上周刚走完华为AI岗的完整流程从投简历、机试到两轮技术面加一轮主管面整个过程信息量非常大。尤其是1月21号那场机试用的是新考试系统和C卷双机位监考很多细节跟网上流传的旧版本完全不一样。我把自己踩过的坑、刷过的题、被面试官追问的点全部整理成这篇复盘主要写给正在准备华为AI方向岗位的朋友。不管你是走正编流程还是OD招聘机试和面试的核心逻辑是相通的提前把这些规则弄明白能少走很多弯路。这篇内容不会跟你讲什么“情怀”就是实打实的备考策略、题目类型、面试追问清单以及那些网上没人细说、但真正影响结果的细节。AI岗位的筛选方式跟通用开发岗差异很大算法题只是入场券AI方向的技术深挖才是重头戏两件事都得放到同等重要的位置来准备。1. 华为AI岗到底适合谁岗位类型与投递前要想清楚的事1.1 华为AI岗位的几个方向华为内部叫“AI岗”的其实覆盖很宽。我这次投递之前专门研究了一下至少能分成这么几类大模型训练和推理优化、模型微调与压缩、AI Agent应用开发、多模态算法、AI工程化平台以及数据侧的清洗与标注。不同部门侧重点差很多比如做云服务的更强调工程落地做终端BG的更关注端侧推理和模型压缩做车BU的会要求你懂一点传感器融合和嵌入式部署。很多人以为投AI岗就是要会写模型代码实际上华为的AI岗大量倾向于“能落地的人”也就是能把模型跑起来、能优化性能、能接入业务系统。面试时如果只聊理论不聊工程很容易被追问卡住。我建议在投递简历之前先根据自己擅长的方向圈定两到三个部门然后去翻对应部门的公开技术博客和专利方向搞清楚他们到底在做什么这样机试通过后的面试阶段才不会被问懵。1.2 正编和OD怎么选这个话题在求职圈讨论很多我的看法是别把OD一棍子打死。华为OD算是“外包”性质但它的考试流程、技术面试强度和培养体系和正编相差不大。特别是AI岗位OD进来的同事很多都参与核心项目开发并不是边缘打杂。机试成绩在OD流程里非常关键分数高不仅决定能不能进入面试还会影响后续定级和薪酬谈判。正编的校招门槛确实高对学历、论文、竞赛有硬性要求如果这些条件不够走OD是一个现实可行的入口。我认识有人从OD做起绩效连续拿A两年后成功转为正编。关键不是标签而是你入职之后做的事和产出。当然如果你手上已经有顶会论文或者国家级竞赛奖项那优先冲正编不要浪费优势。1.3 投递前必须想清楚的三个问题第一城市和部门。华为AI岗集中在深圳、东莞、武汉、成都、杭州等地不同城市招聘难度有差异内部调岗政策也有要求投递前先想清楚自己愿意去哪里。第二机试成绩的有效期。华为的人才库系统会保留投递记录机试成绩在一定周期内可以使用这意味着你可以先投一个部门练手再冲目标部门但实际操作中有没有风险要提前问清楚HR。第三岗位匹配度。工作内容和AI强相关的岗位才会机试后安排技术深挖如果投的是偏业务开发的岗位就算过了机试面试侧重点也会差很多别搞混。2. AI岗机试备考算法题才是第一道生死线2.1 机试环境与考试规则说明华为的机试现在是真的严格。我用的是新考试系统2026年1月21号这场抽到的是C卷双机位监考正面一个摄像头拍脸侧后方一个摄像头拍桌面和双手考试过程中后台还会做切屏检测。电脑上不能开微信、浏览器、远程桌面手机要求放在侧后方机位的视野范围内并静音。语言方面C、Java、Python都可以选我的建议非常明确无脑选Python。不是说Python比其他语言更高级而是机试要求自己处理输入输出Python的代码量最少写起来最快调试也最方便。考试时间一般是2小时内完成3道题分值和难度分布大致是第一题100分的基础题、第二题200分的中等题、第三题300分的偏难题总分合格线视批次有变化。每一题都有多个测试用例按通过的用例个数算分所以就算写不出满分解也一定要把暴力解法写上去能拿一分是一分。