2026上半年SDE找工分享

又跳槽了，老规矩再写一篇记录贴，也希望对大家有所帮助。

. check 1point3acres for more.背景介绍：8yoe, 小中大厂全待过，普通SDE(domain来讲做过广告和fintech)，分布式系统做的稍多，集中在platform layer. 算上毕业找工这是第四次找工。很多基本的topic这个帖子就不cover了，我侧重分享一些这个特殊时期转AI的一些感受和大家也许会忽略的critical points.
跳槽motivation: 不想再work on web2.0（personally feel it is sunsetting），instead想work on something sunrising or leading the future.
Goal: Series A+ to Pre-IPO AI native startups. 我的目标是做AI相关的内容。目标position需要在以下两个要求中满足至少一个（AI native company or AI focused position)。就是说要么公司层面主AI, position不核心（小公司进去以后再边学边找机会）；要么公司不主AI但是position是高度AI相关。两者都满足当然是perfect.

还是先上数据，再分析。
Timeline:

• 2月开始准备
• 3月开始Practice interview(fail了也无所谓的面试)
• 4月和5月集中面试
• 6月面试明显变少，开始收尾
• 最终七月初拿下offer

Companies and interviews
进入tech rounds有21个，其中7个onsite，最后2 offers(能接的就一个，因为有一个是practice所以不感兴趣)。因为我住南湾，所以没办法接受SF office。SF我只投了openAI和Ant.

• TikTok (practice)
• Roblox (practice)
• Linkedin (practice)
• Tessera Labs. 这是个A轮小公司，做AI app的。我没那么感兴趣。两轮practical design and coding interviews(直接面试里干模拟项目)。
• Eleven labs. 这个我挺想去的。欧洲的一个做voice agent的startup。有自己的模型。Top AI startup.
• HeyGen. 这个A轮，也不错。感觉很卷。
• Modular AI. 这个聊下来我也挺喜欢的，他们做vertical AI stack. 从complier到inference。现在好像已经被收购了。（面试应该没问题，不过background不太match被别人比下去了）
• Snorkle AI. 这个是做数据标注平台的。我感觉跟scale AI一挂的，不过应该有些不一样。（面试应该没问题，不过background不太match被别人比下去了）
• Whatnot. 电商平台，还比较火。
• Glean. enterprise knowledge AI solution. 前景不太清楚。我感觉继续下去应该有一席之地。
• DatologyAI. A轮startup, 做data curation. （面试应该没问题，不过background不太match被别人比下去了）
• Figure AI. physical AI startup, 做机器人的。（面试应该没问题，不过background不太match被别人比下去了）
• Snowflake. SD没问题，coding feedback说差点意思。
• Crusoe. AI infra. 之前挖矿的，现在pivot到AI infra了。有vertical全栈layers, energy layer起家。个人感觉还不错。

7 onsite

• Fireworks AI. 可惜了，挺想去的。做open source model inference platform, top AI startup. 最后一天改了我的面试加了个ai coding. 面试官也不清楚想考什么的样子。45mins既要又要。没缘分吧。
• Anthropic. 这个嘛，也没抱什么希望。2026上半年bar最高的公司了吧，没有之一。
• Google. 面的ML Infra org. 5轮面试，就是天竺人那两轮说feedback不太行，不觉得是巧合。不过that is what it is.
• Character AI. 感觉公司氛围不错。前景就不太确定了。
• Applied Intuition. physical AI里的一个top startup. 也还不错。不过有点卷。一周五天office.
• Zeta. 练手的，做广告的， 没接offer。
• Nuro. 智能驾驶。进去做ML data infra. 已经签了。也算是跨入了physical AI这个领域。let's see.

