研究科学家求职经历带来的意外领悟

背景

这篇文章源自 Hacker News 上一位布朗大学（Brown University）计算机科学博士生的求职分享。作者在第五年临近毕业时经历了研究方向的重大转型——从多语言处理（multilingual）和 AI 安全（AI safety）的混合背景，完全转向专注于 AI 安全的研究，并因此推迟毕业至 2027 年。在获得 Astra Fellowship 后，她中断求职数月全力投入 fellowship，随后在时间紧迫、市场动态变化中重新开始面试，最终收获满意 offer。文章面向两类读者：准备进入工业界工作的 CS 博士毕业生，以及正在申请全职岗位的 AI safety fellows。作者特别强调，写作过程未使用任何大语言模型（no LLMs were used）。

核心内容

作者在求职过程中发现了五个与预期截然不同的现象，以下逐一展开：

个人经历简述
作者是布朗大学第五年博士生。最初申请的是多语言和 AI 安全方向岗位，但收到的面试机会多集中在多语言/后训练（post-training）方向。意识到自己需要完全转向 AI 安全后，她接受 Astra Fellowship，用几个月时间专注完成 fellowship 以提升在 AI 安全领域的竞争力，并拒绝了已拿到的 offer，将毕业推迟至 2027 年。Fellowship 接近尾声时她重新启动求职，原计划 6 月结束 fellowship、写完论文、7 月开始面试，但由于担心 headcount 以及时间原因，她在 5 月中旬就开始面试，并在 6 月中旬之前就拿到了令自己满意的 offer。最终她退出了部分正在进行中的面试，没有完全探索所有选项。她感到幸运，因为不必再为资金问题（推迟毕业带来的）和持续求职的焦虑所困扰，并感谢所有支持她的人。

惊喜一：求职过程中只有一两篇论文真正重要
许多求职者（包括 Alisa 和 Silvia 的博客）已经指出，面试（如 LeetCode 题）可能与博士期间的研究工作无关。作者进一步发现，在招聘中发挥作用的往往只有一两篇论文，有时甚至一篇都不重要，面试官直接评估你当场解决团队问题的能力。论文的具体作用只有两个：

• 入门敲门砖：你曾做过团队感兴趣的工作，或论文展示了团队需要的某种专长，从而把你放入面试 pipeline —— 即你通过了筛选，正式成为候选人。
• 深度讨论：在研究展示或研究讨论环节中，你需要阐述某项工作的动机和细节，有时展示时间仅 20 分钟。

因此，论文数量除了建立初步可信度之外并无实质意义。作者自己的多语言论文数量远超 AI 安全论文，但转向 AI 安全后，那些多语言论文（包括获得最佳论文奖的）对面试结果毫无影响。这对求职者来说是一种解放：只要你能够证明在新领域拥有足够专长，且团队需要你，你就可以随时转型到对自己有影响力的新领域并获得理想 offer。反之，这也意味着你必须持续跟进领域前沿，过去的成功对新机会的录取影响甚微。

惊喜二：面试轮次极其多样化
作者原以为面试会像应届软件工程师那样有标准化流程：LeetCode 风格的题目 + 行为面试 + 关于 LLM/深度学习的专业技术轮。然而实际面试中，她遇到了系统设计（system design）和并行编程（如使用 asyncio 实现并发操作）的考察，甚至还有专门评估如何使用 AI agent 的面试轮次。教训是：永远要准备好应对“外卡”式（wildcard）问题和多样化的面试轮次。

惊喜三：工作试岗（Work Trials）
这是作者完全陌生的概念。她原本以为只有 AI 安全岗位才有工作试岗，但发现 AI 初创公司也越来越普遍地采用这种方式。工作试岗与 on-site 面试完全不同：你不会被飞往公司参加多轮现场面试，而是直接与团队一起解决一个任务，有时任务还是开放式的。这些试岗通常是有偿的，但令作者惊讶的是，有些现场试岗能持续长达一周。进行工作试岗会使你很难同时准备其他公司的面试，因为你必须将所有精力投入当前任务，没有余力同时准备。作者提醒：安排面试时一定要考虑这一点，尤其是同时面试多家公司且时间紧迫的情况下。

