DeepSeek等大模型公司招聘，求職者如何進入頂級AI團隊？

DeepSeek表示“正努力將所有部門的規模擴大至少一倍”。

來源|多知

頭圖來源|Pexels

6月25日，國產大模型龍頭DeepSeek的一則招聘公告引發全網關注。

此次招聘規模很大，DeepSeek表示“正努力將所有部門的規模擴大至少一倍”，包括算法、AI核心系統研發、運維、AI產品、數據、深度學習研究員、職能部門。

前段時間，消息稱，DeepSeek獲得成立以來的首輪外部融資，募資總額超500億元人民幣，創下中國AI行業單輪融資規模之最。人才擴招可以視作DeepSeek融資后的第一個動作。

實際上，不止DeepSeek，騰訊混元大模型相關、字節跳動豆包/AI搜索方向、阿里巴巴通義千問/云智能、百度文心一言、月之暗面（Kimi）、京東、快手等持續釋放大量算法及應用落地崗位。

這對當下希望進入中國大模型公司的求職者來說多了不少機會。

DeepSeek在算法和數據等核心業務上對人才有哪些要求？

在此次招聘公告中，DeepSeek僅提到了用人原則：“讓新人直接承擔最核心、最重要的任務，在這里，許多同學迅速成長為行業頂尖人才，成為推動AGI發展的中堅力量。”

DeepSeek稱，當今人類正處于AGI的前夜。加入DeepSeek，可親歷AGI的發展進程，坐在時代前排，見證一個新紀元的誕生，“我們從來不尋找天才，只要你有自身閃亮發光的地方，你就是我們要尋找的人。歡迎加入DeepSeek，一起照亮未至之境。”DeepSeek在招募公告中寫道。

有網友分享過面試經驗，姑且作為參考，以小見大。

早在2025年2月，知乎博主“宮水三葉”提到，一位 211、985 高校的應屆博士生，在校期間也參與過不少企業的大型項目，但在面對DeepSeek面試過程中提及的那些深入且具有挑戰性的問題時，仍然感到不少難度。

用這位博士生對 DeepSeek的評價原話來說就是：“在我所經歷過的互聯網公司中，DeepSeek 是唯一一家會根據應聘者的專業背景量身定制編程題目的公司。”

想要進DeepSeek，通過 DeepSeek的面試只是第一步。

除了面試內容的深度和廣度，這位招聘者還提到當時DeepSeek面試流程是「面試官連續 3 個小時高強度的提問」。

此前，根據公開信息，DeepSeek整個團隊超七成是本碩學歷，超七成不到30歲。

對于如何進入頂級AI團隊，谷歌DeepMind杰出工程師、Gemini預訓練負責人弗拉基米爾·費恩伯格(Vlad Feinberg)今年5月在他自己博客中寫的一篇文章《How to Land a Frontier Lab Job》（《如何進入頂級實驗室》）可以作為參考。該文闡述了進入前沿AI實驗室（如Google DeepMind、Google Research、OpenAI或Anthropic）所需的條件。

這篇文章不僅有對在大模型領域求職的年輕人的建議，還有案例，以及實操的具體練習內容。其核心方法論對當下希望進入中國大模型公司的求職者，同樣具有一定的參考價值。

弗拉基米爾·費恩伯格本科畢業于普林斯頓大學計算機科學專業，隨后在加州大學伯克利分校 RISE 實驗室攻讀并獲得博士學位。

博士畢業后，他曾加入一家名為 Sisu 的初創公司擔任機器學習主管，之后進入谷歌研究院參與 Cerebra 項目。

早期入職 Google Brain 時，他并未急于發表論文，而是通過調整編譯器和超參數等基礎工程工作，幫助第一代 Bard 模型順利跑通。

后來在谷歌 DeepMind任職，擔任 Gemini 預訓練團隊的主管。

(弗拉基米爾·費恩伯格個人履歷)

