GenAI岗位面试实录：面试官当场查Gemini出题，AI招聘乱象何解？

一次令人困惑的GenAI岗位面试经历

近日，一位刚从工科专业（B.E）毕业的应届生在Reddit上分享了自己应聘某教育科技（ed-tech）初创公司「GenAI训练师」岗位的面试经历。这段经历之所以引发广泛讨论，并非因为面试题有多难，而是因为它折射出当下AI人才招聘市场中一个普遍存在的错位现象。

教育科技行业是生成式AI应用的热门赛道之一，应用场景包括智能辅导、自适应学习、自动出题与批改、知识图谱构建等。然而，许多ed-tech初创公司在AI热潮中面临两难：一方面急需AI人才来构建产品竞争力，另一方面公司内部往往缺乏资深AI技术负责人来主导招聘和技术方向。这导致了一种常见的恶性循环——没有AI专家就无法准确评估AI候选人，无法招到合适的AI人才又进一步加剧了技术能力的缺失。部分公司甚至将「GenAI训练师」这一岗位定位为介于技术与内容之间的模糊角色，进一步加大了招聘双方的认知错位。

据这位求职者描述，面试是通过一位共同好友牵线安排的。在自我介绍环节，他详细阐述了自己在**RAG（检索增强生成）和多智能体系统（Multi-Agent Systems）**方面参与过的项目——这些恰恰是当前生成式AI应用开发中的核心技术方向。然而，面试官的反应却出乎意料。

RAG是2023年以来生成式AI应用开发中最核心的架构模式之一。传统大语言模型在回答问题时完全依赖训练时学到的参数化知识，容易产生"幻觉"（即生成看似合理但实际错误的内容），且无法获取训练数据截止日期之后的新信息。RAG通过在生成回答之前，先从外部知识库中检索相关文档片段，再将这些片段作为上下文注入到提示词中，从而让模型基于真实数据生成回答。这一架构涉及文本分块、向量嵌入、向量数据库存储与检索、重排序等多个工程环节，是当前企业级AI应用落地的主流方案。

多智能体系统则是指由多个具备不同专长或角色的AI智能体协同工作来完成复杂任务的架构。每个Agent可以拥有独立的系统提示词、工具调用能力和记忆机制，通过预定义的编排策略（如顺序执行、并行处理、层级调度等）进行协作。典型框架包括LangGraph、AutoGen、CrewAI等。相比单一Agent，多智能体系统能够处理更复杂的工作流，例如一个Agent负责信息检索，另一个负责代码生成，第三个负责质量审查。这一方向被视为从简单的聊天机器人走向自主AI工作流的关键演进路径。

面试内容与GenAI岗位需求的严重脱节

从RAG项目到质数编程题的巨大落差

令这位应聘者困惑的是，面试官并没有就他提到的RAG或多智能体系统进行深入追问，而是突然要求他「写一段求质数的代码」。紧接着，问题又跳转到一些基础的机器学习知识点：

• 写出激活函数（activation function）的公式
• 计算数据集的均值、中位数、众数

关于激活函数，它是神经网络中引入非线性变换的关键组件。如果没有激活函数，无论网络有多少层，其本质都只是线性变换的叠加，无法学习复杂的非线性模式。常见的激活函数包括Sigmoid（将输出压缩到0-1之间）、ReLU（修正线性单元，负值输出为0，正值保持不变）、Tanh（输出范围-1到1）以及更现代的GELU（高斯误差线性单元，被Transformer架构广泛采用）。虽然理解激活函数是ML的基础素养，但在GenAI工程岗位面试中，更实际的考察方向应是如何选择和调优预训练模型，而非手写公式。

这些问题本身并没有错，它们确实是ML基础知识的组成部分。但问题在于，这些内容与「GenAI训练师」这一岗位应有的能力画像存在明显偏差。一个真正需要RAG和多智能体经验的GenAI岗位，理应聚焦于向量数据库、提示工程、上下文管理、Agent编排等实际工程能力，而非停留在教科书式的基础概念考察。