2.2 考点分布与刷题优先级网上很多帖子把华为机试吹得神乎其神其实常考题型非常固定。就我刷了近三个月题和这次实战来看重点就这几个方向字符串处理、数组双指针、滑动窗口、贪心、动态规划、简单模拟、图论的拓扑排序和最短路径。动态规划和字符串是重灾区很多200分和300分的题本质上就是套了两层壳的背包或区间DP。如果你时间有限刷题优先级建议这样排先把基础的数据结构题搞定链表、二叉树、哈希表、栈与队列然后刷字符串和数组题因为这些题代码短、考点清晰、容易拿分。最后再攻动态规划但也不需要把LeetCode所有DP题都刷完重点看背包、最长递增子序列、编辑距离这三个最常考的类型。图论不用死磕掌握邻接表建图和Dijkstra就够了出现频率不高但一旦考到就是送分题。2.3 机试中的输入输出处理是关键我见过太多人LeetCode刷了三百道一到华为机试就挂原因不是题不会而是不会处理输入输出。LeetCode的题已经帮你把函数写好机试是牛客网那种ACM模式所有输入都从标准输入读取你要自己写解析代码。就拿最经典的定长数组输入来举例Python的写法是这样import sys def main(): data sys.stdin.read().strip().split() if not data: return n int(data[0]) arr list(map(int, data[1:1 n])) # 接下来就是你的算法逻辑 print(sum(arr)) if __name__ __main__: main()第一题和简单的模拟题一般就是这种输入格式处理熟练了能帮你省下大量时间。如果遇到多行输入比如先给一个整数表示行数再给若干行数据我习惯用sys.stdin.readline()逐行读取。建议备考前两天专门抽几个小时把所有输入输出模板练熟这比多刷十道题都管用。2.4 双机位机试现场的实战细节考试前一定要提前装好客户端并测试摄像头。我这次提前了40分钟登录花了十分钟调整侧后方摄像头的角度确保能拍到完整桌面。还有一个细节尽量不要让浏览器弹窗或系统更新提醒在考试过程中出现有些弹窗会被判定为切屏非常冤。系统会有切屏次数记录超过一定次数直接强制交卷。考试界面右下角有计时器但人一紧张很容易忽略时间。我自己的策略是第一题25分钟内必须交卷走人第二题最多花60分钟剩下的时间全部给第三题。就算第三题做不出来也要把暴力解法和思路注释写上至少能拿部分用例分。交卷之前记得检查一下输入样例符不符合格式有时候不是算法错是输入解析写错了导致0分。3. AI专项能力准备不只是刷题要能聊出深度3.1 大模型基础知识是必答题机试只是门槛真正拉开差距的是面试阶段的AI专项考察。这部分和你刷的算法题完全不同面的是你对大模型技术栈的理解。Transformer的Attention机制、预训练和微调的区别、LoRA和全参数微调的取舍、推理时的量化方案、显存占用估算这些问题我全被问过。面试官问得特别细比如“你用的模型参数量多少训练时显存怎么估算”“LoRA的秩r为什么选这个值有没有对比过不同r的实验结果”“推理时有没有遇到显存溢出怎么解决的”。这些问题没有标准答案但你必须亲手跑过。我的建议是准备一个端到端的微调项目哪怕是个很小的模型也要把训练数据构建、tokenizer处理、训练脚本、评估指标这几步完整走一遍。面试时能说出“我试过把学习率从2e-5调到1e-4效果反而下降因为数据量太小”这种细节比背十篇论文都更打动面试官。3.2 AI Agent和工程化方向要提前上手近两年华为很多AI岗都在招Agent方向的开发考察点已经从“会不会用API”变成了“理不理解工具调用的全链路”。