联想AI工程师笔试全解析：大模型、RAG与工程落地

2025年的秋招，AI工程师笔试肉眼可见地换了打法。我帮几个学弟学妹复盘了联想AI工程师岗位的笔试，最直观的感受是：考察内容正从传统的深度学习算法题，快速滑向大模型、AI Agent、模型部署和工程落地这些方向。如果还抱着“刷透LeetCode、背熟八股就能过”的思路去准备，大概率会挂在那几道关于推理优化和RAG的题上。这篇文章想把联想AI工程师笔试的考察逻辑、典型考点和备考路径完整拆一遍，适合正在准备秋招的同学，也适合想了解大厂AI岗位到底在考什么的人。

1. 先搞懂联想AI工程师笔试的“筛人逻辑”

1.1 联想AI业务线决定了笔试的偏科方向

很多同学拿到笔试通知后，第一反应是去搜“联想算法题题库”，这是方向性错误。联想AI工程师和互联网大厂的算法研究员并不是同一个物种。联想现在的AI布局集中在AI PC、企业级AI解决方案、混合式AI这些方向，讲究的是模型能不能在真实产品里跑起来、能不能下沉到端侧、能不能给企业客户解决具体问题。所以它招的AI工程师，本质上是一个“既懂算法又能干活”的角色，笔试设计天然偏向算法理解+工程能力+业务落地思维。

这意味着什么？笔试题目不会特别深挖某个数学公式的严格证明，也不会出过于偏门的研究型问题，但覆盖面会很广：机器学习基础、深度学习、大模型原理、部署推理、分布式训练、编程基本功、场景设计题，全都会出现。如果你只擅长其中一个方向，比如论文读得多但代码写得少，或者工程强但理论基础薄，笔试都会露出破绽。

1.2 题型结构和时间分配：题量比你想象的大

根据近两年联想AI工程师笔试的常见构成，一套完整的笔试题大概长这样：

整套题量在120分钟上下。最烦人的不是单题难度，而是时间切割得很碎，选择题里面夹杂大量模棱两可的干扰项，你一旦在概念题上犹豫，后面的编程题就危险了。我见过好几个基本功不错的人，前面单选多选扣了太多时间，最后综合设计题只能写三行字交卷，非常可惜。

1.3 笔试想筛掉的三种人

结合我和周围同事的面试经验，联想这类笔试的目的非常明确——先筛掉下面三类人：

第一种是基础不牢、全靠背题的人。选择题里稍微改个条件、换个问法就露馅，比如把“L2正则化对权重的影响”改成“在极端特征共线性下L2与L1的行为差异”，死记硬背的答案就不管用了。

第二种是知识结构单一的人。只懂模型不懂工程，或者只写业务代码但完全不了解Transformer原理，都过不了多选和简答那关。现在的AI工程师笔试，要求你的知识面横跨算法、框架、部署、数据，像个T型人才，深度要有，广度也得有。

第三种是没有业务闭环思维的人。综合设计题其实不怎么考炫技方案，而是看你能否把需求转换成数据流、模型流、评估流的完整链路。上来就堆ChatGPT、LangChain、向量数据库这些名词的人，得分往往不如老老实实画数据流的人。

2. 机器学习与深度学习基础：这些送分题为什么有人送命

2.1 传统机器学习必背公式与易错推导

这几年我观察到一个有趣的现象：大模型越火，传统机器学习基础反而越重要。因为面试官普遍担心候选人只会调用现成的API，对模型的底层行为缺乏感知。笔试里逻辑回归、SVM、决策树、GBDT几乎是必考，但考法非常灵活。

逻辑回归的考点集中在损失函数推导和与线性回归的区别上。你要能写出交叉熵损失函数，能解释为什么用交叉熵而不用均方误差——因为sigmoid输出与MSE组合会导致非凸优化问题。这道题我见过多种变形，比如给你一组数据，让你判断能否用LR线性可分，实际上考的是对特征空间的理解。

决策树那一块，信息增益、增益率、基尼系数的计算题很常见。容易出错的地方在于：ID3用信息增益、C4.5用增益率、CART用基尼系数，很多人混在一起。另外，决策树的可解释性经常作为选择题干扰项出现，它是“白盒模型”这个点要记住。

GBDT和XGBoost的区别也是高频题。XGBoost在目标函数里加了正则项、用二阶泰勒展开逼近损失函数、支持列抽样和并行化，这几点基本每年都考。如果你能补充一句“XGBoost的缺失值处理策略是自动学习默认方向”，那就更稳了。

