AI 工程面試題庫（公司別）

📌 30 秒摘要

這篇在講：35 家 AI 公司真實被問過的 602 道面試題，依公司分組、附公開回報的面試流程。
它只有題目沒有答案（答案是外連到 outcomeschool.com 的文章），所以本知識庫把它的
「Common Questions」119 題展開成 19+ 頁自足的概念筆記，放在 AI 工程面試準備。

🎯 為什麼存這篇 / 未來想拿它做什麼

• 當作 AI 工程知識的完整性檢查表——不是為了面試，而是「業界認為一個 AI 工程師該知道什麼」的最佳代理指標
• 它的分類（LLM 內部 / 推論服務 / RAG / Agent / 微調對齊 / 評估 / 安全 / 多模態 / 系統設計 / Coding）本身就是一張領域地圖
• 公司考點差異能反映各家的技術重心，選工具、評估供應商時有參考價值

⚠️ 這份來源的限制（先講清楚）

限制	說明
沒有答案	每題下方的 Answer: 全是外部連結。觀念不在這份檔案裡 —— 這正是本庫把它展開的原因
二手資料	README 自述題目「compiled from publicly reported interview experiences」，非官方發布
面試流程會變	原文自己警告：把公司章節當作「這家在乎什麼的地圖」，不是「你會被問什麼的腳本」
是廣告載體	維護者是付費課程 Outcome School，答案連結指向自家內容
規模小	撷取時 163 stars、12 forks、8 commits。不是權威來源，是有用的線索
授權	Apache-2.0，Copyright (C) 2026 Outcome School

✨ 關鍵重點

題目分布（2026-09-20 撷取）

總計 602 題，分兩區。Common 區 119 題已全數展開成 56 頁機制層筆記（見 AI 工程面試準備）：

區	題數	用途
Common Questions Asked Across Companies	119	跨公司重複出現的核心概念——原文建議先做這區
35 家公司各自的專屬題	483	公司口味、產品情境、文化題

Common 區的十個主題：

主題	題數	本庫展開
LLM Internals and Architecture	16	✅ 注意力機制、KV Cache、FlashAttention、分詞與 BPE、位置編碼與 RoPE、混合專家 MoE、正規化與激活函式、取樣與解碼策略、Scaling Laws 與 Chinchilla、前向傳播全流程
Inference, Serving and GPU Performance	14	✅ Prefill 與 Decode、連續批次 Continuous Batching、PagedAttention 與 vLLM、推測解碼 Speculative Decoding、前綴快取 Prompt Caching、量化 Quantization、平行化策略、GPU 記憶體估算、服務棧選型與降本
RAG and Retrieval	12	✅ 切塊與文件解析、稀疏與密集檢索、Reranker 重排序、向量索引 ANN、查詢改寫與 HyDE、權限感知檢索與引用歸因、RAG 評估與營運
Agents and Tool Use	12	✅ ReAct 與 Agent Loop、Function Calling 與結構化輸出、工具集設計、Agent 記憶設計、多 Agent 編排與 Agent Drift、可逆性、審計與人類把關
Fine-Tuning, Post-Training and Alignment	12	✅ RLHF 全流程、DPO、GRPO 與 RLVR、LoRA 與 QLoRA、PEFT 方法比較、災難性遺忘、知識蒸餾
Evaluation and Observability	10	✅ LLM-as-Judge、沒有標註時怎麼建評估集、幻覺偵測、上線閘門與線上評估、Benchmark 污染與分數失真、LLM 可觀測性、Agent 評估
Safety, Security and Responsible AI	10	✅ 提示注入與分層防禦、OWASP LLM Top 10、Guardrails 護欄設計、Constitutional AI 與 RLAIF、PII、紅隊與公平性稽核
Multimodal, Speech and Voice AI	10	✅ 視覺語言模型、即時語音 Agent、級聯與原生語音
AI System Design	11	✅ AI 系統設計框架（11 題各自的骨架）
Coding and Data Structures	12	✅ AI 工程 Coding 題型（12 題分類 + B 類完整實作）

📊 35 家公司考點地圖

怎麼讀：「主要考點」是該公司專屬題中題數最多的三個主題，能反映他們的技術重心。

前沿實驗室

公司	題數	主要考點	面試流程特色（原文轉述）
Anthropic	37	Coding 12 ‧ 系統設計 5 ‧ 安全 4	招募面談（~30 分，會刷人）→ CodeSignal 式編碼（70–90 分，一題分四個漸進關卡）→ 五輪 onsite，含專屬的 values 輪。部分 MLE loop 已加入 AI 協作輪：給你 Claude，評你怎麼指揮與驗證它
OpenAI	31	Coding 7 ‧ 系統設計 5 ‧ ML 基礎 4	技術篩選偏「做出一個真的東西」而非 LeetCode
Google DeepMind	22	ML 基礎 8 ‧ 系統設計 5 ‧ Coding 4	RE loop 加研究深潛 + 數學/機率 + 從零實作；有 hiring committee 與 team matching
Meta (FAIR/Llama)	26	Coding 8 ‧ 系統設計 6 ‧ 行為 3	篩選 45 分兩題；2026 起部分 loop 有三階段 AI 輔助編碼輪
xAI	10	Coding 3 ‧ 微調 3 ‧ 推論 2	流程最短。常有四小時限時產品建置。重「出貨速度」
Mistral AI	8	LLM 內部 2 ‧ 推論 2	有 pair-programming 建小型 LLM 服務；歐洲企業/地端部署情境貫穿全程
Cohere	10	RAG 4 ‧ 其餘各 1	實務 Python、streaming/API 形狀的題；遠端優先，明確測自主性
DeepSeek	10	LLM 內部 4 ‧ 微調 4	研究與系統並重。會直接問他們自己發表的論文
Moonshot AI (Kimi)	10	LLM 內部 4 ‧ 推論 2	長上下文系統為核心
Zhipu AI (GLM)	11	LLM 內部 5 ‧ 微調 3	架構 + 後訓練深度、RL 基礎設施、GUI agent 設計
Alibaba (Qwen)	10	LLM 內部 4 ‧ 微調 2	經典阿里結構：技術輪 + 主管交叉盤問輪 + HR；加上 Qwen 架構與多語言題
Sarvam AI	12	多模態/語音 3 ‧ 微調 2	印度語系 NLP 與 tokenizer 深度、受限硬體部署、政府/企業情境

