自己技术匹配度，回去后可以精准补课。

第三，问团队挑战。“您觉得目前团队在AI落地上最大的挑战是数据、算力还是业务场景不清晰？”这是很多面试官愿意展开聊的话题，一方面能让你了解团队的真实处境，另一方面能让面试官多说一些话，建立更好的沟通氛围。

5.4 最后再分享一点准备策略

我在复盘整个面试准备过程时，最大的体会是：信息差比能力差更致命。很多人其实基础不错，但根本不知道华为AI岗的考察重点，把时间花在了背论文、啃源码上，结果面试考的都是工程化、项目深度、国产化技术栈。如果你准备时间比较紧，按投入产出比排序的话，最该做的三件事是：把机试常见算法专题刷透、把你简历上的每个项目按五层追问补好、把华为昇腾和ModelArts的基本框架摸清楚。

关于时间安排，我建议提前六到八周开始完整准备。前两周用来刷机试算法，每天保持两到三道题，重点是动态规划和DFS/BFS的熟练度。第三到四周专门整理项目经历，把每个项目的数据规模、方法细节、踩坑经历写成文档，然后自己模拟面试官提问，反复练习。第五到六周攻克大模型和Agent/RAG的知识链，结合自己的项目去说，不要背八股。最后两周做华为技术栈速补，把昇腾、ModelArts、GaussDB这几个方向的核心概念梳理成一张纸，能说明白“是什么、解决什么问题、和主流方案有什么区别”即可。

我在实际准备中踩过最大的一个坑，是把大量时间花在了看华为数通设备配置上，因为网上那些“华为AR路由器”“交换机堆叠配置”“端口镜像配置”的教程刷起来很有意思，但对AI岗面试几乎没有直接帮助。如果你面试的岗位明确有网络设备方向需求，那是另一回事；如果只是AI应用岗，这些东西了解即可，别陷进去。时间花在刀刃上，这句话我说给自己，也说给你。