Function Calling的原理、ReAct循环的工作方式、RAG检索增强生成怎么解决幻觉问题、Memory机制如何做长期记忆这些都要能讲清楚。如果还没用过LangChain或Spring AI我强烈建议抽一个周末搭一个最小的Agent demo。不用很复杂就做一个能调用查询接口并汇总答案的小工具然后用文字把链路写明白用户输入进来用大模型做意图识别判断要不要调用工具工具返回结果后再让模型整理答案。Spring AI在Java技术栈里用得越来越多华为内部不少服务也用Java懂这个框架在面试里是明显的加分项。3.3 项目经验怎么准备才能扛住追问简历上写项目和面试被深挖是两回事。我这次面试被追得最狠的就是项目里“为什么选这个方案”的部分。你不能只说“我用了RAG提高了问答准确率”要能说清楚为什么选RAG而不是直接微调知识库用了什么切分粒度召回topK设多少评估指标是看Rouge还是人工评价有没有对比基线。我自己准备项目时会按“背景—方案—数据—结果—思考”五段式来整理每段都准备两三个可能被追问的细节。比如数据来源、标注方式、模型选择、训练成本、上线效果、失败尝试。面试官最反感的是简历上写了一堆但细节漏洞百出的人。另外很多岗位要求懂深度学习框架底层的算子实现和分布式训练你至少要知道torch分布式训练里DDP和DeepSpeed的区别这是高频考点。3.4 专利、论文和竞赛是隐藏加分项热搜词里出现“专利”不是偶然。华为对技术创新非常看重面试时如果你有专利、论文、软著面试官通常会专门拿出来聊。专利申请不需要你是大牛一个技术创新点一份合格的技术交底书就能走流程。现在有些辅助工具可以帮助做专利查新和文献分析但有一点必须说清楚专利必须基于真实的技术方案不要为了凑数去编造华为背景审查很严格编造被发现直接取消资格。如果你是在校生华为的数模竞赛、云赛事也可以留意有获奖经历在简历筛选阶段能加分不少。关键是要把竞赛里用到的技术细节内化比如怎么处理数据不平衡、怎么做特征工程这些比证书本身更容易成为面试中的谈资。4. 从机试到面试完整流程与时间线实录4.1 投递和机试的时间线复盘以我自己为例整个时间线大概是这样的2025年12月中旬通过招聘平台投递简历一周后接到HR电话沟通基本情况和岗位意向然后做了性格测评1月上旬收到机试通知机试安排在1月21号。机试通过后大约三天就有技术官联系约面之后是一轮技术面、一轮综合面、一轮主管面。每个环节的备考重点完全不同这里我用一个表格把时间线整理出来方便你对照参考环节大致时间备考重点简历投递机试前3-6周打磨项目经历突出AI方向关键词性格测评机试前2-4周保持稳定即可不要前后矛盾机试约定的日期刷题、练输入输出、测试双机位环境技术面机试后3-7天数据结构、算法、项目深挖综合面技术面后1-2周大模型基础、AI项目实操、系统设计主管面综合面后1周内综合素质、稳定性、职业规划建议你把机试通过以后的时间都花在项目复盘上不要觉得机试考完就能放松。我这次是技术面就在机试后第三天节奏非常紧如果提前没准备临时翻书根本来不及。4.2 机试当天的完整复盘说说1月21号当天的真实情况。我提前四十分钟进入考试系统先检查了正面摄像头确认能拍到脸又把侧后方摄像头从架子上重新调整了一遍确保能拍到我的手和整个桌面。考试开始后第一题果然是基础字符串题大概就是统计一堆字符里面某个模式出现的次数我十五分钟内写完并提交等到全部用例通过。第二题是一道带约束的数组规划题可以用贪心解但我一开始想复杂了写了四十分钟才改对。第三题难是一个偏图论的问题我时间不够只写出了暴力DFS并尝试提交有几个用例通过了能拿多少分拿多少分。