具体而言，向量数据库（如Pinecone、Weaviate、Milvus、Chroma等）是RAG架构的核心基础设施，用于存储文本经过嵌入模型转换后的高维向量，并支持基于语义相似度的快速近邻检索。提示工程（Prompt Engineering）则是通过精心设计输入提示词的结构、指令和上下文，来引导大语言模型产生期望输出的技术实践。上下文管理涉及如何在有限的上下文窗口内高效组织检索到的信息、对话历史和系统指令。Agent编排则关注如何设计智能体的工具调用流程、状态管理和错误处理机制。这四项能力构成了GenAI应用工程师的核心技能图谱，也理应是此类岗位面试的重点考察方向。

面试官现场「查Gemini」出题的尴尬一幕

更令人啼笑皆非的是，据这位求职者观察，面试官竟然在面试过程中当着他的面，把简历内容输入到Gemini中，然后照着AI给出的建议逐条提问。

Gemini是Google推出的多模态大语言模型系列，具备文本理解、生成、推理等综合能力。面试官使用Gemini临时生成面试问题这一行为，折射出AI工具在职场中被滥用的一个侧面。虽然AI辅助招聘本身正在成为行业趋势（如AI简历筛选、AI面试评估等），但这些工具的合理使用前提是招聘方具备足够的领域专业知识来验证和校准AI的输出。当面试官完全依赖AI生成问题而缺乏独立判断时，实质上是将人才评估的核心决策权让渡给了一个并不了解岗位具体需求的通用模型。

这一细节颇具讽刺意味：一家招聘「生成式AI训练师」的公司，其面试官本人却缺乏对相关技术领域的独立判断能力，只能依赖AI工具来临时生成面试问题。这不仅暴露了面试官技术储备的严重不足，也反映出部分ed-tech初创公司在AI人才招聘上的准备仓促。

这反映了怎样的AI招聘行业乱象？

AI岗位「名不副实」已成普遍现象

随着生成式AI的爆火，大量公司急于在招聘中挂上「GenAI」「LLM」「Prompt Engineer」等热门标签，但许多企业内部并未真正建立起相应的技术评估体系。岗位名称与实际考察内容脱节，已经成为AI求职者频繁遭遇的痛点。

这一现象在整个科技行业并非首次出现。此前"大数据工程师""区块链开发者"等热门岗位同样经历过类似的泡沫期——企业争相设立岗位以显示技术前瞻性，但实际工作内容和面试标准却远未跟上岗位名称所暗示的技术深度。GenAI领域的不同之处在于，这一轮技术变革的速度远超以往，导致企业在人才定义和评估标准的建立上更加滞后。

对于「训练师（trainer）」这一职位，其定位本身也存在模糊地带——它可能指模型微调训练（fine-tuning），即在特定领域数据上对预训练模型进行参数调整以提升特定任务性能；也可能指企业内部的AI技能培训，即教授非技术人员如何使用AI工具；甚至可能只是数据标注相关工作，即为训练数据提供人工标注以用于RLHF（基于人类反馈的强化学习）流程。岗位描述的不清晰，往往导致面试双方的预期严重错位。

面试官能力与GenAI岗位要求的错配

这位应聘者在帖子最后自我怀疑：「是不是我的错，我应该提前复习一遍ML算法？」

从技术角度看，复习基础知识固然有益，但更值得反思的是招聘方的专业性。当面试官需要借助Gemini来临时生成问题时，说明这家公司可能并没有具备资格评估GenAI人才的内部专家。这类招聘流程不仅难以筛选出合适的人才，反而可能让真正有能力的候选人产生负面印象，错失优秀人才。

