技能介绍

面试准备的三个典型困境

AI 工程师面试准备中常遇到三类问题：概念看了就忘、综合题没思路、会写代码但讲不清复杂度。这些困境的本质不是“题量不够”，而是“理解未成体系”。比如 SGD vs Adam 如果只背结论，被追问“为什么自适应学习率能加速收敛”时就会卡壳；“随机森林 vs 神经网络”的选择题如果只记“树模型适合表格数据”，遇到“50 台服务器为何选随机森林”的综合题时就会答不全网络拓扑、数据规模、训练成本的权衡。

对比式记忆与三连问法：构建可追溯的知识体系

技能通过“三连问”重构每个概念：是什么、为什么这么做、换别的会怎样。例如在解释 GIL 限制多线程 时，需要先定义 GIL 是 CPython 的全局解释器锁，再对比多线程与多进程在 CPU 密集任务中的差异，最后追问“如果改用 PyPy 解释器是否还有 GIL”。这种追问方式强制建立概念间的对比关系，避免孤立记忆。

对于深度学习结论，技能要求用差异表替代单点记忆。比如 BatchNorm vs LayerNorm 需要列出适用场景、计算维度、超参数影响等维度，形成可对比的表格。这种结构化记忆在应对“为何 Transformer 用 LayerNorm 而非 BatchNorm”这类综合题时，能快速定位知识点并展开推理。

卡点自救流程：从“卡死”到“拆域”

遇到综合题卡死时，技能提供四级降级策略：

先退回单点概念，确保每个域基础题不丢分；
讲不清原理时，用“给外行讲”的方式重写一遍，再补数学；
某域连续错 3 题，加练 1 周并建立对比表；
所有错题进“薄弱清单”，标注错因（记忆/理解/临场），每周回看。

例如“访问网页涉及哪些域”这类综合题，需要拆解为网络（DNS、HTTP）、OS（进程/线程）、浏览器（渲染引擎）等模块，逐层回答。这种“拆域”思维能有效避免因综合题复杂度高而导致的整体卡顿。

结构化练习节奏：从“心里会”到“嘴上说得清”

技能提供两种学习节奏模板：在职备战（每天 2 小时，8-10 周）和离职冲刺（每天 6 小时，4 周）。核心比例是“新:复习:模拟 = 60:40:20”，周末做套题。特别要求每周至少 1 次开口模拟，避免“心里会嘴上说不出”。例如在复盘算法题时，需要强制口述时间/空间复杂度及优化思路，而非仅写代码。

适用边界：主动练习是前提

技能不保证 offer 结果，因为面试受多因素影响。其价值在于提供结构化的知识体系和练习方法，但依赖用户主动复盘错题、开口模拟和建立对比表。例如统计题中 p-value 的理解，需要先掌握“p-value=偶然概率”的直觉，再补公式推导，而非直接背公式。这种“先直觉后公式”的路径设计，本质是降低认知门槛，但最终效果仍取决于用户是否持续投入刻意练习。