下面给点分析和总结

• 现在市场怎么样？整体来讲，不好。对于普通SDE不好。AI这块的顶尖人才很香。普通SDE找工作的太多了，职位却在减少。普通SDE转AI也不容易。不是说跨度有多大，而是竞争太激烈。2025年其实好转很多。可惜2025有一波人已经转了，现在有那么半年的经验就吊打我这种没有相关经验的。
• A lot of great AI startups in SF city. So if you are located in SF, go for it!!
• 不知道其他朋友是否一样，我明显感觉到六月面试突然变少很多。突然就没有人reach out了。我感觉这么看春招和秋招真的是很重要的timing. 看起来春招 > 秋招 > 年中年末。大家跳槽时间上还是考虑下这点。
• 怎么样才能脱颖而出？对于大部分普通人来说，现在的市场你必须在自身基础扎实，面试过关的情况下，拥有以下两个优势里的至少一个（background很match or 内部有人）。 现在我的感受是普通的面试轮已经无法让HM作出决定了，进入onsite五个人，其中四个人都面的很好。他怎么选，只能看谁的背景更match, 谁是认识的人。或者推荐的，有担保，大概率靠谱。你要知道现在的难度不是面试本身，而是满分10分，你拿到一个8分，却有人拿9分甚至10分。
• 转AI到底指的是什么？这个从行业领域的角度来讲比较合适。大家都清楚目前AI最核心的是model。那转AI就是做一切和模型直接或间接有关的工作。比如Training，serving and inference, AI infra（computing orch, gpu accelerator, etc), ML data, AI application. 离model越近就越香，也越难。不过现在model周边生态开始大规模发展，毕竟整套落地赚钱才是end goal。
• 我找工过程中也pivot过好几次。比如我开始是接受ai app端的，agent orch, context engineering. 后来我发现这层很薄（不是说没挑战，而是真正有挑战的也就那几家context window很大，用量很多的系统）。而且作为AI stack的最上层，下层的变化太容易影响到它。这个就不利于以后Build career moat. 我大量准备了model serving and inference这块，可惜最后没有offer。我也有考虑AI infra里离普通SDE最近的role, computing resource orch. 如果原来做K8S, Slurm, HPC, Ray相关的可以考虑作为切入点。后来我又盯上了physical AI, 各种autonomous systems。
• 我觉得需要认清楚自身的优势，然后明白自己的目标。然后找切入点，什么可以让你与众不同，什么可以让你胜过tons of candidates去竞争某一个职位。
• 四五月份的时候我面试了很多公司。大量的面试和维持正职工作确实把我的schedule拉满了。一周多的时候我有3~4个不同公司的面试。如果再来一次，我会控制在一周两个公司的面试，不超过三个。有些公司有面经，刷刷还是挺有帮助的。面试多了准备时间就不够。而且我发现有些公司的面试有点像“服从性”测试，面经题库不大，不过都很难。你要是花时间把那些吃透，通过概率大大增加，比如Glean. 但是如果失败了可能你看的这些题目就很难reuse到其他面试。

准备和面试的干货

• 如果你target Senior+ levels，我一定会建议先深挖自己的work experience。整至少一个最厉害最能说出口的project. 然后重点是挖出highlights, challenge是什么，你做了什么decision, tradeoffs, 有哪些选择，你为什么选这个，如果再来一遍你会怎么做，what did you learn. 这个深挖很关键，它会成为你拿下project deep dive 和 HM talk, 甚至BQ的关键。也是你战胜其他candidates的关键。如果你最厉害的project都讲不出来深度和难度，以及整个problem resolving的过程，那就大大减分了。
• Coding这次我就刷了100题然后以战代练。然而现在有个困境，就是这个市场下，什么都在考。不同的公司有不同的考法。整体来讲AI startup很少考typical LC了。更多的考察practical coding, 就是wrap一个实际场景，你需要建模然后抽出来背后考察的算法数据结构。physical AI公司考的coding很难，全是hard。可能是因为算法整体来讲对physical AI意义重大吧。有些公司也不考算法数据结构，直接上Project. 这种更偏practical, it is a combo of design + coding. 现在还有少数公司融入AI coding， 就是面试里能用AI code. 这个考察你实际工作怎么用AI，能不能合理高效的使用。不过我的观察是AI coding interview目前还是很少。以后应该会越来越多。
• 我没有投很多公司，我的apply to reply ratio很高。我的办法是有了感兴趣的公司后，我去linkedin打开people那一页，找在国内长大的同胞，用中文发一封陈恳的求助，然后每个公司发>=三个人（最好找跟你mutual connection更多的，以及LinkedIn账号活跃度更高的，你要知道大部分人是不会经常check LinkedIn messages）。一般大概率会有一个同胞回复我并且愿意帮忙内推。我很感激所有帮助过我的朋友。我也呼吁在这个时代，这个环境，大家尽量的互相帮助，你拉我一把，我拉他一把。startup内推特别有效果。
• 还是得撒大网，尽量多拿面试，不要在几棵树上吊死。现在openings很不稳定，要么cancel了，要么filled了，要么paused了，非常搞心态。如果面试很少就压力很大。相反如果能找到办法多拿面试，一方面可以减少每次面试的压力，还可以增加自身筹码，不至于一个面试丢了就失魂落魄。
• System design: 这个我反而没太多好说的了这次。我感觉用什么资料都行。多看看，找合适自己的。
• • 首先knowledge不能缺，该补得补。
  • 其次去熟悉各种基础的系统类型和框架，还有经典的design题目。
  • 实际上很多时候我感觉Senior+的SD都不是完全在考察你会不会design某个系统。主要还是在检测你会不会design, communicate, clarify requirements, make judgement, decision, and tradeoff. 或者说你具不具备一个成熟engineer的特质。比如你怎么react别人的inputs. 你发现自己的design有问题或者不work的时候，你能不能admit mistake and try to fix it in a good way.
  • SD最重要的不是给出答案，因为没有标准答案。而是在需求不明确，时间有限制，条件有限制的情况下reduce uncertainty, clarify scopes, make judgements, offer options, and make tradeoffs, why you would like to do/design in xxx way. 如果你没有提供alternatives就直接说我要这么做并且不解释为什么，那么面试官很难知道你是不是死记硬背的，你是不是肚子里没水，就知道这个solution。做工程的都懂，everything is about tradeoff. 你不可能只有一个选择。
  • 练习和Mock很重要。现在很多SD学习平台都提供AI mock. 就是你自己跟着框架走一遍去design一个system。还有real person mock interview。付费是值得的，SD需要专业的面试官，效果差很多。不要在意那么几百块钱，你拿到好的offer这点九牛一毛。
  • Time management应该是最大的挑战之一。我一直也深受其扰。我的办法是强制多练习前10~15分钟，必须把requirements, api, and entity完成。每个人都有自己的框架，time management最好的办法就是前面的部分不要拖拉，高效熟练的完成，给后面high level design，特别是deep dive(very important for Senior+) 争取时间。我的经验是Senior+至少要有10mins的deep dive时间，否则根本不够发挥。
  • SD前面的过程我加速了以后我会发现deep dive没有想象那么简单和顺畅，我以为我都懂所以deep dive很简单就能完成。随之我发现的challenge是，deep dive的topics可以很多，有限的10~15mins怎么选择当下系统最重要的话题，怎么结合自身最擅长的话题，给面试官至少一个highlight甚至surprise。最终目的就是留给面试官至少一个亮点，让他因为deep dive这一趴对你整个SD面试印象深刻，所谓的高光时刻。否则你跟其他人差不多，脱颖而出就很难了。
• BQ: 总的来说就是让HM找到hire你的理由，越多越好。你可以仔细想想自己的优势是什么，作为一个engineer, 一个person, 你跟其他人有什么不一样，你有什么独特的优势。我总结了几个比较popular的HM喜欢的点，可以作为参考。
• • Tech breath and depth
  • High agency
  • Execution energy + sustained ownership
  • Easygoing, be nice
  • Enthusiasm/passion to join
  • Fast moving
  • Adaptability to rapid change
  • Open-minded
  • Reliability / Low execution risk
  • Low ego
• 使用AI：既然已经意识到AI的强大，当然要尽量使用来增加效率，提高产能。我基本能用gpt的都在用。这个要靠自己去发掘。比如我挖掘项目的时候可以给context然后和gpt一起挖。我练SD的时候有些想法可以跟gpt一起讨论。我找感兴趣的公司的时候跟gpt聊了自己的想法和标准，跟它一起explore有哪些优秀的公司符合我的filters.  