大廠 AI 組織

公司	題數	主要考點	流程特色
Microsoft	10	Coding 2 ‧ 推論 2 ‧ 系統設計 2 ‧ 安全 2	Azure AI / Copilot 職缺加客戶架構輪
Amazon (AWS)	23	ML 基礎 12 ‧ 行為 3	每輪錨定 Leadership Principles，含 bar-raiser；Applied Scientist 加研究簡報
Apple	11	推論 4 ‧ 微調 2	裝置端與效率深度。保密制度下你可能面的是不能被告知的工作
NVIDIA	13	ML 基礎 4 ‧ 推論 3 ‧ Coding 3	CUDA/C++ 編碼 + roofline 推理 + LLM 推論深度
Tesla	11	ML 基礎 4 ‧ Coding 2	視覺與訓練管線深度 + 動手除錯輪
Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify	14	系統設計 8	形狀一致：ML 系統設計輪是勝負手；2024 後都加了 GenAI 輪

AI 基礎設施與平台

公司	題數	主要考點	流程特色
Databricks	9	Coding 5 ‧ FDE 情境 2	併發或資料密集的實務編碼 + Spark 內部
Groq	12	推論 5 ‧ Coding 4	編譯器 IR 設計、SRAM-only 機器的 roofline 與記憶體階層、單位經濟
Together AI	7	推論 3	推論效能深度 + 排程器/服務設計 + 分散式訓練除錯
Hugging Face	11	Coding 3 ‧ LLM 內部 3	函式庫內部深潛、維護者 code review 輪。你的公開 GitHub 紀錄真的被列入評估
Scale AI	12	評估 3 ‧ Coding 2	資料品質/標註設計輪 + 評估設計輪
Perplexity	15	系統設計 5 ‧ Coding 4	網路規模的檢索/排序設計；對自家 App 的產品品味被明確評估

AI 原生產品公司

公司	題數	主要考點	流程特色
Cursor (Anysphere)	17	Coding 5 ‧ 系統設計 5 ‧ Agent 2	在 Cursor 真實 codebase 上寫；兩天現場專案 onsite（或 8 小時遠端版）。scoping、自主性、AI 工具使用被明確評分
Cognition (Devin)	9	Agent 3 ‧ 系統設計 2	建 agent / 除錯 agent 的實作輪 + agent 評估輪
Sierra	12	Agent 3 ‧ 評估 3	兩小時建置，可用任何 AI 工具。核心訊號是「護欄該放哪裡的判斷力」
Harvey	11	安全 3 ‧ RAG 2	法律工作流架構簡報輪 + 評估設計輪。領域嚴謹性 > 演算法謎題
Glean	10	系統設計 3 ‧ RAG 2 ‧ Agent 2	權限與連接器系統輪
Character.AI	12	推論 4 ‧ 安全 3	推論經濟學深度 + 安全系統設計 + 產品輪
ElevenLabs	8	多模態/語音 3	即時音訊系統輪 + 語音模型深度 + 聲音複製的安全輪
Abridge	11	安全 3 ‧ 評估 2	臨床 ASR 深度 + 「很少有唯一正確的病歷」的評估設計輪 + 隱私合規
Figure AI	12	ML 基礎 3 ‧ 多模態 3	機器人學習（VLA、模仿、RL）+ sim-to-real + 安全架構
Waymo	12	ML 基礎 3 ‧ 系統設計 3 ‧ 評估 3	感知或規劃深度 + 模擬設計；資深職缺極重 safety case 推理
Palantir	20	Coding 7 ‧ FDE 情境 6	篩選 = 編碼 + SQL + API 三件；onsite 三輪抽自 decomposition / learning / coding / re-engineering / 系統設計。decomposition 是招牌輪

這張地圖告訴我的三件事

1. 「AI 工程師」不是一個職缺，是至少四種：推論效能（NVIDIA/Groq/Together/Character.AI）、RAG 與企業檢索（Glean/Cohere/Harvey）、Agent 產品（Cursor/Cognition/Sierra）、研究與後訓練（DeepSeek/Zhipu/DeepMind）。考點幾乎不重疊。
2. Coding 題仍然佔最大宗（Anthropic 12 題、Palantir 7 題），但形狀變了——漸進式加需求、真實 codebase、可用 AI 工具，考的是「在模糊需求下持續交付」而不是演算法。
3. 評估（Evaluation）已經是獨立的一輪（Scale AI、Sierra、Waymo、Abridge 都有專輪）。這和 工具-AI系統評估 的判斷一致：評估能力是 AI 工程最被低估的核心技能。

💬 原文摘錄

“Questions are compiled from publicly reported interview experiences. Nothing here is confidential. Interview loops change constantly and vary by team, level, and region, so treat each company section as a map of what that company cares about, not a script of what you will be asked.”

“Start with Common Questions Asked Across Companies. These are the questions that recur across many companies.”

🔗 相關

• 概念展開全在這裡 → AI 工程面試準備
• 決策層工具卡 → AI 工程
• 同屬「型錄式來源逐項展開」的做法 → 以太坊協議標準