Skip to content

AI Engineer 面試資源怎麼挑：官方說法、12 個 GitHub 題庫與付費平台比較

2026年9月30日1 分鐘
首頁›ai
TL;DR先讀公司官方說明：Meta 已要求候選人在面試中使用內建 AI，Anthropic 預設禁用。題庫挑有附來源、今年還在更新的，例如 alexeygrigorev field guide、ombharatiya 與 alirezadir。12 個熱門 repo 只有 2 個替題目附上可點的來源，有些答案放在付費牆後面。
#interview#ai-engineer#career#github#hiring
系列: AI Engineer 面試準備 (11 / 17)
Behavioral & Ethics 面試攻略：AI 倫理、團隊合作與影響力敘事RAG 面試整理：從三階段流程到 Agentic RAG，九種變體怎麼分、怎麼答

🌏 English version

pallavi-shekhar/ai-engineering-interview-questions-company-wise 這個 repo 在 2026 年 9 月 19 日建立，9 天後就有 1.5k 顆星。它整理了 35 間公司、約 600 題「真實面試題」，但全檔沒有任何一題附出處。這不是個案：這次盤點的 12 個熱門 AI 面試 repo，只有 2 個替題目或面試流程附上可點的來源。

這篇是 AI Engineer 面試準備系列的第 11 篇。前 10 篇講的是「要準備什麼」，這篇處理「要拿什麼來準備」；第 12–17 篇接著回到「怎麼答」，依主題整理機制與答法，包含 RAG、Agent 與 MCP、Prompt／Context／Harness、LLM 工程、ML 與 Transformer、系統設計、Coding 與行為面試。結論先講：先讀目標公司自己寫的面試說明，再用有附來源的整理，最後才拿無來源的題庫刷量。

以下資料的查詢日期：GitHub star 數為 2026-09-28，其餘為 2026-09-30。

2026 年最該先讀的是公司自己的說明

過去準備面試，大家習慣先搜面經。今年有個變化：幾間主要 AI 公司開始把「面試能不能用 AI」寫成正式規定，而且規定互相矛盾。拿錯前提準備，等於練錯考科。

公司官方怎麼說對準備的意義
Meta「Candidates are expected to use this AI assistant as part of the interview.」CoderPad 內建 Claude、ChatGPT、Gemini 和 Meta 自家模型，外部 AI 工具一律禁止要練的是和 AI 一起讀、除錯、擴充既有程式碼
Anthropic現場面試「This is all you–no AI assistance unless we indicate otherwise」，take-home 也預設不用 Claude預設靠自己寫；但效能工程的 take-home 明確允許 AI
OpenAI「some formats intentionally allow them, while others are designed to assess your independent problem-solving without AI tools」；final 是 4–6 小時、4–6 位面試官、1–2 天同一輪流程裡兩種都會遇到，要問 recruiter
Google DeepMind30 分鐘 recruiter call → 兩到三場技能面試 → 與 team lead、主管的 final官網沒寫 AI 政策
Cursor官網沒寫流程；Business Insider 報導工程與設計職缺用兩天的到場 work trial，在凍結版本的 codebase 上工作準備的重點是在陌生的大型 codebase 裡快速定位、做出成果

另外兩個一手來源值得一讀。Canva 工程部落格在 2025 年 6 月宣布，後端、ML、前端的候選人面試時「expect」使用 Copilot、Cursor、Claude 這類工具。Anthropic 那篇 take-home 文章則記錄了 Claude Opus 4.5 在時限內追上最強候選人的過程，所以題目改了三版，時限也從 4 小時縮成 2 小時。

幾家的方向其實一致：評分重點從「從零寫出正確答案」移到「讀懂既有程式碼、驗證 AI 的產出」。 據多個備考站報導，Meta 的 AI 面試分成修 bug、實作、優化三段。Cursor 讓你在真實 codebase 上工作。Business Insider 也報導 Google 會在部分美國團隊試辦允許 Gemini 的「code comprehension」面試，不過這是媒體根據內部文件寫的，Google 官網還沒有公開。

今晚就能做的事：把目標公司的官方面試頁讀完，記下每一輪能不能用 AI。官網沒寫的，列成要問 recruiter 的問題。

五種資源，可信度由高到低

flowchart TD
    A["1. 公司官方說明<br/>careers 頁、工程部落格"] --> B["2. 原始面經<br/>Reddit、LeetCode Discuss、PTT"]
    B --> C["3. 有附來源的整理<br/>field guide、ombharatiya"]
    C --> D["4. 無來源的題庫<br/>多數 GitHub repo"]
    D --> E["5. 付費平台<br/>模擬面試、課程"]
    A -.->|"決定考什麼、能不能用 AI"| F(("你的準備計畫"))
    C -.->|"決定練哪些題"| F
    E -.->|"練表達與臨場"| F
類型解決什麼主要風險
公司官方說明流程、AI 政策、評分標準寫得很概略，不會告訴你題目
原始面經具體題目、當下的流程細節樣本偏差大，一個人的經驗不代表整間公司
有附來源的整理把分散的面經彙整成地圖整理者的判斷會混進去，要回頭看來源
無來源的題庫大量題目、快速刷過一輪分不出哪些是真的面試題、哪些是編出來的
付費平台真人或 AI 模擬面試、結構化課程價格和方案變動快，內容品質看作者

