双链接合并阅读报告

AI PhD 产业求职复盘：从 Alisa Liu 的 57 场面试看顶级 AI Lab 入场券

基于 Phoenix Yin 的 X 长帖和 Alisa Liu 的博客《Notes on the Industry Job Search》。公开页不全文转载原文，重点做结构化摘要、职业策略分析和行动清单。

报告日期：2026-06-25 主题：AI PhD 求职 / Research Scientist / MTS 结论：求职本身已经变成一项全职研究工程

一句话结论：Alisa Liu 的复盘最有价值的地方，是把顶级 AI Lab 求职从“玄学与人脉”还原成一个可准备、可拆解、但极消耗体力的系统工程：研究标签负责打开门，ML/coding/technical discussion 负责通过筛选，offer negotiation 决定最终收益，而情绪与精力管理贯穿全程。

来源信息

Phoenix Yin X 帖	https://x.com/phoenixyin13/status/2068923301355774385
Alisa Liu 博客	https://alisawuffles.github.io/blog/job-search/
博客发布时间	2026-06-20
本地保存	已保存 X JSON 与博客 Markdown 到本地 `source/reports/alisa-job-search/`

两份材料各讲什么

Phoenix Yin 的作用

这条 X 长帖像一篇中文导读：先祝贺 Alisa Liu 加入 OpenAI，再解释她的 UW NLP、OpenAI SuperAlignment Fellowship 和代表性研究背景，并指出博客对 AI Lab 求职者有参考价值。

Alisa 博客的作用

博客是第一手求职复盘：覆盖时间线、面试类型、准备方法、谈判过程和心理成本。它的稀缺性在于数字和细节足够具体，不是泛泛而谈。

合在一起看

Phoenix 帮读者定位“为什么这个人和这篇复盘值得读”；Alisa 则提供“如果你也要冲顶级 AI Lab，实际会经历什么”。

最重要的信号

顶级 AI Lab 的筛选不是只看论文。论文和推荐让你进流程，技术面、ML coding、研究判断、沟通和谈判能力决定最终结果。

关键数字

指标	数字	含义
正式面试公司	11 家	流程广度很高，说明候选人需要同时管理多个 pipeline。
正式面试	57 场	求职不是“投简历等结果”，而是持续数月的高强度执行。
Recruiter calls	46 场	信息交换、流程推进和关系维护本身就是工作量。
Post-offer chats	16 场	拿到 offer 之后并未结束，团队匹配和谈判同样关键。
博士背景	UW NLP，6 年 PhD	研究标签和持续方向积累是进入流程的基础。

面试结构

Alisa 把面试类型拆成 ML coding、general coding、technical discussion、research discussion、behavioral、math 和 job talk。这里最值得注意的是：产业研究岗并不只是学术报告。技术基础、工程实现、实验设计、领域广度和行为面试都会被系统性考察。

对 AI PhD 来说，最容易低估的是 ML coding 和 general coding。博客明确提醒，PyTorch 熟练度是必需品；LeetCode 式基础也会和 ML coding 交叉出现。换句话说，研究能力是入场券，但执行能力才是面试桌上的硬通货。

准备方法

1. 把面试当课程补课

她把不同面试看成不同小课程：你可能只有几天时间快速补齐面试范围。准备不是泛泛刷题，而是围绕公司、团队和面试描述定向复习。

2. 从基础重建知识图谱

她提到 Stanford CS336、transformer 实现、LLM 笔记和数学笔记。重点不是背答案，而是把散落概念组织成能临场调用的结构。

3. 关闭 AI 辅助练习

这是一个很现实的提醒：面试环境不一定允许 AI 辅助，平时过度依赖会让真实 coding 能力被高估。

4. 面后记录

每次面试后立刻记录问题、表现和缺口。长期流程里，这些记录会变成下一轮准备的反馈系统。

谈判阶段

博客对 negotiation 的描述很清醒：拿到 offer 之后，工作还远没结束。候选人要同时理解团队、管理沟通、校准市场价格、准备 recruiter call，并在不泄露过多信息的情况下争取条件。

这对中国读者尤其重要。很多技术型候选人容易把求职理解为“技术过关就行”，但 Alisa 的经验说明，offer 后阶段能产生相当于多年工作的经济差异。谈判不是贪心，而是理解市场机制后的理性动作。

职业策略判断

问题	判断
研究方向重要吗？	重要。Phoenix 特别提到 WANLI、Proxy Tuning、Tokenizer Attack 和 tokenization 工作，说明清晰研究标签能帮助外界快速理解候选人的差异化。
人脉重要吗？	重要，但不是“关系替代能力”。博客强调合作、会议社交、老朋友 reconnect 和内部推荐，本质是让机会进入你的可见范围。
准备能否临时抱佛脚？	不能完全靠临时准备。可以短期冲刺，但真正有用的是长期研究积累、技术基础和可讲清楚的方向判断。
AI Lab 求职的隐藏成本是什么？	精力、情绪和沟通成本。Alisa 明确写到压力、比较、不确定性和生活功能受影响，这部分常被成功叙事淡化。

给候选人的行动清单

提前 6-12 个月沉淀一个清晰研究标签，让别人能一句话理解你解决什么问题。
把 PyTorch、transformer from scratch、decoding、backprop、parallelism、RLHF/RL 基础列成硬技能清单。
准备 3 套叙事：研究 pitch、技术讨论案例、behavioral 故事库。
面试前按公司和团队定制复习，而不是只做通用刷题。
每场面试后记录题目、卡点、缺口和下一步复习项。
offer 前就收集谈判信息：市场价、团队选择、期限、竞品流程、可说与不可说的信息。
给自己安排恢复窗口。顶级流程消耗很大，精力管理不是软问题。

对 AI 产业的信号

这两份材料放在一起，也反映了 AI 人才市场的变化。顶级 Lab 正在寻找能把研究、工程实现和模型系统理解结合起来的人。纯学术论文、纯 LeetCode、纯工程履历都不是完整答案；更稀缺的是能在模型前沿问题上形成判断，并把判断落到代码和实验的人。

Alisa 的经历也说明，AI PhD 求职越来越像一个高复杂度项目：pipeline 管理、知识准备、面试复盘、谈判策略和情绪管理都要同时在线。对后来者来说，最值得学习的不是“她去了哪里”，而是她如何把一个模糊过程拆成可执行步骤。

原文入口

公开页不全文转载两份原文；完整抓取内容已保存到本地。下面保留来源入口和极短摘录。

Phoenix 摘录：她把整个 job search 过程写得超级透明。

Alisa 摘录：the job search is a full-time job.

X 长帖	Phoenix Yin / 2026-06-22
博客原文	Notes on the Industry Job Search / 2026-06-20