弗拉基米爾.費恩伯格表示，這不是一篇放之四海皆準的建議帖。只是他個人眼中通往理想崗位的一條清晰路徑。

弗拉基米爾.費恩伯格《如何進入頂級實驗室》一文的核心觀點如下：

頂級AI人才三大底層特質

弗拉基米爾·費恩伯格認為，前沿實驗室競爭極其激烈，對手是來自頂尖大學的本科生或者博士生，他們已在頂會發表論文、有競賽獎項，并通過校友網絡建立了內部連接。

這批人的成功可歸因于三項底層特質：

第一，Intent（目標感），選擇高價值問題領域專注深耕。

第二，Mathematical maturity（數學成熟度），解決模糊問題的泛化能力。

第三，Grit（韌性），經歷過高難度課程訓練的磨礪。

找準方向，不惜一切代價避免空談

不要一上來就說“我對AI感興趣”。要精準定位實驗室真正需要人的地方：在底層，死磕FlashAttention、量化推理、內核編程；在高層，構建智能體循環和LLM輔助的實驗設計。這些領域門檻較低，你可以自學掌握，而且實驗室每天都在使用。

拿出拼勁，不要畏懼苦差事

不要看不起“臟活”或“基礎活”。弗拉基米爾·費恩伯格說：“每六個月反思一次自己想要什么、想達到哪里，持續局部優化，從不鄙視‘卑微’的工作。如果找到了對的地方挖金礦，就只管繼續挖，不抱怨泥土。”

在大學那些年，周末泡在圖書館是常態，社交活動能砍則砍。弗拉基米爾.費恩伯格曾和一位朋友靠著一杯杯濃咖啡硬撐了一整天——他們就是這樣咬牙挺過來的。如果你想和那些頂尖同齡人一較高下，沒有這種基礎強度，基本等于出局。

最重要的方法論：從LLM棧的兩端切入

他認為，正面硬剛訓練大模型不現實（資源門檻太高）。更務實的做法是從兩端迂回突破：

路徑一：往“下”走——內核與系統優化（Kernel Work）。

在LLM棧的下方工作，即編寫和優化內核代碼（Kernels），讓模型在GPU/TPU上跑得更快。

所有LLM項目最大的瓶頸是性能優化。每個項目都需要能在內核層面調優的人。而且LLM自己還做不到這一點。

如何入門？

直接動手——找運行緩慢的開源模型，讓它跑快；

只需要夠跑一次前向傳播的加速器，反饋即時的基準測試；

學的不只是編碼，更是對物理加速器設備細節的感知與整合，以及科學地把時間花在關鍵處。

路徑二：往“上”走——智能體系統（Agent Work）。

在LLM棧的上方工作，將LLM作為灰盒，通過搭建Agent系統產生有用的輸出。

不只是簡單地使用Agent或寫CLAUDE.md，而是建立嚴謹、可控、技術性的實驗，評估單個或多個LLM Agent的行為。

這個領域太新，還沒有清晰的路徑，正是入局的好時機。

基礎能力要求

在基礎能力要求上，數學成熟度無替代方案，必須經歷：選修難度大、基于證明的課程，大量刷題，啃理論；涉及范圍有優化理論、規模法則、模型演化邏輯。

在弗拉基米爾.費恩伯格看來，在數學成熟度上是個分水嶺，跨過去是研究者，跨不過就是操作員。

主題知識方面，要對LLM的歷史和理論有扎實理解。

要通過仔細的文獻回顧，閱讀高被引的語言模型論文；內化概念，能與研究者高效對話；做教材中的練習有助于培養數學成熟度。

用開源項目突破，而不是靠簡歷

把你的代碼放上GitHub：做復現、提改進、跑基準測試。這種能力拿出來讓大家看到，它們比紙面上的東西有說服力得多。

論文+動手復現：兩手都要硬

深入研讀FlashAttention和SnapKV等經典工作，摸清LLM的版圖。從Reiner Pope的訪談和Gemini Flash預訓練講座開始，再逐步啃下規模法則。

AI工具的使用原則

AI只用于你已經會做的事情上，但要激進地使用。絕不用它來學新東西或跳過思考。一旦產生依賴就完了——數學能力和韌勁永遠建立不起來。

只有一條路：真本事+實打實的成果+不懈的拼搏

名校背景當然有幫助，但對那些沒有名校背景的人來說，最可靠的打法就是拿出在內核或智能體方面可展示的成果，然后做好打5到10年持久戰的準備。

《如何進入頂級實驗室？》原文：

https://vladfeinberg.com/2026/05/10/how-to-land-a-job-at-a-frontier-lab.html

教育從業者年度必讀丨《教育科技這一年：教育+AI新紀元》火熱銷售中，點擊小程序購買?

掃碼加入多知新書交流群，共同探討教育+AI的未來

由肖云著、多知首發的《價值：增長的邏輯》今日開售！點擊下方小程序即可搶購！