12 個 GitHub 題庫比較

Repo★最後 commit附來源答案2026 題型備註
alexeygrigorev/ai-engineering-field-guide5.7k2026-09-23✅ 題目附註腳❌take-home、AI 可用面試面試章節主要停在 2026 年 2–6 月
ombharatiya/AI-Engineer-Interview-Questions1492026-08-25✅ 公司頁✅ 每題AI 協作面試、work trial、FDE6 週內大批量建立
alirezadir/AIMLInterviews9.8k2026-09-23作者經驗🟡 程式有解agent 設計、eval還沒涵蓋 AI 可用面試
amitshekhariitbhu/ai-engineering-interview-questions3.2k2026-09-29❌🟡 外連文章agent、harness答案幾乎都連到同一個教育機構
pallavi-shekhar/…-company-wise1.5k2026-09-29❌🟡 外連文章情境題同一機構維護
llmgenai/LLMInterviewQuestions1.9k2025-02-12❌❌ 付費課程❌近一年沒更新
KalyanKS-NLP/LLM-Interview-Questions-and-Answers-Hub1.1k2026-02-09❌✅ 短答❌推銷自己的書
KalyanKS-NLP/RAG-Interview-Questions-and-Answers-Hub6452025-12-21❌✅ 短答❌一次上傳後沒再維護
wdndev/llm_interview_note15.2k2026-06❌🟡 品質不一❌簡中；主體內容停在 2023–24 年
km1994/LLMs_interview_notes2.6k2024-12-26❌❌ 連到外部平台🟡 有 o1 章節簡中；repo 內只有題目
khangich/machine-learning-interview12.8k2023-08-31作者經驗❌❌沒有 LLM 內容，已停更
chiphuyen/ml-interviews-book4.8k2025-03-21書❌ 答案檔是空的❌傳統 ML 經典，實質內容停在 2023 年

「2026 題型」指 AI 可用或 AI 協作的面試、work trial、FDE 情境題、agent／harness 設計、eval 設計。star 數最高的兩個（wdndev、khangich）都已經跟不上這些變化。

值得收藏的三個

alexeygrigorev/ai-engineering-field-guide：這是唯一用資料做出來的。作者爬了 6,964 份職缺描述，彙整 100 多篇面經，題目多半附 Reddit、HN、Medium 的註腳。它的 interview process 章節統計出流程中位數是 4 步。另外還收了 80 多個真實 take-home 作業的 repo，這在其他資源裡找不到。限制有三個：沒有答案；面試章節最後更新在 2026 年上半年；有些趨勢說得比來源還強，例如把 HN 上一則個人提案寫成「逐漸流行」的做法。

ombharatiya/AI-Engineer-Interview-Questions：星數少，但對 2026 年題型的涵蓋最完整。33 間公司的頁面都附 Sources 和「Last reviewed」日期，每題都有可展開的答案和追問。我們抽查的 KV cache 記憶體估算是對的。它的「AI Engineer 75」清單很適合當最後衝刺用。風險是整個 repo 在 6 週內靠大批 PR 建成，研究代理推測大量使用 AI 輔助。少數細節（例如 MCP 規格的特定版本）我們查不到出處，引用前要自己核對。

alirezadir/AIMLInterviews：從 2021 年維護到現在，前身是 FAANG MLE 面試指南。它有 38 題可執行、附 pytest 的 ML／LLM 程式題，也有 agent 系統設計和 eval 章節。缺點是還寫著「不要太依賴 IDE」，沒跟上 Meta 那種要求使用 AI 的面試。

當索引用就好的

Outcome School 的兩個 repo（amitshekhar 依主題、pallavi 依公司）：題目的編排很好查，pallavi 版每題還標了「哪幾間公司問過」。但兩個都沒有任何來源，答案連結幾乎都指向 outcomeschool.com，頁首還放了付費課程。pallavi 版的公司名單和面試流程描述和更早的 ombharatiya 高度相近，我們比對約有一半題目在 ombharatiya 找得到高度相似的句子，但 README 沒提到它。兩者是不是共用同一個上游來源，我們無法確認。建議用法是拿來找題目，要查證時回 ombharatiya 的 Sources。

KalyanKS 的兩個 Hub：答案每題約 100 字，適合快速複習定義。但我們抽到一題把 decoder self-attention 誤稱為 cross-attention，也有重複題。RAG 版在 RAG 評估指標上的深度不錯。

