2025年华为AI软件岗的面试，跟两三年前比确实变了不少。以前重点在于机器学习基础、深度学习原理，再配点手撕代码；现在大模型全面渗透到考题里，LoRA、RAG、Agent、推理加速这些几乎成了必问项。我陆续带过几个师弟师妹走完整个流程，自己也复盘过大量真题，这篇文章会把高频考点、机试规则、项目深挖思路和容易翻车的细节全部摊开讲，如果你正在准备华为AI软件岗（校招、社招、OD都适用），可以直接照着梳理。
1. 华为AI软件岗的岗位画像与面试全局拆解
1.1 华为AI软件岗到底做什么
投简历之前，先把岗位方向搞清楚。对外都叫“AI软件岗”，但内部方向差异很大，面试官问的问题也完全不同。我按实际工作内容大致分三类：
- AI算法工程师：做模型训练、调优、精度提升，偏算法研究和模型创新。面试重点在机器学习、深度学习理论、论文复现、训练策略。
- AI软件开发工程师：做训练/推理框架、算子开发、性能优化、工具链建设。面试重点在C++/Python、昇腾CANN、MindSpore、推理加速。
- AI平台/工程化工程师：做MLOps、模型部署、数据平台、云上服务。面试重点在容器、K8s、微服务、分布式训练、模型服务化。
这三类岗位在华为里面对应的部门也完全不同，像2012实验室（诺亚方舟、中央软件院）、Cloud BU、昇腾计算产业、车BU，还有各种研究所的AI能力中心。同一个Title，在算法部门做模型压缩跟在平台部门做推理引擎，完全是两种面试风格。你准备的时候一定要先问清楚自己投的具体岗位JD是偏哪个方向，别拿着算法题去面算子开发。
1.2 面试流程与各环节筛选逻辑
华为的面试流程相对标准，但不同招聘类型有细节差异。我按类型拆开说。
校招（含实习生转正）通常是：机试 → 技术一面 → 技术二面 → 主管面 → HR面 → Offer审批。
社招通常是：技术面（一般1-3轮） → 主管面 → HR面 → 薪酬沟通，部分岗位要求先做线上编程测评。
OD（华为外包研发岗）流程是：机试（OD C卷） → 技术一面 → 技术二面 → 主管面 → HR资格面试。
这里面机试非常重要，虽然不直接决定定级，但是一轮不过直接刷掉，后面所有环节都不用想了。OD机试现在已经用新系统双机位监控，题目来源和难度都跟以前不一样了，后面我会专门讲。
技术面的筛选逻辑其实很清晰：一面看基础扎不扎实，二面看工程能力和项目深度，主管面看综合素质、沟通方式、抗压能力，HR面看薪资匹配和稳定性。很多人只准备技术题，结果挂在主管面和HR面，太可惜了。主管面其实不考硬核技术，但会问你对华为文化的理解、团队协作的案例、遇到冲突怎么处理，这些提前准备几个故事很重要。
2. 机试环节：OD机试与算法考点全拆解
2.1 机试规则与准备工作
先泼一盆冷水：机试是淘汰率最高的一环。不是因为题多难，而是很多人平时习惯了IDE自动补全、本地调试、直接看LeetCode函数签名，一上机发现是ACM模式，输出格式不对就是0分，心态直接崩。
华为机试的典型规则是：两道100分题 + 一道200分题，满分400分，一般150分通过（部分部门要求160-180分），考试时长2.5小时左右。新系统双机位监考，前摄像头照脸，侧后方摄像头照屏幕和手部，切出浏览器、开启屏幕共享都会被检测。所以考前一定要做好这些准备：
- 提前熟悉牛客网或华为OJ的ACM输入输出模式，尤其是
input()、split()、map(int, ...)这些Python写法，或者C++的cin/cout循环读取。 - 准备好本地IDE和调试模板，考试时直接复制基础模板，省出时间。
- 确保网络稳定，最好用有线网络，别用公共WiFi。
- 双机位要求手机或副设备有支架，提前把机位调好，别等考试了再摆。