2.2 深度学习的网络结构考点

CNN方面，感受野计算、参数量计算、1x1卷积的作用是被反复翻牌子的题目。给定一个输入尺寸比如224x224x3，经过一个卷积层后输出尺寸怎么变，池化层对参数量有没有影响，这些计算题务必做到条件反射。1x1卷积的作用要从通道降维、增加非线性、实现跨通道信息交互三个角度答。

RNN和Transformer的对比题几乎必出。你需要能说清楚：RNN是序列建模的天然选择，但存在长程依赖和梯度消失问题；LSTM通过门控机制缓解梯度问题，但无法并行；Transformer完全抛弃循环结构，用自注意力机制捕捉全局依赖，通过位置编码引入顺序信息。很多选择题的干扰项会故意把LSTM的遗忘门、输入门、输出门功能弄混，复习时要把三个门分别管什么背牢。

自注意力机制的公式也要能默写，Q、K、V分别是什么，为什么缩放因子是根号d_k——为了避免点积结果过大导致softmax梯度消失。这个细节经常作为一道简答题的提问方向。

2.3 损失函数、优化器与正则化的对照题

这一块是选择题的重灾区，因为概念多且容易混淆。整理几个高频对照：

• L1和L2正则化的本质区别：L1能得到稀疏解，L2使权重平滑趋近于0但不会精确为0。从梯度角度解释，L1的梯度是常数，靠近0时会在0附近振荡，容易压缩到0；L2的梯度随权重缩小而缩小，难以精确到达0。
• Dropout在训练和推理时的行为差异：训练时随机丢弃神经元，推理时全部保留并对权重乘(1-p)。有些题会反过来问，Dropout能不能用于卷积层——答案是可以，但通常放在全连接层效果更明显。
• BatchNorm在训练和推理时的统计量差异：训练时用当前batch的均值和方差，推理时用滑动平均统计量。加BatchNorm的一个副作用是允许更大的学习率，因为它缓解了梯度尺度不一致的问题。
• Adam和SGD的适用场景：Adam自适应学习率、适合大规模稀疏参数；SGD在后期收敛更稳定，泛化性能有时更好。这种题没有绝对对错，但你要体现出对优化器行为差异的理解。

千万不要轻视这些基础概念。2025年的大模型方向笔试题，很多都是传统基础概念的包装变形。比如让你设计一个LoRA微调方案时，实际是在考你对正则化和参数高效更新的理解。

3. 大模型与Agent方向：2025年笔试新增的增量考点

3.1 Transformer与LLM原理：从Attention到KV Cache

联想AI工程师笔试里，大模型方向的题量占比已经非常可观，而且每年都在上升。最核心的考点还是Transformer本身，它会以不同角度反复出现。

一个高频考点是KV Cache。要理解推理时为什么需要缓存Key和Value矩阵：生成阶段是自回归的，每生成一个token都需要用Q去和之前所有的K、V做注意力计算。如果不缓存，每次都重算历史token的K和V，计算量会随序列长度线性增长。KV Cache相当于用显存换速度，这也引出另一个考点——长上下文场景下KV Cache显存占用过大，于是有了MQA、GQA这些多查询注意力变体。题目会问GQA和MHA的区别，本质上考的是对推理成本的理解。

另一个常考的是位置编码。Transformer本身没有顺序信息，必须加位置编码。传统的位置编码是正弦函数，现在大模型常用RoPE旋转位置编码，它的核心思想是让位置信息通过旋转矩阵作用于Q和K，使得注意力分数天然依赖相对位置。你不需要完整推导RoPE，但至少要能说明它和传统位置编码在形式和作用上的差异。

训推差异也值得准备。训练阶段的Attention是并行计算，输入的所有token同时可见；推理阶段必须逐个生成token，所以可以使用KV Cache。这个概念的变形题是“为什么训练时不直接用KV Cache”——答案很简单，训练时不需要逐步生成，所有位置的注意力可以一次性计算完毕。

