入职 OpenAI 研究岗后，最意外的 6 件事

TOOL NOTE

原文作者：Yong Zheng-Xin 原文日期：2026 年 6 月 24 日 原文链接：https://yongzx.github.io/blog/2026/06/24/job-search/

这篇文章很适合正在读 CS PhD、准备进 frontier lab、或者从 AI safety fellowship 转全职研究岗的人看。

它的价值在于：作者没有写「如何刷题、如何准备机器学习面试」的标准攻略，而是把自己研究科学家求职中真正意外的地方讲了出来。

最核心的结论是：研究岗求职并不等于把过去 5-6 年的论文履历摊开给公司打分。

真正起作用的，往往是少数一两篇相关作品、团队当前问题、面试题型、work trial、headcount、时机窗口，以及你是否能在一个新方向上快速证明自己。

— 研究科学家求职是一张不断移动的机会桌面

作者提到，最近有两篇来自 CS PhD 学生的求职文章很受关注：Alisa 写了自己如何准备并进入 OpenAI，Silvia 写了机器学习面试准备经验。

作者认可这两篇文章，但想补充另一个角度：研究科学家求职过程中，哪些地方和自己原先想象的不一样。

他主要写给两类人：

• 已经花 5-6 年做了多篇研究论文，正在寻找工业界机会的 CS PhD 毕业生。

• 正在申请全职岗位的 AI safety fellow。

作者是 Brown University 的五年级 PhD。 他的求职经历比较特殊，因为他在博士最后一年做了研究方向切换。

2025 年秋季，他主要申请 multilingual 和 AI safety 相关岗位。 但实际收到更多的是 multilingual/post-training 方向的 research scientist 机会。

原因也很直接：他的研究作品集里，核心 AI safety 主题的工作相对少。

后来，他决定更彻底地转向 AI safety。 他的判断是，随着 AGI/ASI 越来越近，AI safety 里有很多重要问题需要尽快被研究。

因此，在拿到 Astra Fellowship 后，他暂停了几个月求职，把精力放在 fellowship 上，希望让自己更有资格进入影响力更高的 AI safety 岗位。

为此，他推掉了已有 offer，并把毕业时间推迟到 2027 年。

接近 fellowship 结束时，他重新开始求职。 原计划是 6 月完成 fellowship，把工作整理成论文，7 月再开始面试。

但因为时机和 headcount 的担忧，他提前到 5 月中旬左右开始面试。 最后在 6 月中旬之前拿到了自己很满意的 offer。

这也带来一个结果：他中途撤回了一些还在进行的面试，甚至没有完整探索所有选项。

很多人已经知道，研究岗面试里的题目，可能和你过去做的研究没有直接关系。 比如面试里可能仍然会有 LeetCode。

作者的观察更进一步：在自己的求职过程中，真正起作用的论文可能只有一两篇。

有时候甚至没有任何一篇论文直接起作用。 公司更在意的是：你能否现场解决团队正在面对的问题。

在作者的经验里，论文主要承担两个作用。

第一，帮你进入面试流程。

你做过团队感兴趣的方向，或者论文证明你具备他们正在寻找的某种能力，于是你跨过了初筛门槛，正式进入候选人池。

第二，用于深挖。

这通常发生在 research presentation 或 research discussion 里。 你需要解释某项工作的动机、细节和技术判断。

但这种 presentation 有时只有 20 分钟。

所以，论文数量本身的边际作用有限。 它能建立可信度，却未必决定最终结果。

作者自己的例子很典型：他的 multilingual 论文数量远多于 AI safety 论文，其中还包括获奖论文。 但当他转向 AI safety 求职时，这些 multilingual 工作对面试结果几乎没有实质影响。

这件事反而让人轻松。

如果你能在新领域证明足够的专业能力，而团队也确实需要你，你仍然有机会拿到理想 offer。

反过来，它也提醒研究者：过去的成功只能打开一部分门。 如果你想进入新机会，仍然需要持续跟上领域变化。

作者原本以为，research scientist 的面试会像应届软件工程师面试那样： LeetCode、behavioral round，再加一些 LLM/deep learning 技术题。

他也以为面试流程会有一套相对标准的结构。 Alisa 和 Silvia 的文章容易给人这种印象。

但实际情况更分散。

他遇到过 system design 题，也遇到过 parallel programming 题。 例如用 asyncio 实现并发操作。

他还了解到，有些面试会评估候选人使用 AI agents 的能力。

所以这里的建议很实际：

不要只按一种固定题型准备。你应该预期会遇到 wildcard questions，也就是一些完全出乎意料的题。

work trial 对作者来说是全新的体验。

他原本以为这种形式主要出现在 AI safety 岗位里。 后来他发现，AI startup 里也越来越常见。

work trial 和 onsite 很不一样。 它更像短期加入团队，在真实任务里展示研究和执行能力。

你更像是短期加入团队，和他们一起解决一个任务。 有些任务还是开放式的。

这些 work trial 通常会付费。 但让作者意外的是，有些线下 work trial 可以持续一整周。

这会显著改变求职排期。

当你投入一个 work trial 时，你需要把大量精力放在当前任务上。 这会挤压其它公司面试准备的时间。

所以，如果你同时面多家公司，而且 turnaround time 很紧，就要谨慎安排。

work trial 更接近一段短期项目，它可能会吃掉一整段准备窗口。

在当前市场里，timing 对 full-time research position 的影响很大。

作者举了一个例子：2025 年秋季，AI safety 岗位比 RL 相关岗位难找很多。 但现在，提供 AI safety 机会的 startup 变多了，例如 Lila 和 Mechanize。