我见过太多人挂在输入输出上。比如题目给的是“第一行输入n，第二行输入n个整数”，他直接写nums = list(map(int, input().split()))，没处理多行输入，导致部分用例过不去。正确的做法是写一个通用的read_nums()函数，把标准输入循环读进来再处理。
2.2 高频算法考点清单
根据近两年华为机试真题和大量题库复盘，我把考点分成三档，按照出现频率排列：
| 优先级 | 考点 | 典型题型 | 练习建议 |
|---|---|---|---|
| 第一档 | 字符串处理 | 字符串分割、子串匹配、简单加密解密 | 牛客网华为OD题库，每天刷10道 |
| 第一档 | 动态规划 | 背包、最长递增子序列、编辑距离、路径计数 | 力扣动态规划专项，理解状态定义和转移方程 |
| 第一档 | 贪心算法 | 区间调度、跳跃游戏、任务分配 | 刷力扣贪心标签前20题 |
| 第二档 | DFS/BFS | 岛屿问题、网格遍历、二叉树路径 | 掌握回溯框架，注意剪枝和visited标记 |
| 第二档 | 二分查找 | 有序数组查找、二分答案（最小值最大化/最大值最小化） | 注意边界条件，left < right还是left <= right |
| 第二档 | 数据结构 | 栈、队列、优先队列、哈希表的应用 | 熟悉Python的deque、heapq、defaultdict |
| 第三档 | 图论 | 拓扑排序、最小生成树、最短路径 | 掌握Dijkstra、Prim/Kruskal、拓扑排序模板 |
| 第三档 | 数学 | 最大公约数、素数判断、快速幂 | 刷基础数学题，背模板 |
200分的大题一般难度较高，经常是“复杂场景模拟 + DFS + 贪心”的组合题，比如“给定地图和多个任务点，求最短路径或最优调度方案”。这类题对读题能力要求很高，一定要先把输入输出示例看清楚，再动手。
我准备机试时的思路是分三轮：
- 第一轮（考前15天）：专项刷题，按上面表格的考点逐个击破，每天至少两新两旧，重点理解套路而不是背答案。
- 第二轮（考前7天）：整套模拟，严格按2.5小时做牛客网的华为机试真题套题，培养时间分配能力。一般建议前两道简单题30分钟内做完，给最后一道大题留足1小时。
- 第三轮（考前3天）：只看错题和高频模板，不再刷新题。把快速幂、进制转换、滑动窗口、前缀和这些模板背熟。
这里有个关键技巧：华为机试是允许带纸质笔记的（线上机试很难查纸质资料但本地IDE可以用），但你要提前把模板整理成代码片段放本地，别靠临场记忆。
3. 技术面核心考点：从机器学习到大模型全覆盖
3.1 机器学习基础高频题
华为AI软件岗技术面，机器学习基础是必问项，尤其算法岗。面试官不是考你背概念，而是通过连环追问看你有没有真正理解。我整理几个最高频的：
损失函数为什么用交叉熵而不用MSE：这是绝对高频。核心点在于Sigmoid + MSE会导致梯度消失（当输出接近0或1时，sigmoid梯度趋近0，再乘上误差也很小），而交叉熵和sigmoid组合时梯度形式是(预测值 - 真实值)，误差越大梯度越大，收敛更快。你可以从导数推导角度讲清楚，比背结论有说服力。
优化器怎么选，SGD、Adam、AdamW有什么区别：面试官常让你比较这些。SGD收敛稳定但调参难，Adam自适应学习率收敛快但泛化性有时略差，AdamW把weight decay从梯度里拆出来（解耦权重衰减），大模型训练基本都用AdamW。要能说清楚为什么大模型不用SGD：训练数据规模大，SGD收敛太慢，而且AdamW对学习率的鲁棒性更好。
