来源|多知

6月25日，国产大模型龙头DeepSeek的一则招聘公告引发全网关注。

此次招聘规模很大，DeepSeek表示“正努力将所有部门的规模扩大至少一倍”，包括算法、AI核心系统研发、运维、AI产品、数据、深度学习研究员、职能部门。

前段时间，消息称，DeepSeek获得成立以来的首轮外部融资，募资总额超500亿元人民币，创下中国AI行业单轮融资规模之最。人才扩招可以视作DeepSeek融资后的第一个动作。

实际上，不止DeepSeek，腾讯混元大模型相关、字节跳动豆包/AI搜索方向、阿里巴巴通义千问/云智能、百度文心一言、月之暗面(Kimi)、京东、快手等持续释放大量算法及应用落地岗位。

这对当下希望进入中国大模型公司的求职者来说多了不少机会。

DeepSeek在算法和数据等核心业务上对人才有哪些要求?

在此次招聘公告中，DeepSeek仅提到了用人原则：“让新人直接承担最核心、最重要的任务，在这里，许多同学迅速成长为行业顶尖人才，成为推动AGI发展的中坚力量。”

DeepSeek称，当今人类正处于AGI的前夜。加入DeepSeek，可亲历AGI的发展进程，坐在时代前排，见证一个新纪元的诞生，“我们从来不寻找天才，只要你有自身闪亮发光的地方，你就是我们要寻找的人。欢迎加入DeepSeek，一起照亮未至之境。”DeepSeek在招募公告中写道。

有网友分享过面试经验，姑且作为参考，以小见大。

早在2025年2月，知乎博主“宫水三叶”提到，一位 211、985 高校的应届博士生，在校期间也参与过不少企业的大型项目，但在面对DeepSeek面试过程中提及的那些深入且具有挑战性的问题时，仍然感到不少难度。

用这位博士生对 DeepSeek的评价原话来说就是：“在我所经历过的互联网公司中，DeepSeek 是唯一一家会根据应聘者的专业背景量身定制编程题目的公司。”

想要进DeepSeek，通过 DeepSeek的面试只是第一步。

除了面试内容的深度和广度，这位招聘者还提到当时DeepSeek面试流程是「面试官连续 3 个小时高强度的提问」。

此前，根据公开信息，DeepSeek整个团队超七成是本硕学历，超七成不到30岁。

对于如何进入顶级AI团队，谷歌DeepMind杰出工程师、Gemini预训练负责人弗拉基米尔·费恩伯格(Vlad Feinberg)今年5月在他自己博客中写的一篇文章《How to Land a Frontier Lab Job》(《如何进入顶级实验室》)可以作为参考。该文阐述了进入前沿AI实验室(如Google DeepMind、Google Research、OpenAI或Anthropic)所需的条件。

