虽然岗位JD一般看起来都挺宏大的，但真实的实习日常其实更多是琐碎和重复的工作。这些基础工作，可能也能够帮助新人更好地理解了AI产品的底层逻辑。最近看到很多同学求职都想往AI方向走，今天就来聊聊我的AI产品实习生的日常在干什么，欢迎对照参考模型评测：最容易上手的工作✔ 外部模型评测：每当 OpenAI、Google、字节等头部公司发布新模型，我们团队会安排实习生对这些模型做初步评估✔ 内部模型评测：对自研模型的版本迭代，评测会更细致（比如对特定能力做细粒度拆解）🧠 这部分工作虽然“体力活”居多，但非常适合快速熟悉大模型能力的边界，是入门AI产品的第一课AI产品体验&调研在这项工作里，我们往往要求实习生输出文档/分析表格。我安排调研过的方向有：AI agent相关的产品：如AI搜索的perplexity、秘塔；浏览器产品genspark等等AI陪伴：如星野、猫箱、EVE等，看它们最近的新功能（比如对话记忆、人格设定），还会看用户舆论反馈、App Store/小红书/微博评论等产品调研最后往往要落成一个文档，重点在于：总结共性+提炼启发+对自家产品的参考建议数据标注模型训练需要高质量数据，很多时候你会参与一些小规模的数据标注工作：比如标注用户query的意图分类、判断一段模型生成内容是否符合prompt要求。和算法同学一起协作，有时候也需要你写清楚标注规范、整理excel表格。虽然量不大，但数据质量直接决定了模型效果，所以这其实是很锻炼细心和产品sense的工作。Prompt 工程实践：AI产品核心技能之一现在越来越多AI产品都依赖prompt来驱动智能逻辑，实习生常被分配去写一些具体模块：比如一个AI伴侣产品需要实现“早安问候”，你需要写prompt让模型根据不同用户状态生成不同风格的问候语。写完还需要配合做A/B评测、准备评测集，看不同prompt方案下效果是否稳定、是否可控。总结一下：我的AI实习生们日常大概率会围绕这四件事展开：模型评测 → 产品调研 → 数据标注 → Prompt调优它不像传统产品那样做完整PRD/功能落地，而是更多和模型能力深度绑定。

感觉自己好菜、面试很难，还是要多多练习1.你这边有过构建数据集的经验吗2.你认为如何去衡量一个数据集的好坏？有哪些标准？3.有没有过在业务场景中，和记忆以及意图识别的一些实际经验呢？4.有没有PE和技术背景？5.因为你没有相关的一些经验，你如果上手，会如何快速熟悉业务？6.一些实际业务当中，你如何了解你需要了解哪些信息？7.做一道排序的算法题（100个数取前五个）

很多人问我如何准备大模型的面试，分享下我的经验，针对两种情况：1. 有大模型实习2. 无大模型实习针对无大模型实习的情况，我建议先找一段中厂实习为主，比如 zhipu、Minimax （当然有大厂进大厂）这些，相对容易进，尽量积累大模型实习经历。针对有大模型实习的情况，复习内容为：1. 常规八股（transformer、bert 等）2. 最新八股（GQA 等）3. 技术报告（一定要自己看原PDF，目前推荐 DeepSeekV3, R1, kimi1.5, Minimax-01, Qwen2.5, Qwen2.5-VL）4. 手撕 Leetcode：Hot1005. 手撕模型，比如 MHA 这些首先是常规八股和最新八股，这一部分可以自己找找网上资料，整理好的，背。然后是技术报告，目前推荐的内容有：1. DeepSeekV3：必读2. DeepSeekR1：必读3. Kimi1.5：选读4. Minimax-01：选读，据我所知最长上下文模型（外推到 4M，不过好像被 LLama4 的 10M 超过了）5. Qwen2.5：必读6. LLama3.1：必读7. Qwen2.5-VL（如果简历有多模态内容）：选读重点关注：1. 阶段训练（预训练几段、Post-training 几段？上下文用了多少？数据配比是什么？）2. 模型创新点（MHA 创新是什么？作用是什么？）3. 上下文优化创新点（一般是优化显存和阶段训练）4. 多模态优化创新点（简历有多模态内容）5. 几个模型不同之处（比如 Qwen2 和 Qwen2.5 的不同之处）最后是手撕，Leetcode 只刷 Hot100 够了，模型手撕建议关注（我目前会的）：1. MHA2. LayerNorm3. Transformer Encoder (MHA+LayerNorm+FFN)4. PE（绝对位置编码）5. ROPE6. SwiGLU7. RmsNorm每次面试前快速过一遍就 ok 了。

整体面试还是不错的，但是没后续了，不知道是哪里出了问题..1、实习拷打2、模型蒸馏的数据如何做的?如何清洗馏得到的数据?3、有没有使用强化学习做过数据仿真。这个之前看过一篇论文，刚好讲了一下。4、有没有了解过训练推理一致性这个领域?我讲了一下强化学习领域的推训一致性，固定flash attention分块策略，vlm推理框架固定page attention分块策略。5、模型量化如何做的。gptq，qat等等，并说明为什么选择了w8a16的量化?6、写一下ppo算法的损失函数和GAE优势函数。主要还是讲明白7、一个场景题8、手撕题hot100，中等题，合并k个升序链