写在最后，也想和大家分享一点自己的感受。

这一路我也经历了很多起起伏伏，就像市场的周期一样。有时候，一周里连续收到好几个Move to Next Step；可下一周，又可能接连收到几封拒信。那些曾经充满期待和想象的机会，会在一瞬间变成同样分量的失望和自我怀疑。

慢慢地，我甚至不敢对任何一个机会抱太大的期望。我会变得患得患失，敏感，情绪不稳定。这种时候一定要抽离出来，回到real life, 去感受真实生活中的每一个moment。你的家人，朋友，外边的树，阳光。和朋友吃个饭聊聊天，和家人通个视频，出去爬山，锻炼，anything.

我越来越坚定——千万不要怀疑自己。

找工作本来就不是一条直线，它充满了运气、时机和匹配度。一次拒绝，并不代表你的能力；一次通过，也不意味着终点。真正重要的是，不断成长，保持节奏，坚持走下去。

走自己的路，到自己的终点。

楼主对agent应用想简单了吧 我怎么感觉反而是inference/serving会在未来基本被垄断和工具化 以后就大家直接接/或者调下配置就行了
这个机会远远小于agent system吧

hnhhhhhhsnhdhng 发表于 2026-07-21 19:24:30
楼主对agent应用想简单了吧 我怎么感觉反而是inference/serving会在未来基本被垄断和工具化 以后就大家直接接/或者调下配置就行了
这个机会远远

同意，未来inference相关的岗位不一定，但是training的岗位是一定会越来越少。做training infra的人如果不是最顶尖的，很可能都要失业。inference infra当然也好不了太多

专门找有moat ai startup的话也可看fastaijobs.com

已加米。好奇一下Roblox和LinkedIn分类到practice的原因

falo 发表于 2026-07-21 19:29:17
已加米。好奇一下Roblox和LinkedIn分类到practice的原因

Testnnnnn

补充内容 (2026-07-22 13:04 +08:00):
这俩都是刚好被reach out。组也不是AI相关的组。所以兴趣不大，随便面面哈哈。

感谢分享。非常详细，意见中肯。

请问fireworks 的aicoding考的大概是什么呢？看他给的tips像是system design但是只有45分钟，又要coding 😂已加米！

同面过ZETA,请问你是面的lead level吗？

hnhhhhhhsnhdhng 发表于 2026-07-21 19:24:30
楼主对agent应用想简单了吧 我怎么感觉反而是inference/serving会在未来基本被垄断和工具化 以后就大家直接接/或者调下配置就行了
这个机会远远

我的认知有限，不过我可能会看三到五年吧。看十年的意义其实不是很大，特别是对于career moat来讲。agent这边我这几年的concern是太薄一层，变化太快。下层建筑大变，agent这一层也会大受影响。以后我不觉得会有很多agent app。agent layer也会被装成一个统一层面被少数人控制。真正有价值的仅仅是垂直领域的data而已。

感谢分享!!