AI Engineer 面試日練 — 2026-08-20：ML System Design
ML system design 面試的核心不是選哪個模型，而是怎麼讓模型在生產環境活下來。今天聚焦四個高頻考點：feature store 的 online/offline 分離、training-serving skew 的根因與防堵、模型部署策略（shadow/canary/blue-green），以及超越 HTTP error rate 的 ML-specific 監控。
16 篇文章
AI Engineer 面試日練
每日一篇 AI Engineer 面試練習，依星期輪替七個主題——ML 基礎、深度學習、系統設計、LLM 工程、Coding、論文閱讀、行為面試——從網路抓最新面試題與資源。
AI Engineer 面試日練 — 2026-08-21：Coding（ML 手刻實作）
ML coding round 考的不是背 leetcode，而是能不能只用 NumPy 把 attention、k-means 這類 ML 元件從零寫出來，同時講清楚每一步的 shape 和複雜度。今天聚焦五個高頻考點：向量化思維、softmax 數值穩定性、shape 追蹤與複雜度分析、batch inference 的 padding/masking，以及手刻演算法時該怎麼驗證正確性。
AI Engineer 面試日練 — 2026-08-22：Paper Reading（論文精讀）
Paper reading round 考的不是你有沒有把論文讀完，而是你能不能像親自做過這個研究一樣，講出關鍵設計選擇背後的 trade-off、指出實驗設計的漏洞，並預測下一步該怎麼做。今天用剛發表的 OneDayAgent（長程 agent harness，2026-08-04 掛上 arXiv）當練習素材，拆解 task decomposition、context 壓縮、verify-repair 三個核心機制，並完整跑一輪典型的論文追問。
AI Engineer 面試日練 — 2026-08-23：Behavioral（本週回顧）
AI Engineer 的行為面試不是講你做過什麼專案，而是讓面試官從你講故事的方式，反推你能不能扛更大的 scope、能不能在模糊情境裡自己定義問題、出包時會不會誠實講『我錯在哪』。今天用一個『RAG 系統上線後給錯答案，你怎麼揪出根因並穩住客戶信任』的故事框架練習，再回顧本週（週四到週六）練過的 ML System Design、Coding、Paper Reading 三個主題。
AI Engineer 面試日練 — 2026-08-24：ML Fundamentals
ML fundamentals 面試考的不是背定義，而是拿到一個 train/val 落差時能不能走出一套診斷流程。今天聚焦四個高頻考點：bias-variance decomposition 與 learning curve 判讀、L1/L2 正則化的幾何直覺與選擇邏輯、loss function 要對齊商業目標而非預設值，以及 AdamW 為什麼把 weight decay 和 L2 正則化拆開處理。
AI Engineer 面試日練 — 2026-08-26：ML System Design
ML system design 面試考的是把商業目標翻譯成完整的機器學習系統，不是背 buzzword。今天聚焦四塊高頻考點：feature store 的 online/offline 雙軌與 point-in-time correctness、線上推論的延遲預算與 shadow mode、A/B test 該用什麼隨機化單位與怎麼分辨 novelty effect，以及用 PSI 偵測 data drift 和 concept drift 的差別。
AI Engineer 面試日練 — 2026-08-27：LLM & Agent Engineering
2026 年的 AI Engineer 面試已經不再只考「RAG 怎麼做」，而是考你能不能在失敗模式下做出有依據的取捨。今天聚焦五塊：RAG 該不該升級成 agentic RAG、context window 的分層組裝與 lost-in-the-middle 問題、guardrails 怎麼擋住惡意輸入與輸出、RLHF 的 reward model 訓練流程，以及怎麼從 trace 裡分辨 retrieval 失敗、generation 失敗還是 agent 卡進無限迴圈。
AI Engineer 面試日練 — 2026-08-28：Coding（推論排程與除錯手刻）
2026 年的 ML coding round 不再只考「從零寫出來」，也考「看得懂別人寫壞的程式碼」。今天聚焦五個考點：LLM 推論排程的狀態機設計、debug 既有 ML 程式碼的方法、NumPy shape 陷阱、pandas 時序特徵的資料洩漏防範，以及 AUC-ROC 的從零手刻。練習題取自 Anthropic 近期一份公開流出的 OA 真題：簡化版 GPU 請求排程器。
AI Engineer 面試日練 — 2026-08-29：Paper Reading（論文精讀）
Paper reading round 考的不是你有沒有把論文讀完，而是你能不能在有限時間內抓到核心 claim、講清楚設計選擇背後的 trade-off，並提出可驗證的追問。今天用剛發表的 SparseRead（token 效率讀取層，2026-08-23 掛上 arXiv）當練習素材，拆解 regime-aware Read Gate、Reader Backends、stateful protocol 三個核心機制，並完整跑一輪『事前過濾 vs 事後裁剪』的技術追問。