3.2 微调、RAG与Agent：出一道简答题你怎么答

简答题至少有三分之一概率落在微调、RAG或Agent这三个方向上。面试官不是想听你背概念，而是想看你怎么把一个需求落成方案。

微调方向最常见的题目：一个垂直领域数据集，基座模型效果不理想，你会怎么做？完整答法要包含：数据清洗和标注质量检查、评估现有基座模型确定差距、尝试Prompt工程和Few-shot、如果还不够再考虑微调、微调时优先选LoRA或QLoRA这类参数高效方法、最后设计评测集对比微调前后效果。为什么优先LoRA？因为全参微调成本高且容易灾难性遗忘，LoRA冻结原模型权重，只训练低秩增量矩阵，一套模型基座可以挂多套业务部署，对联想这类产品线丰富的公司来说非常实用。

RAG方向最常见的题目：设计一个企业知识库问答系统，说清楚流程。标准链路是：文档加载与解析、文本切分（chunk）、Embedding向量化、向量入库、用户问题向量化、召回、重排序、拼接Prompt、LLM生成。关键得分点是你在每个环节有没有思考过取舍。比如chunk大小怎么定，大了检索粒度太粗、小了语义不完整，要结合文档结构和实验效果调整；比如混合检索（关键词+向量）能提升专有名词召回率；比如重排序能显著提升Top-K准确率，但会增加一次推理延迟。

Agent方向最常见的题目：什么是Function Calling，Agent怎么使用工具？你要说明：LLM本身不能直接执行外部操作，Function Calling让模型输出一个结构化调用请求，由程序解析后执行真实函数，再把结果回传给模型继续推理。ReAct模式则是让模型交替执行Reasoning和Acting，即先思考需要什么信息，再决定调用什么工具，根据工具结果继续推理。一个完整的Agent设计还涉及约束循环次数、防止死循环、权限控制、失败重试等工程细节，这些才是拉开差距的地方。

3.3 模型评测与数据工程：容易被忽视的暗线

很多人在复习大模型时只看原理和结构，忽略了评测和数据这两条暗线。但联想这类偏工程的AI岗位，恰恰很看重你对“模型效果如何度量”和“数据质量如何保障”有没有概念。

模型评测题最常见的是评估指标选择题：机器翻译用BLEU，文本摘要用ROUGE，对话生成用BLEU和人工评估结合，检索增强场景要看Hit Rate、MRR、NDCG，分类任务看Accuracy、Precision、Recall、F1。干扰项经常混在一起，比如用BLEU评估分类任务，一眼看过去好像也没问题，但实际语义完全不对。还要理解指标本身的局限，BLEU只衡量n-gram重合度，对同义改写无能为力，所以大模型生成任务经常需要引入LLM-as-a-Judge进行语义质量评估。

数据工程方向问得比较浅但很实际：训练数据里面脏数据比重多大时模型效果会显著下降，语料去重为什么重要，指令数据质量怎么把控。答题时最好能结合具体做法，比如用Embedding做语义去重、标注一致性用Kappa系数评估、过滤隐私数据和高毒性内容。这些实操细节能体现你不是只会跑通Demo。

4. 工程与技术栈考点：部署、推理优化、分布式训练一个不少

4.1 PyTorch与训练框架的考点分布

联想的AI工程师笔试，工程部分占分往往比你预想的高。它不像算法岗那样可以忽略工程细节，因为实际工作内容就是要让模型在产品里稳定运行，所以PyTorch、推理框架、分布式训练的题目都会被纳入考察范围。

PyTorch方向的常见选择题：Dataset和DataLoader的正确用法、model.train()和model.eval()的作用、with torch.no_grad()在推理时的用途、模型保存时state_dict和整个模型的区别、AMP混合精度训练用的是fp16还是bf16、梯度累积如何实现。这些题不难，但要求你真的跑过训练代码，只读过理论的话容易掉进细节陷阱。比如有一道经典题：模型保存时只保存state_dict还是保存整个model，如果换环境、换代码版本后加载模型，推荐用哪种方式？答案是state_dict，因为它只保存参数张量，不依赖Python类的序列化细节，更稳定。

推理优化方向的考点集中在量化、剪枝、蒸馏这三个概念上。量化能把FP16权重压到INT8甚至INT4，大幅减少显存占用并加快推理速度。你要能解释为什么量化后会掉精度，但同时知道在推理阶段对激活值做动态量化、对权重做静态量化，可以在速度和精度之间找到平衡。剪枝有结构化剪枝和非结构化剪枝，前者对硬件友好、容易获得实际加速，后者稀疏度高但稀疏矩阵在GPU上未必更快，这是个易错点。知识蒸馏让学生模型学习教师模型的输出分布，常用来把大模型压缩成小参数端侧模型——联想AI PC场景很吃这个方向。

