Python基础需理解底层机制，如list/tuple内存布局、is/==差异及字节码；AI项目要讲清问题定义与决策过程；算法题重分析路径而非最优解；工程落地需具备MLOps全流程意识。
Python基础能力：不只是语法，更是工程直觉
面试官常通过简单代码题判断你对Python底层机制的理解。比如问“list和tuple的区别”，不能只答“可变与不可变”，要能说出内存布局差异、作为字典键的限制、函数参数解包时的行为，甚至CPython中tuple的优化（如小整数缓存、空tuple单例）。再比如“== 和 is 的区别”，需明确is比较对象身份（id），==调用__eq__，并举出字符串驻留、小整数池等典型反例。
建议动手写几段对比代码验证直觉：
- 用id()观察不同创建方式下list/tuple的地址变化
- 测试-5到256以外的整数、含空格的字符串是否还满足is == ==
- 用dis模块查看for循环、列表推导式、生成器表达式的字节码差异
AI/ML项目经验：讲清楚“你做了什么”，而非“项目用了什么”
不要罗列“用了PyTorch、调了BERT、AUC达到0.92”。面试官想听的是你如何定义问题、权衡方案、定位瓶颈、验证假设。例如：
- 数据不均衡时，你试过哪些重采样策略？为什么最终选SMOTE而非加权损失？有没有观察过少数类样本的t-SNE分布？
- 模型过拟合，你是先加Dropout、换早停，还是检查数据泄露？怎么确认是数据问题而非模型容量问题？
- 推理延迟高，你profile过哪一层？是I/O卡住、GPU未满载，还是Attention计算冗余？改了哪个kernel或batch策略？
准备1–2个有细节的“失败案例”——比如某次特征工程引入了未来信息，如何发现、如何修复、后续怎么加自动化校验。
算法与系统思维：从LeetCode跳到真实场景
手撕代码不是考背题，而是看你怎么把业务需求翻译成可计算的问题。常见陷阱：
- 给一段日志文本，统计每小时请求量TOP3的API——重点不在Counter，而在如何处理时间解析、时区、内存溢出（流式读取+窗口聚合）
- 训练后模型效果下降，设计监控指标——不能只说“看准确率”，要分层：数据分布偏移（KS检验）、特征缺失率突增、预测置信度衰减、线上服务P99延迟
- 多任务模型共享backbone，如何设计梯度裁剪或loss权重？要不要用gradnorm？为什么？
练习时，强制自己用一句话说清输入/输出/约束/边界条件，再动笔。比写出最优解更重要的是让面试官看到你的分析路径。
工程落地意识：AI不是跑通notebook就结束
很多候选人忽略模型上线后的现实约束。面试官会试探你对MLOps链路的理解：
- 模型版本如何管理？参数、代码、数据集、环境镜像是否都绑定？用MLflow还是自建？
- 线上AB测试怎么设计？流量切分基于用户ID哈希还是请求头？如何隔离冷启动用户？
- 模型热更新时，如何保证服务不中断？用蓝绿部署、滚动更新，还是predictor容器双加载？
哪怕没实战过，也可以基于公开工具链（Docker + FastAPI + Prometheus）画出简化的部署时序图，并说明每个环节的容错设计点。