已經過時、或答案不在 repo 裡

  • wdndev 雖然有 15.2k 星，近期 commit 多是社群修錯字，主體停在 2023–24 年。我們抽到的推論章節沒提 KV cache，還把 gradient clipping 列成省記憶體的方法。
  • km1994 和 llmgenai 的 repo 裡只有題目，答案分別連到外部知識平台和付費課程。
  • khangich 完全沒有 LLM 內容，README 還連到一份來路不明、整本上傳的 Fluent Python PDF。
  • Chip Huyen 的 ML Interviews Book 在數學、統計、傳統 ML 和談 offer 的章節仍然有用。但它對 LLM 幾乎沒著墨，repo 裡的答案檔是 0 位元組的空檔案。

判斷一個題庫能不能信：五個檢查

打開任何一個新的面試 repo，花五分鐘做這五件事：

  1. 看 commit 歷史：git log --format='%ad %s' --date=short | head。第一個 commit 是幾天前、是不是一次大量上傳。
  2. 隨機點三題的出處：沒有出處就當成「題型參考」，不要當成「這間公司會考」。
  3. 抽一題你熟的答案：KV cache、attention scaling 這類有標準答案的題目，錯一題就要提高警覺。
  4. 看答案在哪裡：在 repo 裡、外連到作者部落格、還是要付費。
  5. 對照 2026 題型：有沒有 AI 可用的面試、work trial、eval 設計。沒有的話，它能幫你準備的只有傳統考科。

書、付費平台與面經社群

書：做應用層 AI Engineer，Chip Huyen 的 AI Engineering（O'Reilly，2025）最貼近實際工作。ByteByteGo 的 Generative AI System Design Interview（2024 年 11 月，Ali Aminian 與 Hao Sheng 合著）有 10 道題附完整解答，但章節偏模型訓練與多模態生成，目錄裡沒有 agent 和 eval 的專章。

付費平台：變動很快，讀之前先確認現況。Exponent 在 2026 年 8 月改名為 Aced，新增 FDE 面試課程，也更新了 Anthropic、OpenAI 的面試指南。Hello Interview 的真人模擬面試和 mentorship 已在 2026 年 5 月 31 日結束，題庫和付費內容繼續營運。interviewing.io 提供匿名的真人模擬面試，包含 ML 演算法與系統設計。各平台的價格和折扣條件常變，本文不列數字，購買前以官網為準。

面經社群：Reddit、LeetCode Discuss、Glassdoor 最接近原始資料，但偏差很大。Chip Huyen 2019 年分析 Glassdoor 面試評論時列出幾種偏差：會留評論的人本來就少、經驗極好或極差的人比較會寫、拿到 offer 的人和資淺候選人比較會寫。台灣讀者可以看 PTT Soft_Job，例如這篇 2024 AI/ML 新鮮人求職心得，記錄了 Appier LLM Research Scientist 的三輪面試，一面就混合了訓練取捨、LeetCode medium 和 chatbot 系統設計。讀的時候要記得原 PO 背景很強（兩段外商實習、頂會論文），他的經驗不代表一般新鮮人。

依準備時間怎麼搭配

你有多少時間先做再做
幾天讀目標公司官方面試頁，確認 AI 政策ombharatiya 的「AI Engineer 75」＋目標公司頁
2–4 週上面兩項field guide 的面試流程與 take-home 章節、alirezadir 的程式題，每週一次模擬面試
1–2 個月以上上面全部挑一個 take-home 作業完整做完當作品集，讀 AI Engineering，針對弱項回頭看本系列的系統設計、LLM 應用、Coding，並用第 12–17 篇文末整理的常見題目當練習清單

如果目標公司會讓你用 AI（Meta、Canva、Cursor 的 work trial），練習時就要打開 AI 工具。練的是拆需求、檢查 AI 產出、講出你為什麼接受或拒絕它的建議。如果目標是 Anthropic 這類預設禁用的公司，練習時就把 AI 關掉。

這次研究沒涵蓋的

  • Reddit、Glassdoor、Blind 的原文串多數擋自動抓取，這些來源的說法只讀到搜尋摘要。
  • 各公司說法有衝突的地方沒有選邊。例如 Anthropic 是否有 AI 協作輪：Aced（原 Exponent）的指南說有，interviewing.io 說嚴格禁止。Cursor 的 work trial 有沒有付費，說法也不一。
  • 只涵蓋英文與簡中資源，日韓等其他語系沒有盤點。

更新紀錄

  • 2026-10-03：加入系列第 12–17 篇（逐題整理常見題與答法）的連結

參考資料

相關文章

AI Engineer 面試全景圖：從公司類型到準備策略1 minDeep Learning 面試攻略：從 CNN 到 Transformer 的核心直覺1 minML Fundamentals 面試攻略：從 bias-variance 到 evaluation metrics1 min