如何解决过拟合：这个问题看着简单，但注意别只背正则化、Dropout、数据增强这些关键词。更好的回答是分情况：数据量不足时优先考虑数据增强和迁移学习；模型复杂度过高时用正则化和Dropout；训练过程中观察训练集/验证集loss，用早停；如果验证集loss持续上升，还要考虑是不是学习率太大、batch size太小导致震荡。把“怎么判断过拟合”和“不同阶段用什么手段”结合起来，面试官会认为你有实战经验。
AUC和F1的区别，什么时候用哪个：这个要结合业务场景。正负样本不平衡时，F1会受阈值影响，AUC是排序指标对阈值不敏感。但AUC也有坑：当样本极度不均衡（比如正样本占比不到1%），AUC可能虚高，这时要结合PR曲线。如果你在华为做过质量检测、故障预测这类场景，会更有说服力。
GBDT和XGBoost的原理区别：XGBoost加了二阶导数、正则项、列抽样、缺失值处理。要能推导XGBoost的目标函数泰勒展开到二阶，并解释为什么用二阶比一阶更准确。这里面试官可能会追问LightGBM，主要是直方图算法、Leaf-wise生长策略，这些也得准备。
3.2 深度学习与Transformer高频题
深度学习部分，重点已经从CNN/RNN转向Transformer。但基础的CNN问题仍然会出现，尤其是跨岗位面算法工程师的时候。
手推反向传播：这是经典送分题，也是送命题。面试官会在白板上给一个两层神经网络，让你推导loss对w1和w2的梯度。平时最好自己完整推导一遍，不要只会用框架。华为的面试官很喜欢在推导过程中追问“为什么这个梯度是连乘的”“如果激活函数换成ReLU，梯度哪里会变”。
BN和LN的区别：要回答清楚BN是在batch维度上做归一化，LN是在特征维度上做归一化。Transformer里用LN不用BN的核心原因是：NLP任务序列长度动态变化，batch size较小，BN统计量不稳定；LN和序列长度无关，且适合处理变长输入。另外LN在训练和推理时行为一致，不需要维护全局统计量。
Transformer的self-attention为什么要除以sqrt(d_k)：这个问得特别多。直接从方差解释：Q和K的点积结果方差会随着维度d_k增大而增大，极端情况下softmax输入分布过于尖锐，梯度趋近0。除以sqrt(d_k)是为了把方差拉回1，让softmax梯度更稳定。你要能画出流程并手写一个简单的attention代码。
Multi-head Attention的作用是什么：多头可以让模型在不同子空间学习特征，相当于多视角关注。如果你想回答得更深入，可以补充：多头之间的信息可以互补，有的头关注局部依赖，有的头关注长距离依赖，还提供了类似集成的效果。
了解KV Cache吗，为什么推理时要缓存：这个几乎是2025年所有大模型岗位的必问项。因为自回归解码每个token都要重新计算之前的K和V，缓存下来能把复杂度从O(n²)降到O(n)，节省重复计算。面试官还会追问：KV Cache占用多少显存、长上下文场景怎么优化（比如PagedAttention、KV量化、Sliding Window）。
3.3 大模型与AIGC实战考点
2025年的大模型面试题已经非常成熟，不是简单问“什么是Transformer”，而是深入到PEFT、RAG、Agent、推理加速这些工程实践。
LoRA的底层原理是什么，为什么要用LoRA：回答这个问题要记住“冻结预训练权重，注入低秩矩阵”。LoRA假设微调时权重的更新量是低秩的，用两个小矩阵A和B来拟合ΔW，训练时只更新A和B。它最大的价值是显存友好、部署时可以将AB矩阵合并回原权重、支持多任务低成本切换。面试官会追问“LoRA的秩r一般取多少”“跟QLoRA的区别是什么”，你要准备好。
你了解RAG吗，完整的RAG流程是什么样的：给一个标准回答链路：文档解析 → 分块（Chunking） → 向量化（Embedding） → 写入向量库 → 用户query向量化 → 相似度检索 → 拼接Prompt → LLM生成。然后要说清楚每个环节的坑：分块大小怎么定、混合检索（稠密+稀疏）什么时候有用、重排序（Rerank）在什么样的场景必须加、检索结果太多导致上下文中“迷失在中间”怎么办。