时机至少会从几个方向影响求职。

第一，你的工作突然火了。

如果某个项目被广泛关注，很多组织会突然对你产生兴趣，甚至主动联系你。 这种时机可能来得很突然。

最好的做法通常是抓住窗口，尽快进入面试流程。

第二，你的研究方向变热了。

当某个方向变得重要，公司会更愿意开放岗位。 有些申请窗口可能短到不到一个月，有些则会持续几个月，因为公司正在扩张。

第三，headcount 决定很多事。

如果你考虑推迟面试，或者想设计多家公司并行面试的节奏，一定要问 recruiter 当前 headcount 情况。

第四，exploding offer 会压缩所有节奏。

如果你手上有快过期 offer，可以请求其它公司加速面试。

这种情况下，不要惊讶于一天里连续三场面试，且准备时间不到一天。

作者也提醒：推迟开始面试通常是合理的，比如推后一两个月。 但一旦面试正式启动，每一轮之间的间隔通常会很短。

有些岗位还希望你在接下来一两个月内入职。 当然，start date 往往可以谈。

软件工程岗位里，实习后的 return offer 往往比较常见。 但 research role 更偏 case-by-case。

作者举了两个自己的经历。

2024 年他在 Meta 实习时，full-time return offer 很少，而且高度依赖 headcount 和 team。 很多朋友都没有拿到。

后来他参加 Astra Fellowship with OpenAI。 即便如此，想进入 OpenAI 仍然需要和其它申请者一样走完整面试流程。

当然，也有一些组织流程会更快。 如果 team match 顺利，可能只需要再过一两轮。

但总体来说，不要默认研究岗实习或 fellowship 会自然转成 full-time offer。

作者从 capability research，也就是 multilinguality，转向 safety。 因此他原以为 safety-related interviews 会占据很大比例。

这种印象在 Astra Fellowship 期间被进一步放大。 因为在 Constellation 里，大家经常讨论 AI safety。

但真实面试并非如此。

他遇到过很多和 AI safety 完全无关的轮次，更谈不上和自己的具体研究兴趣有关。

这和 Alisa、Silvia 分享的经验类似。 即使她们做的是其它 AI 方向，也会遇到类似情况。

在不少地方，面试仍然是在评估你是否是一个足够全面的 AI researcher。

作者认可这种评估方式有一定道理。 领域变化很快，所以基础能力确实重要。

但他原本预期 AI safety 岗位会有更高比例的 safety-specific questions。 毕竟在他看来，AI safety 是紧迫的研究主题，也仍然是一个相对小众的领域。

也许 senior position 的面试体验会不同。

对于 safety researcher，作者还补充：他合写过一篇 LessWrong 文章，专门讲 AI safety 技术面试准备。 但即便如此，也要预期题目会非常多样。

作者推荐了三份 2026 年仍值得看的资料：

• Nathan Lambert：Thoughts on the job market in the age of LLMs[1]

• Alisa Liu：Notes on the Industry Job Search[2]

• Silvia Sapora：ML Job Interviews: The Ultimate Guide[3]

这篇文章对 AI 研究岗候选人的提醒很清楚：不要把求职理解成一个线性的「论文越多越强」的评分系统。

真实流程更像一个动态窗口：

你需要有能过门槛的代表作。 你需要能在团队问题上即时展示能力。 你需要准备多样化面试题。 你需要给 work trial 留出整块时间。 你还需要判断 headcount、方向热度和 offer deadline。

对正在做研究方向切换的人，这篇文章尤其有启发。

过去方向的成功会给你可信度，但不会自动替你完成新方向的证明。 如果你想转向 AI safety、post-training、agent research 或其它快速变化的方向，最重要的是尽快构建能被团队识别的相关证据。

一两篇真正相关、能被深挖的作品，可能比一长串不相关论文更重要。

同时，也不要把 interview prep 做得太窄。 研究科学家面试可能考 coding、system design、parallel programming、AI agent 使用、research discussion，也可能考你对整个 AI 领域的基础判断。

换句话说，今天的 AI research scientist 求职，更像是在证明三件事：

1. 你曾经做成过研究。

2. 你能迅速切到团队当前需要的问题上。

3. 你能在不确定、快速变化的流程里保持判断和执行。

这比「论文列表是否漂亮」更接近真实筛选逻辑。

[1] Thoughts on the job market in the age of LLMs: https://www.interconnects.ai/p/thoughts-on-the-hiring-market-in [2] Notes on the Industry Job Search: https://alisawuffles.github.io/blog/job-search/ [3] ML Job Interviews: The Ultimate Guide: https://silviasapora.github.io/blog/ml-interviews.html