AI Startup 面试准备指南：Glean、Perplexity、Harvey、Scale AI 都在考什么

近两年很多北美华人候选人开始把目标从传统 FAANG 扩展到 AI startup，比如 Glean、Perplexity、Harvey、Scale AI 这类公司。它们的面试和大厂很不一样：流程更快，题目更贴近产品，coding 更 hands-on，system design 更偏 search、recommendation、agent workflow、document permission、LLM pipeline。

如果你用传统 LeetCode + 通用 system design 模板准备，很可能会觉得这些面试“题不难，但很怪”。真正考点不是背题，而是能不能快速理解一个 AI product 的工程约束：数据怎么进来，权限怎么控制，检索怎么做，LLM 怎么接入，延迟和质量如何权衡，失败时怎么恢复。

这篇文章会把 Glean、Perplexity、Harvey、Scale AI 这类 AI startup 的面试抽象成几类能力，帮助你更系统地准备。

AI startup 面试的共同点

这些公司业务不同，但面试有一些共性。

Coding 更像小型产品功能。
你可能遇到 memory file system、folder / file command parser、chess OOD、CSV parsing + endpoint、document processing pipeline、DFS 或 graph traversal。题目不一定是难算法，但需要快速建模和写出可运行代码。

System design 更贴近 AI 产品。
Perplexity 可能问 discovery feed、trending queries、personalized recommendation。Harvey 可能围绕 Google Drive-like document system 和 ACL。Scale AI 可能问 classification / embedding pipeline、low latency 和 high throughput。Glean 可能关注 enterprise search、document permission、knowledge retrieval。

Project deep dive 更看业务影响。
小公司不会只看你会不会背标准答案，它更关心你能不能独立负责一个复杂模块，能不能把产品和技术连接起来。

面试节奏更不稳定。
有的流程很快，有的轮次临时变化，有的题更开放。候选人需要适应不确定性。

Coding：从 LeetCode 转到 Hands-on Engineering

AI startup coding 常见题型包括：

in-memory file system
command parser / mini shell
OOD design chess or game logic
CSV / JSON parsing and API endpoint
folder / file hierarchy
DFS / graph traversal
data transformation pipeline
LLM API wrapper 或 classification workflow

这些题不一定难，但很容易因为细节挂掉。

Memory File System 怎么准备

如果题目是 file system，不要只背 LeetCode 原题。很多变种会要求你解析命令式输入，比如类似 Unix command 的字符串，然后执行 mkdir、ls、cd、touch、write、read、find。

准备重点：

path normalization：.、..、多余 /
directory 和 file 的区别
trie node 或 tree node 的数据结构
command parsing 和 error handling
当前工作目录状态
list 输出顺序
deep nested path 的性能
search by name 或 content 的扩展

好的代码结构通常会把 parser、filesystem model、command executor 分开。这样 follow-up 加新命令时，不会把主函数写爆。

OOD 题怎么准备

Glean 等公司可能出现 chess、game、article system 这类 OOD。不要一上来写一堆 class。先定义行为：

系统支持哪些操作
谁调用这些操作
状态如何变化
哪些规则需要验证
哪些规则未来可能扩展

以 chess 为例，你不需要现场实现完整国际象棋引擎，但你需要设计清楚 board、piece、move、rule validator、game state、turn、win condition。面试官更看你如何管理复杂规则，而不是类名是否优雅。

AI Product System Design：不要只讲 LLM API

很多人准备 AI startup system design 时，会把答案简化成“调用 OpenAI API”。这通常不够。

一个真实 AI product system 至少有这些层：

层次	需要考虑的问题
Data Ingestion	文档、网页、用户事件、第三方数据如何进入系统
Permission	ACL、workspace、tenant、role、document-level access
Indexing	chunking、embedding、metadata、incremental update
Retrieval	keyword search、vector search、hybrid ranking
Generation	prompt construction、context window、citation、guardrails
Feedback	click、save、thumbs up/down、human review
Observability	latency、quality、hallucination、retrieval hit rate

