如何通过 kimi 官网招聘进入大模型团队？实战指南
去年秋天，一个做强化学习的朋友半夜给我发消息，说他投了十几家 AI 公司，简历石沉大海。我问他投的哪几家，他说基本都是第三方招聘平台。我当时就愣了一下——他连 kimi 官网招聘的入口在哪都没找过。
这事儿其实挺普遍的。很多人盯着猎头和招聘 App，反而忽略了最直接、信息最全、更新最快的官方渠道。尤其是月之暗面这种节奏极快的国产大模型公司，官网放出来的岗位，往往比第三方平台早上线一到两周，而且岗位描述写得非常细，几乎等于把面试考纲提前给你了。
核心结论摘要：kimi 官网招聘是指通过月之暗面（Moonshot AI）官方渠道投递简历的求职路径。相比第三方平台，它岗位更新更快、JD 信息更完整，且大模型训练、推理、多模态三条主线的考察重点差异极大，投递前必须先做岗位匹配。
这篇文章我会把官网投递这件事拆开讲清楚：入口在哪、岗位分几类、面试到底考什么、简历怎么写才不被秒挂。坦白讲，有些内容是我从几位已经入职和在面试流程中的朋友那儿拼出来的，不敢说百分百准确，但方向应该不会差太多。
Kimi 官网招聘的本质：一家国产大模型公司的用人逻辑
先把定义说清楚。kimi 是月之暗面推出的智能助手产品，这家公司 2023 年 3 月成立，创始人是杨植麟，同年 10 月发布了第一版 Kimi。到了 2025 年 7 月，他们开源了 Kimi K2，一份公开的技术报告里写得很明白：总参数 1T，激活参数 32B，采用 MoE 架构。这个体量意味着什么？意味着他们的工程团队要解决的并行训练、推理成本、显存调度问题，都是国内最前沿的那一档。
所以你去投 kimi 官网招聘的岗位，本质上不是在投一家"应用公司"，而是在投一支做底层大模型研发的队伍。这个定位搞错了，简历方向就会偏。
我见过一个挺典型的案例。有个做推荐系统的朋友，简历上全是"CTR 提升 3%""特征工程优化"，投了大模型训练的岗位，两周没回音。后来他改成突出"千亿级稀疏参数模型的分布式训练经验"和"数据 pipeline 吞吐优化"，同一个项目，换了个叙述角度，一周内就收到了笔试邀请。同样的经历，不同的语言。
这里有个很多人没意识到的点：官网 JD 里那些技术名词的排序是有讲究的。排在前面的，基本就是这个岗位最核心的能力要求。你要做的不是把简历写满，而是把 JD 前三条要求逐条对应到自己的经历上，哪怕只是部分对应。
岗位地图：大模型训练、大模型推理、多模态分别考什么
这一节我想用一张表说清楚，因为纯文字描述容易糊。
| 岗位方向 | 典型日常工作 | 核心技术栈 | 面试侧重 | | --- | --- | --- | --- | | 大模型训练 | 预训练数据配比、MoE 结构调优、SFT 与对齐训练 | Megatron-LM、DeepSpeed、PyTorch、分布式并行 | 并行策略选择、loss 曲线异常排查、Scaling Law 理解 | | 大模型推理 | 推理引擎优化、KV Cache 管理、量化、PD 分离部署 | vLLM、SGLang、CUDA、Triton | 吞吐与延迟权衡、显存占用分析、算子优化 | | 多模态大模型 | 视觉编码器设计、跨模态对齐、长视频理解 | ViT、CLIP 系列、主流 VLM 架构 | 模态对齐方案、训练数据构造、评测设计 |
这张表我自己整理的时候都感叹，三条线的技能栈重叠部分其实很小。做推理优化的人去面训练岗，大概率会在并行策略那一关卡住；反过来，做训练的人去面推理，可能连 KV Cache 的显存计算公式都写不利索。
所以 kimi 官网招聘的第一条原则就是：别贪心，选一条线扎进去。
至于怎么判断自己适合哪条线，我的建议是看你的"痛苦耐受度"。训练岗的痛苦来自不确定性——loss 突然炸了、某个节点的通信成了瓶颈，你可能要花三天去定位一个很蠢的配置错误。推理岗的痛苦更偏确定性工程——目标很明确，就是把 P99 延迟从 800ms 压到 300ms，手段清晰但需要极深的系统功底。多模态则介于两者之间，数据侧的不确定性更多。
面试复盘：那些真正会问到的技术细节
这部分是我觉得最有价值、但也最容易被网上的"面经"带偏的地方。
网上流传的所谓 kimi 官网招聘使用教程，很多都在讲"要熟悉 Transformer""要会 Python"，这种话等于没说。真正会拉开差距的，是几个具体问题。
关于大模型训练岗， 我听到过的一个问题是："如果训练到 30% 的时候 loss 突然出现一个 spike，你会怎么排查？"这题考的不是背诵，是排查思路。合理的回答路径应该包括：先看是不是数据侧的问题（某批数据异常、tokenize 出错），再排查梯度范数是否异常，然后考虑学习率 warmup 和 clip 的设置，最后才怀疑硬件层面的静默错误。顺序反了，说明你没真正跑过大集群。
关于大模型推理岗， 手写 attention 几乎是必考题。我朋友面的时候就遇到让他在白板上写一版 attention，然后追问怎么优化。
import torch import torch.nn.functional as F
def scaled_dot_product_attention(q, k, v, mask=None): """面试手写高频题：缩放点积注意力 q/k/v 形状: (batch, num_heads, seq_len, head_dim) """ d_k = q.size(-1)
1. QK^T 后除以 sqrt(d_k)，防止点积过大导致 softmax 进入饱和区