最终机试分数超过了常规合格线顺利进入面试。我的经验就一句话第一题必须稳第二题尽量完整第三题尽量写暴力解。4.3 核心技术面常见问题清单技术面通常是一个小时左右前半小时问基础和算法后半小时深挖项目和AI方向。我把自己被问过的高频问题整理在这里给大家做个参考数据结构数组和链表的区别哈希表冲突怎么解决。操作系统进程和线程的区别死锁的四个条件。网络TCP三次握手和四次挥手HTTP和HTTPS的差异。算法手写快速排序介绍一下动态规划的思路。AI方向Transformer里为什么用多头注意力BatchNorm和LayerNorm的差别。工程细节你项目里模型推理延迟是多少怎么优化的数据不平衡时你会怎么做。这些问题本身不算难难的是在面试环境下快速组织语言。建议你每天找十分钟对着镜子或者录音练一遍回答你会发现自己嘴上说的和脑子里想的差距很大练几轮以后会自然很多。4.4 主管面与HR面注意事项主管面通常不问具体技术但会在宏观层面考察你有没有大局观。比如“如果你负责的AI项目上线后效果不及预期你怎么办”“你如何推动其他团队配合你做数据标注”这些场景题。这类问题没有标准答案核心是展现你拆解问题的能力而不是马上甩出一个方案。HR面则更关注稳定性和意愿度比如为什么选择华为、为什么投AI方向、能不能接受偶尔加班、未来三五年怎么规划。我的建议非常直接不要只说“想学习”要具体说明你对岗位的理解和能带来的价值。坦诚是最重要的前后表述不一致反而容易导致流程中断。主管面阶段如果被问到“你手头还有其他offer吗”可以如实回答但别用其他offer来逼HR效果往往适得其反。5. 避坑实录从机试到面试容易踩的坑5.1 机试环节最容易丢分的地方第一个坑是输入输出格式。很多人暴力解法是对的但输入解析漏了某一行导致用例全挂。第二个坑是切屏。考试系统对切屏非常敏感我试过在考试间隙想去桌面看时间手刚移开就被后台记录了一次。第三个坑是Python版本差异本地能用的语法可能考试环境版本不支持考前在机试环境里至少跑一遍环境验证代码。第四个坑是没估算好时间在中等题上死磕最后一题没时间碰白白丢了可能拿到的部分用例分。5.2 项目准备阶段的常见问题我见过不少人在简历上写“熟悉大模型微调”但面试时连训练集和验证集的划分方式都说不清楚。这是大忌。宁可项目写得少一点也要保证每个词都经得起追问。另外项目背景和职位方向不匹配也很常见比如投AI Agent岗简历里却全是传统爬虫项目面试官会直接觉得你投递的时候没有认真看职位要求。建议你做一次“简历反向审查”把简历上每一条技术栈都写成“技术名称 实际使用场景 效果数据”的格式说不清楚就直接删掉。真实、有数据、扛得住追问这三条比技术栈大全有用得多。5.3 面试中的沟通技巧面试时态度诚恳思路坦诚比什么都重要。遇到不会的问题可以快速说一句“这个方向我之前没有深入研究过但如果让我现场来分析我会从……”然后按逻辑推演。面试官要的不是你会所有问题而是看你在知识盲区里的反应速度和学习潜力。反问环节也很关键。你可以问“这个岗位未来三个月最核心的迭代目标是什么”“团队目前在大模型落地上的技术路线是偏向自研还是集成开源方案”这类问题能体现你的主动性。尽量别第一句就问加班情况和薪资待遇等流程走到后面再跟HR聊会更合适。备考这一个月我最深的感受是华为AI岗的筛选逻辑看起来很硬核机试刷人、面试深挖项目但它真正考的是你在有限时间里把一个复杂问题拆清楚、并动手落实的能力。算法题只是入场券真正拉开差距的是你对AI方向的系统理解。如果决定要冲就把刷题和项目放到同等重要的位置两腿走路机试面试都会顺不少。最后再提醒一句机试之前一定要实测两次双机位的摄像头角度我认识不止一个人栽在这个看起来不起眼的环节上。