AI Engineering Interview Questions Company Wise 研究筆記¶
資料來源¶
| 項目 | 連結 |
|---|---|
| GitHub repo | https://github.com/pallavi-shekhar/ai-engineering-interview-questions-company-wise |
| 維護者 | Pallavi Shekhar / Outcome School(付費 AI/ML 課程機構) |
| 姊妹 repo(按主題分) | https://github.com/amitshekhariitbhu/ai-engineering-interview-questions(3,163 stars) |
| 分析 commit | 14c0106 |
Metadata(2026-09-23 抓取):626 stars / 43 forks · Apache-2.0 · 建立於 2026-09-19，只有 8 個 commit，全部在同一天。整個 repo 就一份 2,047 行的
README.md加一張 banner。
專案概述¶
一份 README 形式的面試題庫，鎖定 AI Engineer、LLM Engineer、Forward Deployed Engineer、Inference Engineer 這類職缺。和一般「按主題分」的題庫不同，它按公司分，一家一段，每段固定三塊：
- Roles this covers：這家公司這批題目對應哪些職稱。
- Interview loop, as publicly reported：面試流程幾關、每關考什麼、大概多久。
- 題目：按 10~12 個主題分組(LLM 內部、推論與 GPU、RAG、Agent、微調、評估、安全、多模態、系統設計、Coding、行為面試、FDE 情境題)。
跨公司重複出現的題目抽到最前面的「Common Questions」，每題標出哪些公司問過，公司段落就不再重複。這個去重設計讓整份文件好讀很多。
規模與答案覆蓋率¶
| 區塊 | 題數 | 附答案 | 覆蓋率 |
|---|---|---|---|
| Common Questions(10 個主題) | 119 | 81 | 68% |
| 各公司專屬題 | 479 | 151 | 32% |
| 合計 | 598 | 232 | 39% |
題數最多的幾家：Anthropic 37、OpenAI 31、Meta 26、Amazon 23、Google 22、Palantir 20、Cursor 17。Waymo、Figure AI 各 12 題，一題答案都沒有。
答案全部連回作者自家內容：outcomeschool.com 部落格、Outcome School YouTube、作者 LinkedIn 貼文。沒有任何連到論文、官方文件或第三方文章的答案。所以這份 repo 實質上也是 Outcome School 的導流入口，答案品質要去看他們的部落格才知道。
公司分區怎麼涵蓋¶
| 分組 | 公司 |
|---|---|
| Frontier AI Labs | Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、Moonshot(Kimi)、Zhipu(GLM)、Alibaba(Qwen)、Sarvam AI |
| Big Tech | Microsoft、Amazon、Apple、NVIDIA、Tesla、Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify 合併一段 |
| AI Infra / 平台 | Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity |
| AI-native 產品 | Cursor、Cognition、Sierra、Harvey、Glean、Character.AI、ElevenLabs、Abridge、Figure AI、Waymo |
| Forward-Deployed | Palantir |
值得一看的內容¶
1. 面試流程描述比題目本身更有用¶
每家公司的流程摘要很具體，看得出各家在測什麼：
- Anthropic：recruiter screen 本身就會刷人 → CodeSignal 式 70~90 分鐘、一題分四層遞進 → 約五關 onsite(專案深挖、coding、系統設計、價值觀)。有些 MLE 流程加了「給你 Claude，看你怎麼指揮和驗證它」的 AI 協作關。
- Cursor：直接在 Cursor 真實 codebase 上寫資料結構，最後是兩天到場(或 8 小時遠端)在真 code 上做一個功能，明確評分 scoping、自主性和 AI 工具使用。
- Meta：2026 年部分流程加了三段式 AI 輔助 coding 關(找 bug 修掉 → 加功能 → 擴充系統)。
- Palantir：招牌是 decomposition 關，把「貨運鐵路每年因機車故障損失數千萬」這種模糊問題拆成工程計畫。
- Hugging Face：你的公開 GitHub 紀錄真的會被當成評估的一部分。
共通趨勢很明顯：「AI 協作能力」正在變成獨立的面試關卡，而且越來越多公司用「需求逐步加碼」的實作題取代 LeetCode。
2. Anthropic 的 coding 題偏「長出來的需求」¶
幾題代表性的：
- 做一個 in-memory database：先 SET/GET/DELETE，再加 filtered scan，再加 TTL，最後做 file compaction。
- 寫 rate limiter，每十分鐘加一個需求(per-tenant、burst、sliding window)，問你怎麼不讓 code 崩掉。
- 對 5 萬份文件跑 LLM call，API 限 ~100 併發、偶爾 429 和 timeout，用 Python 寫出來。
這類題考的是程式在需求變動下的可維護性和併發處理，和 LLM 知識關係不大。
3. 系統設計題很貼近各公司產品¶
- Cursor：設計 tab 補全(感知延遲 < 100 ms)、100k 檔 monorepo 的索引怎麼保持新鮮、模型在串流多檔編輯時使用者還在打字怎麼辦。
- Anthropic：「對 Claude Code 這種 coding agent，模型和 harness 哪個比較重要？設計這個 loop」。
- Palantir：為什麼 agent 要架在 ontology 上而不是直接讀資料表和文件。
就算不是要去面試，這些題目拿來當「這家公司的核心工程難題」的索引也很好用。
要注意的地方¶
題目來源無法驗證
README 只說題目「compiled from publicly reported interview experiences」，但沒有任何一題附出處(沒有 Glassdoor、Blind、Reddit 或部落格連結)。流程細節像「recruiter screen ~30 分鐘」「2 天 onsite」也一樣沒來源。有些題目很像編者自己依公司產品改寫的情境題，例如 Anthropic 那題「企業客戶說 Claude 幻覺太多，你前 48 小時做什麼」。當成「這家公司可能在意什麼」的地圖比較合適，別當成真實考古題。
- 非常新：2026-09-19 才建立，四天內衝到 626 星，內容還沒經過社群校正，也沒有 issue 或 PR 討論。
- 答案覆蓋不均：通用題有七成附答案，公司專屬題只有三成，而最有特色的往往是那些沒答案的公司專屬題。
- 答案來源單一：全部導回 Outcome School，沒有交叉比對的機會。
怎麼用¶
- 先刷 Common Questions 的 119 題，這部分答案最完整，也是跨公司最常考的基礎(attention、KV cache、RAG、agent loop、eval)。
- 挑目標公司讀流程摘要，決定要準備哪幾種關卡。
- 公司專屬題當成自我檢查清單，答案自己去找一手資料(論文、官方工程部落格)補。
相關筆記¶
| 筆記 | 關係 |
|---|---|
| System Design Primer | 傳統分散式系統設計面試的基礎，這份題庫的「AI System Design」題也常需要這層功底 |
| AI Engineering from Scratch | 題庫裡 LLM 內部、推論優化這類題目的系統性學習路徑 |
| AI Job Search / Career-Ops | 求職流程的另一端：找職缺、客製履歷、面試演練 |