求职策略与 Offer 谈判：成功者的完整打法

开场钩子

三位连续拿 offer 的求职者有一个共同点：他们都把求职当项目管理——12 周计划、题库追踪、自我介绍迭代 10 版。而他们最重要的洞察是同一条：面试成败更多取决于之前的职业决策与领域深度，而不是临场技巧（"90/10 法则"：90% 来自过往积累，10% 才是投递策略、人脉和谈判）。这节课给你三位成功者的完整打法 + 求职市场结构 + 谈判筹码管理。

一、市场结构：三类公司

• 产品公司（Cursor、Codium）——做 AI 应用
• 基础设施公司（Modal、Fireworks、Pinecone、Braintrust）——做 AI 的工具
• 模型公司（OpenAI、Anthropic、Google、Meta）——做模型

先想清楚"你想解决什么问题"——答不出这个问题的候选人在面试里会被直接 pass。选一段最让你兴奋的赛道，all in。

二、三位成功者的完整打法

Mimansa Jaiswal（面了 20+ 家：Anthropic/OpenAI/Meta/Amazon/Apple/Google，多个 offer）：

• 12 周备考，每天约 6 小时专项练习；150+ 道 NeetCode 题
• 自我介绍 blurb 迭代约 10 版；Notion 建 7 大板块追踪题目（"过了/费劲/没懂/眼熟"四档归类）
• 对局限的坦白反而表现更好：主动披露只训过 0.5–1B 参数模型、只熟 LoRA、没做过预训练

Yuan Meng（5–10 家 senior+ 现场面，几乎全拿 offer）：

• 领域深度是护城河："2022 年以来 RecSys 的每一个方面"——"为什么是你？为什么不是别人？"才是招聘的中心问题
• 面试成功与"领域深度 + 热情匹配"的相关性，高于全轮次完美执行
• 行为面用 SAIL 结构（Situation、Action、Impact、Learning），故事显式映射公司价值观

Janvi Kalra（6 个月面 46 家，SWE 转 AI 工程师，现居 OpenAI）：

• NeetCode Blind 75 + 间隔重复；精读《Cracking the Coding Interview》与 Alex Xu 系统设计书
• 黑客松（周末 + 多周线上）比课程更有效；被内部转岗拒绝后自学：建 LLM 应用、打黑客松、公开写作
• 直接 LinkedIn 私信创始人，对初创公司尤其有效

共同原则："在拿到工作之前就开始做那份工作"——亲手做你想做的事，得到的"特定知识"是课程给不了的。

三、投递前的准备

有些公司在简历之外就要东西：

• 带 AI 项目的 GitHub 作品集（Dentsu Creative 明确要求）
• "最佳项目"故事 + 指标（Wolters Kluwer 要求一份"杰出工作陈述"：角色、技术挑战、可衡量影响）
• 对 AI 的观点，不只是技能（"你认为大多数公司 AI 落地错在哪？"）
• 会写，不只是会码（有的公司要求 1–2 页短文）

简历要点：影响打头——"客服响应时间降 40%"胜过"熟悉 LangChain 和 GPT-4"；别用多栏 LaTeX（ATS 解析会乱）；准备 2–3 个专长领域的自我介绍；建个人网站/博客。

四、求职渠道的现实

• 内推 > 海投：AI 生成的申请淹没管道，基于网络的招聘在增加；招聘官能看出来简历是直接喂给 ChatGPT 写的——真实材料跑赢 AI 抛光的通用材料
• 线下面试回归：现场轮比例从 2022 年 24% 升到 2025 年 38%（对作弊的反击）；前沿实验室普遍要求现场——做好出差准备
• 速度：顶尖候选人在 2–3 周内接受 offer；把 onsite 集中安排，管理好自己的面试时间线
• 背调更重要了：多数头部公司要求 2–3 个近期上级/同事背调

五、谈判与 Offer

• 最强筹码是竞争 offer：把所有杠杆指向股权额度而非基本工资——每个级别的基本工资带宽很窄
• 按 TC（总包）基准比较：股权、奖金、AI 实验的云额度加起来可能占真实年包的 20–40%。参考（Meta MLE 总包）：E4 约 $332K、E5 约 $492K、E6 约 $648K
• AI 工程师比通用软件工程师高 10–20%；有 AI 专长者平均高 56%
• 像投资人一样尽调初创：四个检查项——营收与增速、大市场且有扩张空间、忠诚/痴迷的客户、竞争位置。拿了 offer 对方还不肯给财务数据 = 红旗
• 警惕 7 天过期压力：该要延期就要；拒绝延期的公司可能暴露文化问题

2025–2026 美国市场参考区间：初级大厂总包 $150–250K（初创 $120–200K + 股权）；中级 $250–400K（$180–300K）；高级 $350–500K（$250–400K）；Staff+ $500–800K+（$350–600K）。

六、常见错误清单

面试中：过早跳到微调（默认提示词 + RAG）；把 LLM 当真理来源；跳过评估与监控；报工具名不讲权衡；无视失败模式；一开始就过度工程；不懂装懂（"给个提示"好过忽悠）；基本功翻车（分词、Transformer、竞态、GIL）。

求职中：只盯薪酬（答不出"你想解决什么问题"会被 pass）；兜售过时的技能（"多数候选人挂掉不是因为没技能，而是因为讲错了技能"）；不理解岗位已分化（ML Engineer 已裂成 Applied ML / MLOps / LLM Systems / Research Engineering）；没有现成项目（投递前备好 2–3 个打磨过的项目）；take-home 投入太少；不问澄清问题。

对 FDE 的启示（1444 对标）

• B4 趋势研判与战略卡位：三类公司分法同样适用于国内市场（应用层/基础设施/模型层），FDE 选雇主时先想清楚自己卡在哪一层、解决什么问题。
• S3 价值评估与 ROI 测算：谈判的"TC 口径"思维 = 客户报价的"总拥有成本"思维——永远把隐性项（股权/云额度 ↔ 实施/运维/Token 费）算进总包再比较。
• D4 知识沉淀与反哺复用：三位成功者共有的"记录习惯"（Notion 题库、公开写作、迭代 10 版的自我介绍）就是 D4 的个人版——把每次面试/交付复盘沉淀成可复用资产。
• D2 沟通翻译与预期管理：对局限的坦白（Mimansa）在客户现场同样成立——主动说清边界反而赢得信任。

本课自测

1. "90/10 法则"是什么？它对备考策略的含义是什么？
2. 三类公司是哪三类？"你想解决什么问题"为什么是 pass/fail 题？
3. 谈判的最强筹码是什么？为什么指向股权而不是基本工资？
4. 初创尽调的四个检查项是什么？哪个信号是红旗？