Agent是什么，和普通对话模型有什么区别：Agent是“有工具、有目标、能自主决策”的系统。核心组件包括LLM主脑、工具调用（Function Calling/Tool Use）、记忆模块、规划模块。面试官会问：你了解哪些Agent框架（LangGraph、AutoGen、MetaGPT、字节的Coze）；Function Calling的原理是什么；Agent在真实落地中最大的问题是什么（幻觉、错误传播、多轮工具调用累积误差、成本失控）。
RLHF和DPO的区别：RLHF用奖励模型 + PPO，训练不稳定，需要4个模型（Actor、Critic、Reward、Ref），工程复杂；DPO直接使用偏好数据做监督式微调，把对齐问题转化为分类问题，简单高效。近两年DPO类的开源项目很多，华为内部做模型对齐也会考虑DPO，这块最好结合论文把公式推导写出来。
大模型推理速度慢，你怎么优化：这题需要系统化回答，最好从多个层面给方案：模型层面做量化（FP16→INT8→INT4）、蒸馏、剪枝；推理框架层面用vLLM、TensorRT-LLM、MindIE（昇腾推理引擎）；系统层面用PagedAttention管理KV Cache显存、Continuous Batching提升吞吐、模型并行/张量并行；算法层面用KV Cache量化、投机解码（Speculative Decoding）。
3.4 AI工程化与华为技术栈
这部分比较特殊，是华为面试区别于其他公司的点。如果你不熟悉昇腾、MindSpore，或者只是听说过没有实际用过，也要了解基本概念，因为面试官很可能会问。
昇腾和GPU有什么区别，了解CANN吗：简单来说，昇腾是华为的AI处理器（Ascend NPU），和英伟达GPU在生态上有所不同。CANN是昇腾的计算架构，相当于CUDA在NVIDIA生态中的位置。如果面试官问“把PyTorch模型迁移到昇腾需要做什么”，你可以讲：优先用昇腾的PyTorch适配框架（torch_npu）做算子映射；如果遇到不支持的算子，需要用Ascend C或TBE开发自定义算子；性能优化可以使用混合精度、算子融合、内存复用等手段。这里不要求你特别深入，但至少能说出迁移的基本路径和可能遇到的坑。
MindSpore和PyTorch的区别：MindSpore是华为自研深度学习框架，它有一个特点：静态图模式（Graph Mode）性能好，动态图模式（PyTorch风格）调试方便，支持两种模式切换。面试官会问“你了解MindSpore吗”，你最好能说出MindSpore在昇腾上的优化，以及它的AMCT（模型压缩工具）、MindIE（推理引擎）。
如果让你部署一个LLM服务，你怎么设计架构：这种题考察工程思维。你可以说：训练/微调完成后导出为ONNX或MindIR格式；用vLLM/MindIE做推理服务，开启动态batching和显存管理；外挂向量数据库实现RAG；用K8s管理多副本弹性伸缩；用Prometheus采集GPU/NPU利用率、推理延迟、吞吐；在服务前面加一层API Gateway做限流和负载均衡。华为云上对应的是ModelArts + 云容器引擎 CCE + GaussDB（用于存储业务数据），如果能把这些问题串起来说，面试官会很认可。
4. 项目深挖与手撕代码实战
4.1 项目讲解的核心思路
技术面问项目，很多人最大的问题是讲得没重点。要么一直背细节，面试官听不出你的贡献；要么讲得太宏观，全是“我们使用了XX模型，效果不错”，面试官深度问下去就露馅。
我建议按这个框架来组织项目讲解：