4.2 模型推理优化：量化、蒸馏与批处理

如果你投的是AI工程师而不是算法研究员，笔试里很可能出现一道关于“如何把7B模型部署到资源受限环境”的简答题。这道题表面上考的是部署，实际上是在考你懂不懂推理优化手段的组合拳。

完整答法有几个层次。第一层是精度压缩：用INT8或INT4量化把权重存储缩小4到8倍，7B模型FP16权重约14GB，INT4量化后约3.5GB，可以塞进消费级显卡。第二层是推理框架选择：vLLM、TensorRT-LLM这类框架做了PagedAttention显存管理和算子融合，吞吐量远高于朴素HuggingFace实现。第三层是批处理策略：动态batching把多个并发请求合并成一个batch推理，显著提高GPU利用率。第四层是服务化设计：用流式输出降低首token延迟，用预热和优雅退出保证服务稳定性。

这些点本身不难，但如果你想拿高分，我建议补一句关于“延迟和吞吐的权衡”的理解，比如响应时间敏感的在线问答，batch不能开太大，否则排队延迟会增加；对于离线批量处理任务，则可以把batch开到极限追求吞吐。这才是工程思维的核心。

4.3 分布式训练题目：显存估算怎么算

联想的笔试题偶尔会带一道分布式训练相关的计算题，或者至少在多选题里出现。最常见的是显存估算。

估算方法很简单但很多人没认真算过：模型权重、优化器状态、梯度、激活值四部分。以7B参数量、FP16混合精度训练为例：

• 模型权重：7B × 2字节 = 14GB
• 梯度：7B × 2字节 = 14GB
• Adam优化器状态：一阶动量 + 二阶动量，FP32存储，共7B × 4字节 × 2 = 56GB
• 总计权重+梯度+优化器状态 = 84GB左右，激活值另算

所以7B模型的单卡全参微调，没有80GB显存根本跑不起来，这就是为什么业界普遍用LoRA或QLoRA。QLoRA进一步把基础模型做4bit量化，大幅降低显存占用。这个计算思路你要能讲出来，因为它直接决定了你在实际项目中如何选择微调方案和显卡型号。

分布式训练的概念题也不少：DDP（分布式数据并行）如何同步梯度、DeepSpeed ZeRO三个阶段分别做哪些事、梯度累积和梯度同步的区别。ZeRO从ZeRO-1优化器状态分片，到ZeRO-2加梯度分片，再到ZeRO-3加权重分片，三个阶段涉及通信量和显存节省的权衡，这个点能答全的人不多，但答出来就很亮眼。

5. 在线编程题：算法底子决定你的笔试下限

5.1 高频题型统计和联想风格

编程题在任何AI岗位笔试里都是硬门槛。两道题，40分钟，核心代码模式——不用你写完整的输入输出处理，但函数签名和边界条件必须写得干净利落。这其实比ACM模式更温和，但也更容易翻车，因为题目会刻意设计边界case。

根据近两年的反馈，联想编程题的高频题型集中在：数组与哈希表操作、双指针、二分查找、动态规划、图或树的DFS/BFS、字符串处理。难度大致在LeetCode中等偏下，极少出偏题怪题，但会出现一些数据处理相关的变形题，比如合并两个有序数组、计算最长不重复子串、找到数组中第K大的元素、实现一个简单的LRU缓存机制。这些题和模型推理中流水线、缓存、数据切片等实际工作有一定关联，出的并不突兀。

我建议备考时不要盲目刷题，要按题型分类刷，同时把每个题型的边界条件单独整理一份清单。数组题永远检查空数组；二分查找永远确认左右端点和退出条件；DFS永远考虑环和去重；字符串操作永远考虑大小写和空白字符。

5.2 一道典型搜索题：从审题到边界处理

拿一道高频题举个例子：给定一个升序排列的整数数组和一个目标值，找出目标值在数组中的开始位置和结束位置，不存在则返回[-1, -1]。要求时间复杂度O(log n)。这道题几乎是二分查找的必考变形。