AI Engineer 面試日練 — 2026-08-30：本週回顧與行為面試
行為面試考的不是你有沒有故事，而是你能不能在 90 秒內把一個技術事件講成『情境明確、行動具體、結果可量化』的敘事。今天用『上線模型效果驟降，你怎麼在跨團隊壓力下把它修好』這個 AI Engineer 最常被問到的情境，走一輪完整 STAR，並回顧本週 ML Fundamentals 到 Paper Reading 五個主題練了什麼。
AI Engineer 面試日練 — 2026-08-31：ML Fundamentals
ML fundamentals 面試考的是能不能在拿到一個『指標很漂亮但線上出包』的落差時，講出正確的診斷路徑。今天聚焦四個高頻考點：AUC-ROC 在極度不平衡資料下為什麼會虛高、PR-AUC 才是該看的曲線、分類為什麼要用 cross-entropy 而不是 MSE（牽涉梯度消失）、bagging 和 boosting 分別修正 variance 還是 bias，以及多重共線性只毀可解釋性不毀預測準確度的常見誤解。
AI Engineer 面試日練 — 2026-09-01：Deep Learning & NLP
Deep Learning & NLP 面試考的不是你會不會畫 transformer 架構圖，而是你懂不懂每個設計決策背後在犧牲什麼。今天聚焦四個高頻考點：self-attention 的計算與 KV cache 的作用、tokenization 的 vocab size 取捨、『embedding 是向量空間契約、維度相同不代表相容』這個資深候選人才會講的細節，以及 fine-tuning 跟 prompting 該怎麼選、catastrophic forgetting 怎麼防。練習題則是 Scale AI 的『設計 embedding 生成與分類 API』，走一遍版本相容性、部分失敗與多租戶隔離的完整設計。
AI Engineer 面試日練 — 2026-09-02：ML System Design
ML System Design 面試考的不是你會不會畫架構圖，而是你能不能把每一層的取捨講清楚。今天聚焦四個高頻考點：feature store 如何保證 training/serving 一致性、部署策略要怎麼分層選擇並設計 rollback 觸發條件、監控要拆成 system/data/model 三層並用 PSI/KS test 抓 drift，以及線上推論的 latency 預算怎麼分配。練習題是「設計一個電商即時推薦服務」，走一遍從釐清需求、估算流量、到 feature store 與部署策略的完整設計。
AI Engineer 面試日練 — 2026-09-03：LLM & Agent Engineering
LLM & Agent Engineering 面試考的重點不是『你會不會串 LangChain』，而是你能不能把一個模糊的『系統壞掉了』拆成可診斷的子問題。今天聚焦四個高頻概念：RAG 的『retrieval 對、答案卻錯』要拆成 retrieval 和 generation 兩段分開評估；agent context window 變大不能解決品質下降,因為問題是 context pollution（雜訊稀釋注意力）不是 token 數不夠;RAG 跟 fine-tuning 的選擇邏輯是『RAG 管知識、fine-tuning 管行為』；LLM-as-judge 有一致性偏誤與自我偏好偏誤,不能單獨當唯一指標。練習題是一道很常見的企業面試情境題:『retrieval 90% 準、答案只有 60% 準,怎麼診斷』,走一遍把模糊症狀拆成可驗證假設的完整思路。
AI Engineer 面試日練 — 2026-09-04：Coding
ML coding 面試考的不是背 LeetCode 樣板,而是能不能用 NumPy 徒手寫出 building blocks(linear、residual、layer norm、causal self-attention)並且看得懂別人的訓練/推論迴圈在哪裡壞掉。今天聚焦四個概念:coding 面試的真正考點是徒手實作能力而不是背答案;BPE tokenizer 的核心是「頻率統計 → 迭代合併 → 用同樣的合併順序 encode」,順序錯了 encode 就會跟 decode 對不上;batch inference 的吞吐量/延遲取捨要處理不同長度序列的 padding 與浪費運算;NumPy 向量化的判斷依據是「這段迴圈裡有沒有跨元素依賴」。練習題是 Glean 技術篩選常出的題目:實作一個 BPE tokenizer,走一遍從訓練到 encode/decode 的完整思路。
AI Engineer 面試日練 — 2026-09-05：Paper Reading
Paper reading 面試環節考的不是背論文結論,而是能不能在 15-20 分鐘內講清楚一篇陌生論文的問題定義、方法核心與限制,並提出有意義的追問。今天精讀的論文提出 invalidation contracts:讓 LLM agent 快取的錯誤修復建議帶上版本戳記與可快取性提示,伺服端資料一旦飄移就能精準逐筆(row-level)讓快取失效,而不必整批作廢或每次都重新推導。論文最核心的洞察是把「快取有沒有省到錢」拆成兩個獨立變數——validity(快取內容還對不對,只跟協議設計有關)與 compliance(規劃模型願不願意採用這個修復建議,因模型而異,同一份資料在 Claude Haiku 4.5 上有 100% 的第一次遵循率,在 Claude Sonnet 5 上卻可能低於 11%)。這個拆解框架本身就是很好的面試素材:它示範了怎麼把一個含糊的效能問題,拆成可以分別度量、分別歸因的兩個因子。