同樣投的是AI職缺，三個面試官想聽的答案完全不同

招募網站上，「AI工程師」四個字底下其實藏著至少三種完全不同的工作。牛客網上一篇流傳的面試整理文，把這件事講得相當直白：面過應用開發、演算法研究、AI產品三個方向的人會發現，面試官問的根本是三套題目。拿同一套答案去跑全場，常常一面過了、二面被追問到卡住、三面直接沒有下文。

這篇討論之所以值得展開，是因為它點出一個正在成型的人才市場結構：AI職缺已經不是一個「會AI」就能通用的市場，而是正在分化成工程、研究、產品三條各自獨立的賽道。這與我們先前分析過的技術能力與升職名單之間的落差是同一類問題，組織評估你的標準，往往跟你以為的標準不同。

三種職缺，三種完全不同的問題

先看應用開發。這條線的面試官追的是工程落地能力：你的Agent線上崩了怎麼修、Token成本怎麼控制、上下文怎麼管理、系統上線之後怎麼維運。典型的問題包括「Agent呼叫工具經常逾時，怎麼定位和處理」「Agent呼叫三個工具就進入死循環，異常處理寫在哪裡」，甚至有面試出現十四連問，全部貼著專案細節往下追。場景設計題也不手軟：日均一百萬次查詢的企業級RAG系統架構怎麼搭、P99延遲從兩秒壓到三百毫秒要動哪些環節。

演算法與研究線則是完全另一套。這裡不考你系統穩不穩，考你知不知道東西怎麼算出來的：手寫Multi-Head Attention但不準用現成模組、推導LayerNorm對梯度消失的影響、講清楚PPO與DPO的核心差異、說明Megatron的張量平行與流水線平行怎麼配置。追問的方式是層層往下壓，從「你了解RLHF嗎」，一路壓到獎勵模型的訓練細節與損失函數的計算。

AI產品與解決方案線又是第三種玩法。面試官不問你RAG的完整流程，而是問「你負責的產品裡，RAG召回率怎麼測、微調資料怎麼標、模型迭代版本怎麼驗收」。還有一類題目專門考翻譯能力：怎麼向完全不懂AI的客戶解釋幻覺問題、這個功能該用Prompt、RAG還是微調、算力與標註成本怎麼估算。

為什麼會分成三套題目

這種分化不是面試官故意刁難，它反映了AI進入企業之後，工作自然拆分的三個層次。可以用餐廳來理解：應用開發像是負責讓廚房每天出餐不斷線的營運主廚，在乎的是流程會不會卡、設備會不會壞；演算法研究像是在實驗室裡改良食譜與發酵原理的人，在乎的是為什麼這個溫度會產生這個結果；AI產品則像是決定菜單的人，在乎的是這道菜顧客要不要、成本劃不劃算、什麼情況下根本不該上這道菜。

三種角色都在「餐廳」裡，但評估他們的指標完全不同。營運主廚被問的是穩定性，食譜研究員被問的是原理，菜單設計者被問的是判斷。面試題目的差異，只是這種職能分工往前延伸到招募環節的結果。

值得注意的是，這與整個產業的走向一致。我們之前整理過TikTok後端面試考題轉向Agent工程的現象，大型科技公司已經把AI工程能力視為後端工程的基本配備，而這份配備本身又繼續往下細分。換句話說，AI職能的分化不是暫時現象，它會隨著企業導入AI的深度增加而更明顯。

求職者最容易踩的坑：用錯答案對錯人

原始討論裡最實用的一個觀察是：多數人不是技術不行，而是沒搞清楚每個面試官在聽什麼。

拿工程化答案去面演算法崗，對方嫌你不夠深。你能講一套完整的異常處理與可觀測性方案，但當面試官問到注意力機制的數學推導時，這套答案完全派不上用場。反過來，拿公式推導去面產品崗，對方嫌你聽不懂業務。你能推導梯度，但當客戶問「模型答錯了誰負責」時，需要的是另一套語言。

這對求職者的實際意義有兩層。第一層是投遞前先做職缺考古：看清楚JD裡寫的是「系統開發」「模型訓練」還是「場景落地」，這三個詞對應三種完全不同的準備方向。第二層是面試當下的訊號辨識：如果面試官一直追線上事故與成本控制，這是工程線的訊號；如果追問往數學與論文方向走，這是研究線；如果問題圍繞效果衡量與客戶溝通，這是產品線。聽出訊號，即時調整回答的層次，比事先背再多題目有用。

企業端也在面對同樣的問題

換到僱主的視角，這種分化其實是個警訊。職缺名稱掛「AI工程師」但職能定義模糊的公司，往往自己還沒想清楚要的是哪種人。找了一個會推導損失函數的研究型人才，卻讓他做系統維運，結果是雙輸；反之，找了一個工程能力扎實的人去做模型選型決策，也會卡住。

求職者在面試裡反問「這個職位上線後的前三個月主要解決什麼問題」，某種程度上就是在替自己過濾這種定義不清的職缺。這個問題的答案，通常比JD上的技能清單更能暴露這家公司把AI當戰略還是當裝飾。

三條賽道的準備重心

回到實際準備。應用開發線的重心是工程落地優先於框架API，異常處理、上下文管理、Token成本控制、可觀測性這幾塊要能講到細節，面試官預設你概念都懂，直接考系統怎麼不掛。演算法線是數學推導優先於工程實作，「我了解Transformer」不算答案，能手寫公式、能推導梯度、能講清楚分散式訓練的切分邏輯才算。產品線則是業務理解優先於技術深度，不需要手寫Attention，但要能判斷這個功能該用RAG還是微調、效果不好是資料問題還是模型問題、需求在技術上可不可行、成本與風險多大。

一句話收攏：應用開發面的是「你會不會搭」，演算法面的是「你懂不懂原理」，產品面的是「你會不會判斷」。三個答案互換，就是掉面的最常見劇本。

對正在轉職或應屆找AI工作的人來說，這份整理真正的價值不在題庫，而在於強迫你先回答一個更根本的問題：在AI這個正在分裂的市場裡，你打算站在生產線的哪一段。先回答這個，準備才有方向。