- 项目背景（50字内讲清楚）：业务场景是什么，为什么要做这个项目，解决谁的什么问题。
- 我的职责（明确边界）：是整个项目负责人还是核心模块开发者，负责哪部分，避免面试官以为所有工作都是你做的。
- 技术难点（要有具体细节）：我在做的时候发现什么难处，比如数据质量差、显存不够、推理延迟超标、模型效果一直上不去。
- 我的解决方案：针对每个难点用了什么方法，为什么选这个方法，试过哪些方案没成功，怎么定位问题的。
- 量化结果：用数字说话，比如“准确率从85%提到92%”“推理延迟从300ms降到80ms”“显存占用减少40%”。
- 沉淀与反思：项目里踩了哪些坑，如果重新做一次会怎么改进。
面试官对项目的关注点其实只有两个：一是你是不是真的做过、真的理解；二是你做项目时的思考深度。所以你准备项目时，不需要把整个项目代码背下来，但一定要能把“为什么这么做”讲清楚。
4.2 最容易翻车的追问点
根据我观察到的真实面试场景，以下追问最致命：
“你这个模型的效果为什么比baseline好？好在哪里？”
很多人答“因为用了XX模型，效果就是好”，这种回答直接被判没有思考。正确思路是分维度分析：我们做了消融实验，去掉某个模块后指标掉了多少；误差分析显示模型在哪个类别上提升最大；数据层面做了什么清洗和增强。要能说出“好在哪里”的量化分析。
“你的模型在训练的时候loss曲线长什么样？出现过nan吗？怎么处理的？”
这个问题直接筛掉没真跑过模型的人。你要说出真实的训练经历，比如“出现过loss为nan，排查发现是学习率太大、导致梯度爆炸，后来把学习率从5e-4降到2e-4，并在前500步加了warmup就稳定了”。如果没有真实经历，千万不要编，面试官会一直追问细节直到你露馅。
“如果线上数据和训练数据分布不一致，怎么办？”
这个问题考的是领域泛化和模型监控能力。你可以说：上线前做数据分布检查（PSI），监控推理结果的置信度分布；收集线上badcase持续迭代训练数据；引入增量学习或定期重训练机制；根据业务指标设置告警，比如准确率或平均置信度下降到阈值就触发警报。
4.3 手撕代码题目类型
华为技术面手撕代码一般不会太难，但很看基本功。常见类型包括：
- LeetCode热题：两数之和、反转链表、LRU缓存、最长回文子串、二叉树的层序遍历。
- 拓扑排序类：课程表、任务调度。
- 二分/双指针：寻找旋转排序数组中的最小值、合并区间。
- 简单DP：爬楼梯、打家劫舍、最大子数组和。
除了LeetCode题，有些面试官会让你现场实现神经网络核心组件，比如：
- 手写一个softmax + cross entropy loss（要求数值稳定，减去最大值）。
- 手写一个LayerNorm（考虑均值和方差计算、可学习参数）。
- 手写一个multi-head self-attention（用PyTorch或numpy）。
- 手写一个简单的反向传播过程（给定数学表达式，求梯度）。
这些题目考察的是你对深度学习底层实现的理解。平时自己写一遍很重要，不要只是调库。比如手写LayerNorm，很多人会在“归一化维度”“可学习参数gamma和beta”这些细节上出错。
5. 常见问题与避坑实录
5.1 机试与简历环节的坑
简历写了精通TensorFlow/PyTorch，结果被问框架源码，直接答不上来
这是简历“过度包装”的典型教训。如果你写“熟悉PyTorch”，至少要能回答：DataLoader的collate_fn是干嘛的；model.train()和model.eval()到底有什么区别；分布式训练里DDP和DP有什么区别。这些是最低要求，写上去就必须能扛住追问。
机试不熟悉ACM模式，题目会做但输入输出写错