常规做法是写两个二分查找，一个是左边界搜索，一个是右边界搜索。左边界的二分条件是：当mid值大于等于目标值时，收缩右边界，同时记录候选位置；右边界的二分条件是：当mid值小于等于目标值时，收缩左边界，记录候选位置。核心易错点是死循环和越界。

def search_range(nums, target): def find_left(): left, right = 0, len(nums) - 1 res = -1 while left <= right: mid = (left + right) // 2 if nums[mid] >= target: right = mid - 1 else: left = mid + 1 if nums[mid] == target: res = mid return res def find_right(): left, right = 0, len(nums) - 1 res = -1 while left <= right: mid = (left + right) // 2 if nums[mid] <= target: left = mid + 1 else: right = mid - 1 if nums[mid] == target: res = mid return res return [find_left(), find_right()]

实现不是重点，重点是你在写完代码后有没有自查这几个细节：输入是空数组时，两个函数都不会进入循环，直接返回[-1, -1]，正确；目标值不存在但所有元素都小于target时，find_left返回-1，find_right返回-1，正确；所有元素都大于target时类似。这些边界case是笔试判分点，漏一个可能就丢一半用例的分数。

另一个实用技巧是，动手编码前先看一眼数据范围。数组长度是10的5次方级别，O(n)扫描也能过；但如果到了10的6次方以上，必须用O(log n)解法。这决定了你写出的代码能不能通过全部case，也是工作中评估算法复杂度的基本素养。

6. 业务场景综合题：企业知识库问答的设计框架

6.1 一类综合题的通用答法

综合设计题是很多人的失分重灾区，因为它没有标准答案，考察的是你面对一个模糊需求时的拆解能力。联想比较喜欢出的场景题包括：企业内部知识库问答系统、智能客服Agent、长文档自动摘要、代码辅助工具、AI驱动的数据报表分析等。乍看五花八门，但答题框架是相通的。

拿到题目后，第一步是需求澄清。不要拿到题就写架构，先写你对该场景的理解：用户是谁？输入输出是什么？最大并发量大概多少？对响应延迟的容忍度多少？如果题目没有给出这些信息，你可以自己设定合理假设，并在答案里注明。这样既不显得冒进，又体现了产品思维。

第二步是模块划分。一个完整的AI系统至少包含数据接入层、模型层、编排层和评估层。数据接入层负责把文档或业务数据清洗、切分、向量化；模型层负责选择和部署合适的基座模型；编排层负责Prompt管理、工具调用流程、多模型协作；评估层负责量化系统效果。把四个层写清楚，比写一堆组件名更能让面试官信服。

第三步是技术选型和理由。不需要给出一堆备选方案再挑一个，直接说你选什么、为什么够用。比如选RAG而不是微调，理由是企业知识库更新频繁，RAG不需要重新训练模型，改一次知识库就能生效；选现成的向量数据库而不是自己实现检索，理由是把精力放在业务效果优化上，而不是重复造轮子。

第四步是评估和风险。你要主动说出系统可能失败的地方，这就是设计题拉开分数的地方。比如大模型幻觉风险怎么防、权限控制怎么做、query命中率低时怎么办、成本超支怎么控制。主动暴露风险比面试官追问出来要加分得多。

6.2 拿分关键是画清数据流而不是堆名词

综合设计题的评分点往往不是方案多新颖，而是数据流是否完整闭环。很多同学喜欢把最新最热的框架名全部堆上去，什么LangChain、LlamaIndex、AutoGen、Milvus、FastAPI，每样都提一句，但组件之间怎么衔接、数据变更时怎么更新、模型调用失败时怎么降级，一个字不写。这样的答案给面试官的印象是“听过概念但没做过”。

举一个常见场景的完整答法：设计一个企业知识库问答系统。

需求假设：企业内部有大量产品文档、FAQ、售后工单，员工希望用自然语言提问，系统给出带引用来源的答案。并发量不高，但答案准确率要求高。

数据流设计：先把文档和FAQ统一解析为纯文本，按标题层级切分成固定大小的chunk并保留元数据；用Embedding模型把chunk向量化写入向量库；同时保留倒排索引，支持关键词检索。用户提问时，同一个query同时走向量检索和关键词检索，合并两路结果后经过重排序模型，选出Top-K相关片段；把用户问题、召回片段、历史对话拼进Prompt；调用大模型生成答案，并要求模型输出引用编号；最后把引用编号映射回原文段落展示给用户。

这个方案哪里体现了工程意识？混合检索解决专有名词向量化效果差的问题；重排序解决纯向量检索Top-K不精准的问题；引用映射解决大模型幻觉不可控的问题。每一步都有明确的目的，没有一个组件是多余的。