这篇文章不仅有对在大模型领域求职的年轻人的建议，还有案例，以及实操的具体练习内容。其核心方法论对当下希望进入中国大模型公司的求职者，同样具有一定的参考价值。

弗拉基米尔·费恩伯格本科毕业于普林斯顿大学计算机科学专业，随后在加州大学伯克利分校 RISE 实验室攻读并获得博士学位。

博士毕业后，他曾加入一家名为 Sisu 的初创公司担任机器学习主管，之后进入谷歌研究院参与 Cerebra 项目。

早期入职 Google Brain 时，他并未急于发表论文，而是通过调整编译器和超参数等基础工程工作，帮助第一代 Bard 模型顺利跑通。

后来在谷歌 DeepMind任职，担任 Gemini 预训练团队的主管。

弗拉基米尔.费恩伯格表示，这不是一篇放之四海皆准的建议帖。只是他个人眼中通往理想岗位的一条清晰路径。

弗拉基米尔.费恩伯格《如何进入顶级实验室》一文的核心观点如下：

顶级AI人才三大底层特质

弗拉基米尔·费恩伯格认为，前沿实验室竞争极其激烈，对手是来自顶尖大学的本科生或者博士生，他们已在顶会发表论文、有竞赛奖项，并通过校友网络建立了内部连接。

这批人的成功可归因于三项底层特质：

第一，Intent(目标感)，选择高价值问题领域专注深耕。

第二，Mathematical maturity(数学成熟度)，解决模糊问题的泛化能力。

第三，Grit(韧性)，经历过高难度课程训练的磨砺。

找准方向，不惜一切代价避免空谈

不要一上来就说“我对AI感兴趣”。要精准定位实验室真正需要人的地方：在底层，死磕FlashAttention、量化推理、内核编程;在高层，构建智能体循环和LLM辅助的实验设计。这些领域门槛较低，你可以自学掌握，而且实验室每天都在使用。

拿出拼劲，不要畏惧苦差事

不要看不起“脏活”或“基础活”。弗拉基米尔·费恩伯格说：“每六个月反思一次自己想要什么、想达到哪里，持续局部优化，从不鄙视‘卑微’的工作。如果找到了对的地方挖金矿，就只管继续挖，不抱怨泥土。”

在大学那些年，周末泡在图书馆是常态，社交活动能砍则砍。弗拉基米尔.费恩伯格曾和一位朋友靠着一杯杯浓咖啡硬撑了一整天——他们就是这样咬牙挺过来的。如果你想和那些顶尖同龄人一较高下，没有这种基础强度，基本等于出局。

最重要的方法论：从LLM栈的两端切入

他认为，正面硬刚训练大模型不现实(资源门槛太高)。更务实的做法是从两端迂回突破：

路径一：往“下”走——内核与系统优化(Kernel Work)。

在LLM栈的下方工作，即编写和优化内核代码(Kernels)，让模型在GPU/TPU上跑得更快。

所有LLM项目最大的瓶颈是性能优化。每个项目都需要能在内核层面调优的人。而且LLM自己还做不到这一点。

如何入门?

直接动手——找运行缓慢的开源模型，让它跑快;

只需要够跑一次前向传播的加速器，反馈即时的基准测试;

学的不只是编码，更是对物理加速器设备细节的感知与整合，以及科学地把时间花在关键处。

路径二：往“上”走——智能体系统(Agent Work)。

在LLM栈的上方工作，将LLM作为灰盒，通过搭建Agent系统产生有用的输出。

不只是简单地使用Agent或写CLAUDE.md，而是建立严谨、可控、技术性的实验，评估单个或多个LLM Agent的行为。

这个领域太新，还没有清晰的路径，正是入局的好时机。

基础能力要求

在基础能力要求上，数学成熟度无替代方案，必须经历：选修难度大、基于证明的课程，大量刷题，啃理论;涉及范围有优化理论、规模法则、模型演化逻辑。

在弗拉基米尔.费恩伯格看来，在数学成熟度上是个分水岭，跨过去是研究者，跨不过就是操作员。

主题知识方面，要对LLM的历史和理论有扎实理解。

要通过仔细的文献回顾，阅读高被引的语言模型论文;内化概念，能与研究者高效对话;做教材中的练习有助于培养数学成熟度。

用开源项目突破，而不是靠简历

把你的代码放上GitHub：做复现、提改进、跑基准测试。这种能力拿出来让大家看到，它们比纸面上的东西有说服力得多。

论文+动手复现：两手都要硬

深入研读FlashAttention和SnapKV等经典工作，摸清LLM的版图。从Reiner Pope的访谈和Gemini Flash预训练讲座开始，再逐步啃下规模法则。

AI工具的使用原则

AI只用于你已经会做的事情上，但要激进地使用。绝不用它来学新东西或跳过思考。一旦产生依赖就完了——数学能力和韧劲永远建立不起来。

只有一条路：真本事+实打实的成果+不懈的拼搏

名校背景当然有帮助，但对那些没有名校背景的人来说，最可靠的打法就是拿出在内核或智能体方面可展示的成果，然后做好打5到10年持久战的准备。

《如何进入顶级实验室?》原文：

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