前面说过了，这是机试最常见的失分点。无论是校招还是OD，考前一定在牛客网或华为OJ上练几套题，养成自己写readline()循环的习惯。
OD机试被双机位监考环境干扰
我听一个朋友说过，新系统双机位C卷对设备要求挺高，有人因为摄像头角度不对被判定异常。解决方案是：考前仔细看通知，按规范摆好设备；开考前用官方提供的环境检测功能测试；千万不要抱侥幸心理开小窗查资料，这东西确实能检测到。
5.2 技术面与主管面避坑
技术面遇到不会的问题，千万不要硬扯
面试官都是做技术的，你说的是真懂还是编的，一问便知。正确策略是：先坦诚说明这个知识点不太熟，然后把相关的、你懂的部分讲出来，最后表示会去学习。比如面试官问“TensorRT为什么比PyTorch快”，你说“我不太了解TensorRT的底层细节，但我知道深度学习推理加速一般有几个层面：算子融合、精度校准、显存复用……”。这样做至少展示了你的逻辑和分析能力。
主管面不要说前公司坏话
主管面主要考察价值观和稳定性，无论你之前离职原因是什么，都不要抱怨前公司leader、加班文化或同事。最好把离职原因往个人成长方向引，比如“想接触更大规模的业务”“希望从事更核心的AI方向”“对昇腾生态很感兴趣，希望加入做底层优化”。
HR面谈薪时不要只给一个数字
华为薪酬结构比较复杂：基本工资 + 绩效 + 年终奖 + 股票/分红（部分级别），OD还有转正机制。谈薪时不要只给一个数字，可以给一个合理范围（比如“我希望现金部分在30-40万之间，具体可以看定级和包的总包”），同时要了解目标部门过去的薪酬水平。重点来了：腾讯、字节、阿里这些公司给的offer以及paper情况都可以作为谈薪筹码，但要客观，别虚报。
5.3 华为AI岗位准备的时间线建议
如果你打算投2025年的华为AI软件岗，我建议你把时间线拉长到三个月：
- 第一个月：系统刷机试真题 + 梳理机器学习/深度学习基础 + 手写Transformer和反向传播。
- 第二个月：研究大模型技术栈（LoRA、RLHF/DPO、RAG、Agent、vLLM），跟一个完整的实战项目，比如用开源模型做RAG问答系统，或者对LLaMA做LoRA微调。
- 第三个月：复盘项目，准备面试话术，整理高频问题的“我自己的回答”，做3-5场模拟面试。
关于模拟面试，这里真的强烈建议找人陪你练。你自己看题觉得自己都会，但一开口表达出来就是两回事。找同龄人互相练也行，或者找有经验的朋友当面试官，重点练“30秒说清楚项目背景”和“画图讲Transformer”。
5.4 最后再分享一点个人体会
我自己接触华为面试最大的感受是：华为的面试官非常看重“你有没有真的做过”。任何停留在概念层面的东西，只要被追问几句就现原形。所以准备面试时，与其背一百道题的答案，不如深挖两三个项目，把它从头到尾的细节、量化指标、踩坑经历都理顺。这样无论是机试、技术面、主管面，你都能展现出“这个人能上手干活”。
另外特别提醒一下，2025年这个节点，大模型方向的热度还在持续走高，华为昇腾生态也在快速扩张，很多部门在AI软件岗的招聘需求非常大。你要是对昇腾、MindSpore、ModelArts这些华为自研技术栈有实际经验，绝对是加分项。如果还没接触过，至少去华为云官网上跑一个MindSpore的入门教程，或者用ModelArts做一次模型训练/部署，把流程走一遍。面试时能说出“我用过ModelArts训练过一个模型并部署上线”，比单纯说“我了解华为云”强太多。
最后一个小技巧：面试结束前，面试官通常会问“你有什么问题要问我”，别浪费这个机会。问“目前团队在AI方向的主要业务是什么”“团队在昇腾上的技术栈是怎样的”“这个岗位入职后三个月内最重要的目标是什么”，会显得你很专业、很想加入。别问“加班多不多”“有没有加班费”这类问题，放到HR面再问不迟。祝你能顺利拿到心仪的Offer。