风险部分可以写：如果知识库文档经常更新，定时任务要负责增量更新向量库，避免员工查到过期内容；如果大模型生成不稳定，可退化为RAG+模板回答、甚至纯关键词检索的降级链路。这些细节都展示了你对系统的全面把握。

7. 备考节奏与时间线：三轮复习法及避坑清单

7.1 三轮复习法的时间分配

如果你现在距离笔试还有三个月，建议按以下三轮节奏安排，三轮时间可以根据自身基础灵活调整。

第一轮（约3周）：基础扫盲。把机器学习经典模型、深度学习核心组件、大模型基础原理全部过一遍，重点是概念理解和公式推导。每天花一小时做选择题练习，把错题记下来，后面两轮专门用来复看。这轮不追求深度，追求覆盖面，因为联想的笔试面很宽，怕的是你连某个考点出现都不知道。

第二轮（约4周）：专项突破。针对大模型、RAG、Agent、推理优化这些增量考点做专题学习，每个专题都要自己动手实现一个小Demo。比如用LangChain或LlamaIndex搭一个本地知识库问答，部署一个量化后的模型，跑通一个Agent工具调用。笔试考工程题的本质是考你有没有动手经验，Demo做一遍比背十篇文章都有用。

第三轮（约2周）：模拟与复盘。严格按照120分钟时间做整套笔试模拟题，训练时间分配和临场心态。这一轮最重要的不是做对多少，而是找到自己在哪类题型上卡壳。如果你每次都在编程题上超时，就说明算法训练不够，需要临时加练；如果总在简答题上语无伦次，就准备一个自己的答题模板。

7.2 资料与工具清单

很多同学问该看什么书、刷什么题，我提供一个相对精简的清单，重点是够用而不是求全。

理论方面，经典教材加深度学习课程能覆盖大部分基础考点。大模型方向不要只读二手博客，至少要精读Transformer原论文和LoRA、QLoRA这几篇关键论文的摘要和核心方法部分。如果时间充裕，再看一篇RAG相关的综述，能把RAG的三种范式（Naive、Advanced、Modular）讲清楚，简答题就很好展开了。

工程实践方面，一定要自己跑几个项目。用开源模型在本地部署一个对话服务，尝试用vLLM做推理加速；给模型做一次INT8量化，对比量化前后速度和精度的变化；用RAG技术搭一个自定义知识库问答网站。这些项目不需要很复杂，但能让你在回答工程题时真正有话可说。

刷题方面，LeetCode高频题一百题左右就够，按题型分类刷，重点吃透数组、哈希、二分、双指针、栈、DFS/BFS、动态规划这几类。不要追求刷题数量，要追求每一道题都能讲出思路、时间复杂度和边界条件。

7.3 笔试当天的四个实战提醒

第一个提醒：拿到试卷先花两分钟扫一遍全卷，确认题目分布和时间分配策略。如果编程题特别难，先跳过，把后面的设计题写完再回来看。选择题上卡住超过一分钟必须蒙一个走人，不要因小失大。

第二个提醒：在线编程题务必要注意函数签名和输入格式。系统判卷是自动判题，多个空行、多余输出都可能导致判错。写完代码后，如果时间允许，手动构造几个边界case自测一遍，比如空数组、单元素数组、重复元素全相同数组。

第三个提醒：简答题和设计题，写稍微详细一点比只写个提纲好得多。联想的评分倾向于按点给分，你写的数据流、模块名、评估指标、风险项都会成为得分点。尽量用分点式或者画出文字版流程图，方便阅卷人按图找点。

第四个提醒：考试环境提前半天准备好。找个网速稳定的地方，确认浏览器兼容、摄像头权限、编译器环境正常。每年笔试都有人因为本地环境配置问题浪费掉宝贵的二十分钟，这种低级失误完全可以通过提前演练避免。

备考过程中最大的坑，就是把时间全部花在看教程上而没有动手实践。AI工程师这个岗位，本质上要求的是理解、编码、调试、部署的全链路能力。你看一百篇RAG教程，不如自己调通一个带重排序的问答系统；你背一百个网络结构，不如自己跑一次量化推理对比数据。笔试只是第一关，但它筛的恰恰是那些只停留在表面理解、缺少动手验证习惯的人。保持这种把东西真正跑起来的执着，后面面试和实际工作会顺利很多。