从行业实践来看，成熟的AI团队在面试GenAI工程师时，通常会采用分层评估策略：首先通过系统设计题考察候选人对RAG管道、Agent架构的整体理解；然后通过具体场景题（如"当检索结果与用户问题不相关时如何处理""如何评估RAG系统的回答质量"）考察工程判断力；最后才会涉及编码能力和基础知识。这种结构化的面试流程需要面试官本身具备深厚的领域经验，而这恰恰是许多急于入局的初创公司所缺乏的。

给GenAI求职者的几点实用建议

双向筛选：评估公司的AI技术成熟度

面试从来都是双向选择。当你发现面试官对你所提到的核心技术（如RAG、多智能体系统）毫无追问兴趣，反而纠结于与岗位无关的基础题时，这本身就是一个警示信号——这家公司可能并不清楚自己需要什么样的AI人才，也未必能为你提供有价值的成长环境。

在面试过程中，求职者可以通过一些策略性的问题来反向评估公司的AI技术成熟度：询问团队目前使用的技术栈（是否涉及LangChain、LlamaIndex等主流框架）、当前产品中AI功能的架构设计、团队中有多少人专注于AI工程、以及公司对模型评估和迭代的流程是怎样的。这些问题的回答质量，往往能比岗位描述更真实地反映公司的AI能力水平。

ML基础与前沿技术并重准备

尽管这次面试内容与岗位严重脱节，但对应届生而言，扎实的ML基础（激活函数、统计量、经典算法）依然是不可或缺的底盘。在准备GenAI相关面试时，既要能够深入讲清RAG、Agent等前沿项目的技术细节，也要能够从容应对基础概念的考察。两者并不矛盾，反而能体现候选人的技术全面性。

具体来说，GenAI岗位的知识准备可以分为三个层次：底层基础包括线性代数、概率统计、经典ML算法和深度学习原理；中间层涵盖Transformer架构原理、注意力机制、tokenization、嵌入模型的工作方式等LLM核心概念；应用层则是RAG管道设计、提示工程策略、Agent框架使用、模型评估方法（如RAGAS框架）、以及部署与性能优化等工程实践。理想的面试准备应覆盖所有三个层次，但时间分配上应更侧重于与目标岗位最相关的层次。

用项目经历讲出技术深度

对于有RAG和多智能体项目经验的应届生来说，最有力的竞争力在于能够清晰讲述项目背后的技术决策过程：为什么选择某种检索策略？如何设计Agent之间的协作机制？遇到了哪些工程挑战又是如何解决的？即便面试官没有主动追问，主动引导话题、展示深度思考，也能在合适的面试场景中脱颖而出。

例如，在描述RAG项目时，可以从以下维度展示技术深度：文本分块策略的选择（固定大小分块 vs 语义分块）及其对检索质量的影响、嵌入模型的选型对比（如OpenAI Embeddings vs 开源模型BGE）、检索策略的优化（混合检索、查询改写、HyDE等技术）、以及如何通过评估指标（如faithfulness、answer relevancy）来量化系统性能并指导迭代。这种从问题定义到方案选择再到效果验证的完整叙事，远比简单罗列技术栈更能打动有经验的面试官。

结语：错位的面试也是筛选公司的机会

这段面试经历虽然只是一次个人分享，却生动地反映了AI热潮下招聘市场的真实乱象：一边是求职者掌握着RAG、多智能体等真正前沿的GenAI技能，另一边却是准备不足、依赖AI工具临时应付面试的招聘方。

这种错位并非短期现象。随着生成式AI技术的快速演进，技术能力的定义本身也在持续变化。六个月前的前沿技术可能已经成为今天的基础配置，而新的范式（如MCP协议、函数调用标准化、多模态Agent等）又在不断涌现。这要求招聘方和求职者都保持持续学习的姿态，而不是固守某一时期的知识框架。

对于身处其中的AI求职者而言，与其为一次错位的面试自我怀疑，不如把它视为一次反向筛选公司的宝贵机会。真正值得加入的团队，一定能听懂你在说什么——也一定有能力评估你的真实水平。