如果你面的是 Glean 或 Harvey，permission 是高频重点。企业搜索和法律文档系统不能把没有权限的文档喂给模型。你要能讲清楚：

ACL 在 ingestion 时过滤，还是 query time 过滤
permission changes 如何同步到 index
deleted document 如何从 search result 和 embedding index 移除
multi-tenant isolation 怎么做
audit log 如何记录用户访问

如果你面的是 Perplexity，重点可能更偏 discovery、trending、personalized ranking。你要会讲：

query log 如何聚合
trending queries 如何去重和防 spam
personalization 信号怎么收集
cold start 怎么处理
feed ranking 如何平衡 freshness、relevance 和 diversity

如果你面的是 Scale AI，题目可能更偏 data pipeline、classification、embedding service、human-in-the-loop。你要讲：

文件上传 API
batch vs single request
low latency 和 high throughput 的分层
async job queue
model service timeout 和 retry
human review queue
evaluation 和 quality monitoring

LLM Pipeline 设计的核心 trade-off

AI startup 面试里常见的追问不是“你会不会用 RAG”，而是 trade-off。

Latency vs Quality。
检索更多 chunk 可能提高召回，但增加延迟和 token cost。reranker 提升质量，但会增加服务调用。

Freshness vs Indexing Cost。
实时同步文档可以保证新鲜度，但写入压力和 permission invalidation 更复杂。批量更新更便宜，但搜索结果可能滞后。

Personalization vs Privacy。
个性化需要用户行为数据，但 enterprise 场景要谨慎处理隐私、权限和审计。

Automation vs Human Review。
自动分类或生成可以提高效率，但高风险场景需要人工审核、confidence threshold 和 fallback。

面试时你不需要把每个系统设计得很大，但必须说清楚你选择的边界。

Project Deep Dive：小公司更关心你是否能独立推进

AI startup 的项目深挖通常会问：

你具体负责哪部分
为什么这个项目对业务重要
你如何衡量效果
遇到过什么技术难点
如果用户量增加 10 倍怎么改
如果模型输出质量不稳定怎么办
你如何和 product / research / data team 合作

准备时建议选一个最能体现 ownership 的项目，不要选一个只参与边缘功能的项目。最好能讲出：

从问题定义到上线的完整链路
一个关键技术判断
一个踩坑或事故
一个量化结果
一个你会重做的地方

Behavioral：AI startup 想听到什么

这类公司通常更看重：

ambiguity tolerance
fast iteration
ownership
product sense
customer empathy
willingness to learn
ability to debug unfamiliar systems

华人候选人容易把 behavioral 准备成“我很努力、我很配合”。这不够。你要展示自己在不确定情况下如何推进事情。

可以准备 5 个故事：

需求很模糊但你推动落地的项目。
线上系统出问题，你如何定位和修复。
和 PM / researcher / customer 有分歧，你如何处理。
你快速学习一个新技术并应用到项目。
你做过一个有业务 impact 的技术决策。

两周准备计划

第 1-4 天：hands-on coding

练 memory file system、command parser、CSV / JSON transformation、folder hierarchy、OOD chess、simple API endpoint。每题都写 tests。

第 5-8 天：AI product system design

练 enterprise search、document ACL、RAG pipeline、trending queries、recommendation feed、classification pipeline、embedding service。

第 9-11 天：LLM infra trade-off

集中准备 retrieval quality、index freshness、permission sync、latency、batching、model fallback、human review、evaluation metrics。

第 12-14 天：project deep dive + mock

做一轮 45 分钟 project deep dive，再做一轮 AI product design mock。重点看你是否能把技术细节和业务目标连接起来。

需要 AI startup 专项 mock？

AI startup 面试最难的是题目不标准、产品上下文强、追问很灵活。Interview Coach Pro 可以按 Glean、Perplexity、Harvey、Scale AI、xAI、OpenAI、Anthropic 这类方向做 coding、AI product system design、project deep dive 和英文表达训练。