惊喜四：时机非常重要
在当前求职市场中，时机起着显著作用。例如去年秋天，AI 安全岗位的竞争极其激烈，而今年已经有更多初创公司提供相关机会（如 Lila 和 Mechanize）。作者列举了时机影响全职岗位搜索的几种场景：

• 你的工作突然走红：许多组织对你的研究产生兴趣并主动招募你。你可能会被时机打个措手不及，最好的做法是利用这个窗口期参加面试。
• 你的研究领域变得热门：正如上述 AI 安全的例子，机会总体上会增多。招聘窗口可能短至一个月，也可能持续数月（公司正在扩张）。
• Headcount（名额）：这点一定要向招聘人员打听，尤其是当你计划推迟面试或需要同时面试多家公司进行元规划时。
• 爆炸性 offer（Exploding offers）：如果遇到有 offer 要求短时间内回复，可以请求其他公司加速面试。不要惊讶于一天之内背靠背进行三轮面试，而你只有不到一天时间准备。

可以合理地向公司申请晚点开始面试（比如推迟一两个月），但通常一旦开始面试，每轮之间的间隔会很短。另外，有些职位期望你在接下来一两个月内入职，不过开始日期是可协商的。

惊喜五：Return offer 非常罕见
与软件工程岗位 return offer 几乎是标配不同，研究岗的 return offer 需要逐案评估。作者提到自己 2024 年在 Meta 的实习经历（原文在此处截断，但结合上下文，她暗示实习后并未获得 return offer），说明对于研究科学家职位，实习结束后拿到全职 return offer 并非普遍现象。

关键要点

• 论文的“效用”有限：只有极少数论文能帮你通过简历筛选、并在深度讨论中被提及，论文数量远不如在目标领域展示出扎实的能力更重要。转型到新领域是可行的，只要你能快速建立专长。
• 面试内容不可预测：除了常规的 LLM/深度学习技术面，还可能出现系统设计、并行编程、AI agent 使用等“外卡”环节，准备时务必扩大覆盖面。
• 工作试岗（Work Trials）日益普及：尤其是在 AI 初创公司和 AI 安全岗位，试岗可能长达一周，会极大挤占其他面试的准备时间，需要提前规划面试节奏。
• 时机是决定因素：你的研究是否走红、领域是否变热门、公司 headcount 情况、爆炸性 offer 的压力——都会直接影响求职的成败。主动利用窗口期，积极协调各公司的面试进度。
• 研究岗的 return offer 不常见：实习结束后不一定能获得全职 return offer，需做好两手准备，不能像软件工程师那样依赖实习转正。
• 推迟毕业和待业风险：作者通过推迟毕业来换取更多时间转型，但面临资金压力和持续焦虑，建议提前评估自身资源和心理准备。

意义与影响

这篇文章提供了一个来自一线博士生的真实求职记录，揭示了当前 AI 领域研究科学家岗位招聘中几个被忽视但至关重要的现实。对于正在求职的 CS 博士生和 AI safety 研究者而言，其意义在于：

• 打破“论文越多越好”的惯性思维：学术界往往鼓励多产论文，但工业界更看重你能否快速解决团队当前问题、是否在所需方向上有足够专长。这鼓励博士生敢于转型，而非一味堆砌同一方向的论文。
• 提醒求职者面试准备的广度：研究科学家岗位并非只考学术研究，系统设计、并行编程等工程能力也可能成为考察重点。候选人需要主动了解目标团队的技术栈，不可仅依赖经典算法题。
• 重新审视实习策略：研究岗的 return offer 并非保障，实习后仍需认真准备全职面试，不应松懈。
• 强调动态调整求职节奏：市场变化迅速（AI safety 岗位从稀缺到增多），headcount 和爆炸性 offer 要求求职者高度灵活，学会利用时机并与招聘人员主动沟通。
• “Work trial”成为选拔新趋势：这种模式更贴近实际工作协作，但也增加了求职者的时间成本和压力。未来可能被更多公司采用，求职者需提前将此纳入计划。

总体而言，这篇文章是对当前 AI 研究领域招聘生态的一次诚实解剖，尤其适合那些正在经历