scores = torch.matmul(q, k.transpose(-2, -1)) / (d_k ** 0.5)
2. 因果掩码，保证第 t 个位置只能看到前 t 个 token
if mask is not None: scores = scores.masked_fill(mask == 0, float("-inf"))
attn_weights = F.softmax(scores, dim=-1) return torch.matmul(attn_weights, v)
写完这版之后，面试官通常会追问：实际推理中为什么不这么写？答案是要用 FlashAttention 或者 PagedAttention 这类 fused kernel，避免显式地把 scores 矩阵物化到显存里——序列长度一上去，那个中间矩阵的显存占用是平方级的。
关于多模态岗， 比较常被问的是"视觉 token 和文本 token 怎么对齐"，以及"你会怎么构造一批高质量的视频理解训练数据"。后一个问题特别能看出功力，因为数据构造的经验基本没法从论文里抄。
说实话，我在整理这些题的时候有个挺深的感受：这些公司要的不是"知道答案的人"，而是"踩过坑的人"。你答得再流畅，只要追问两层就露馅了。
kimi 官网招聘入门指南：从投递到 offer 的四个动作
讲完考察点，说点可操作的。这是我总结的四个动作，按顺序做。
第一步：锁定官网入口，别用第三方投递。 直接搜索月之暗面官网，在页面底部或顶部导航一般能找到"加入我们"之类的入口。官网投递的好处是岗位状态实时，已经招满的岗位会下线，不会让你白投。第三方平台的岗位经常是几个月前的旧信息。
第二步：对照 JD 重写简历前三分之一。 招聘方平均看一份简历的时间我估计不超过 30 秒，前三分之一决定了生死。把 JD 里的关键词——比如"分布式训练""CUDA 优化""多模态对齐"——直接映射到你的项目标题上。不是造假，是换一种更精准的表达方式。
第三步：准备一个有深度的项目故事。 不用多，一个就够，但必须能扛住三层追问。我建议用 STAR 结构把它的背景、你做的决策、遇到的坑、最后的数据结果理一遍，尤其是"坑"那部分，面试官最感兴趣。
第四步：提前搞清楚流程节奏。 大模型公司的面试流程通常是：简历筛选 → 技术一面（基础+项目）→ 技术二面（深度/系统设计）→ 交叉面或主管面 → HR 沟通。每一轮之间的间隔可能只有两三天，也可能拖两三周，取决于业务紧急程度。别在流程中间停止学习。
不同背景的人准备周期差别还挺大的，我做了个粗略估计：
| 背景 | 相对优势 | 需要补的短板 | 建议准备周期 | | --- | --- | --- | --- | | 传统 NLP / 搜广推 | 工程能力、数据 sense | 分布式训练、RL 对齐 | 2–3 个月 | | 应届硕博 | 论文复现、理论功底 | 工程落地、性能调优 | 3–6 个月 | | 后端 / 系统方向 | 性能优化、CUDA 基础 | 模型原理、训练流程 | 4–6 个月 |
几个容易踩的坑
第一，别把 kimi 官网招聘当成一次性的动作。官网岗位是滚动更新的，我建议每隔两三周去看一次，看到匹配的就立刻投。大模型团队招人往往是"这个季度必须补齐某个方向"，窗口期很短。
第二，别在简历上堆砌论文列表。除非是一作顶会，否则面试官更关心你能不能写能跑的代码、能不能读懂一份技术报告。我在实际项目中发现，能独立复现一篇论文的核心实验，比挂五篇二作的简历有说服力得多。
第三，别忽略技术报告本身。Moonshot AI 公开发布的技术报告（比如 2025 年 7 月的 K2 报告）就是最好的面试材料，里面关于 MoE 路由、数据配比、训练稳定性的描述，很可能就是面试官每天在解决的问题。读透了，你问出的问题质量都会不一样。
第四，别只盯着一类岗位。如果你面训练岗三轮都没过，但工程能力很强，完全可以转投推理或者基础设施方向。这些岗位对模型理论的要求稍低，对系统功底的要求更高。
关键要点速览
- kimi 官网招聘是月之暗面的官方投递渠道，岗位更新比第三方平台更快、JD 更完整。
- 三大岗位方向——大模型训练、大模型推理、多模态大模型——技能栈差异明显，投递前务必选准一条线。
- 面试的核心不是背诵，而是展示排查问题的思路和真实踩坑经验，任何答案都可能被追问两层。
- 简历前三分之一决定生死，把 JD 的关键词精准映射到项目标题上，比堆砌经历更有效。
- 公开技术报告是最好的备考材料，读透一份，胜过刷十篇二手面经。
如果你现在正准备投递，我的建议是今晚就做一件事：找到官网入口，把当前开放的所有岗位 JD 复制下来，用荧光笔标出每条要求，然后逐条对照自己的经历打分。分数低于 60% 的方向，先别投。
相关推荐
延伸阅读
- [VergeX AI 工具导航](https://nav.vergex.cn) —— 收录了国内外主流大模型开发工具、推理框架和训练平台的入口，投递前先摸清技术栈很有帮助
- VergeX 大模型专题 —— 国产大模型技术路线与团队动向的持续追踪
工具推荐
- 想系统了解大模型推理优化，可以从 VergeX 导航站的推理框架分类入手，vLLM、SGLang 的官方文档都值得通读
- 准备面试项目时，建议用真实的小规模集群跑一遍分布式训练，哪怕只有两张卡
订阅更新
- 订阅 VergeX 邮件列表，第一时间获取国产大模型团队的技术动态与招聘窗口提醒
- 关注微信公众号「VergeX」，每周推送一期大模型技术雷达