华为后训练与强化学习算法实习一面面经

企业概况

公司简介

华为技术有限公司成立于 1987 年，总部位于深圳，是全球领先的 ICT（信息与通信技术）基础设施和智能终端提供商，业务覆盖运营商网络、企业业务、终端、云计算与数字能源等板块。公司在 5G、光传输、数据通信、存储与计算等基础设施领域长期位居全球第一梯队，同时通过昇腾算力、昇思框架与盘古大模型构建了从芯片、框架到模型的全栈 AI 能力。公司研发费用率长期维持在收入的 20% 上下，研发人员占比超过一半，AI 算法岗位主要分布在 2012 实验室、诺亚方舟实验室以及终端、云的相关产品线。

• 成立时间：1987 年
• 总部：深圳
• 主营业务：ICT 基础设施、智能终端、云计算与数字能源
• 规模与行业地位：2024 年销售收入 8621 亿元人民币，全球通信设备与 5G 标准必要专利第一梯队
• 研发与专利：2024 年研发费用 1797 亿元，占收入 20.8%，研发人员约 11.3 万人

岗位定位

「后训练与强化学习」是大模型训练链路的后半段：预训练拿到基座模型之后，用 SFT、偏好对齐（RLHF / DPO / GRPO 等）与可验证奖励的强化学习，把模型的能力与行为调到可交付状态。这类实习岗通常挂在算法研究体系下，日常是读论文、复现 baseline、构造训练数据与奖励函数、跑大规模分布式训练并做评测迭代，产出形式是实验报告与内部技术文档，做得好会沉淀成论文或专利。

• 所属体系：公司 AI 算法研究体系（大模型训练与后训练方向）
• 核心职责：偏好数据构造、奖励建模、强化学习训练与评测闭环
• 发展路径：算法实习生 → 算法工程师 → 高级 / 专家工程师，或转研究岗
• 培养体系：一对一导师制，按项目里程碑推进，实习期通常 3～6 个月
• 面试重点不是背 RLHF 名词，而是能不能把一次训练实验的变量、指标与结论讲清楚
• 需要对分布式训练（DDP / 模型并行 / 显存优化）有工程层面的理解
• 有推荐、搜索、广告等大规模业务场景的实习经历是明显加分项

招聘概况

华为的实习招聘常年通过「华为招聘」的实习生通道开放，算法类岗位以硕博为主，日常实习与暑期实习两条线并存。后训练、强化学习这类方向名额少、流程偏长，从投递到面试常常跨越数月，建议同时准备其他公司的同类岗位，不要单点等待。

• 招聘规模：按项目组需求滚动招募
• 面向专业：计算机、人工智能、自动化、数学等相关专业硕博
• 工作地点：深圳、北京、上海、杭州、西安等研究所
• 投递窗口：实习通道全年开放，暑期实习一般上半年集中筛选

企业概况整理自公司、公开年报与招聘公告，具体数据以官方最新发布为准。

面试总体概述

案例背景

这位同学研二在读，已有快手与滴滴两段算法实习，研究方向是强化学习并有一篇论文。2026 年 10 月 30 日参加华为后训练与强化学习方向的实习技术一面，实际面了约 30 分钟，全程围绕两段实习的技术选型、大模型微调细节与分布式训练展开，最后手撕力扣 560。面试结束后状态推进到主管面，面试官专业、愿意听解释，是这轮体验里被反复提到的一点。

基本信息

• 公司：华为技术有限公司
• 岗位：后训练与强化学习算法工程师
• 招聘类型：实习
• 用工形式 / 部门：直招
• 面试时间：2026-10-30
• 面试形式：视频面试
• 面试轮次：1 轮
• 平均时长：30 分钟
• 题目数量：共 14 题，均附参考答案
• 整体难度：★★★★☆ 偏难
• 候选人背景：学历 硕士（研二）｜专业 计算机相关｜经历 快手、滴滴两段算法实习，一篇强化学习方向论文

高频考点

| 考点 | 分类 | 出现轮次 | 次数 |

| --- | --- | --- | --- |

| 实习项目中的模型选型与替代方案 | 项目经历 | 技术一面 | 4 |

| 大模型微调的数据构造与端到端设计 | 项目经历 · 大模型 | 技术一面 | 2 |

| 分布式训练（DDP / 模型并行 / 显存） | 基础八股 · 工程 | 技术一面 | 2 |

| 文本分类与多标签建模细节 | 基础八股 · 算法 | 技术一面 | 3 |

| 推荐排序模型演进（GBDT → DCN → MMoE） | 项目经历 · 推荐 | 技术一面 | 1 |

| 实习与科研的时间安排 | 通用行为 | 技术一面 | 1 |

| 前缀和 + 哈希手撕 | 算法手撕 | 技术一面 | 1 |

备考建议

| 优先级 | 易失分点 | 准备动作 |

| --- | --- | --- |

| P0 | 项目只会讲「做了什么」，讲不出「为什么不是另一种做法」 | 每个技术点准备三层：现状与痛点 → 选它的理由 → 被淘汰方案的原因；再补一句指标变化 |

| P0 | 分布式训练只停留在名词层，答不出通信时机与通信量 | 手推一遍 DDP 的 AllReduce 流程与 Ring 通信量公式，复习 ZeRO 三个阶段的切分对象 |

| P1 | 多标签 / 损失函数这类基础题容易答成结论没有机制 | 把 Sigmoid 与 Softmax 的梯度形式、阈值选择、评估指标串成一条线，能举一个业务里的共现标签例子 |

| P1 | 手撕时沉默写代码，思路没有外化 | 练 5 道前缀和 / 哈希 / 单调栈的中等题，固定「复述题意 → 样例 → 复杂度 → 编码 → 自测」节奏 |

| P2 | 反问环节问得太泛，浪费最后一次展示机会 | 准备三个具体问题：业务重点、实习生产出形式、转正与地点，按优先级现场取用 |

面试流程

流程总览

| # | 环节 | 形式 | 时长 | 筛选重点 |

| --- | --- | --- | --- | --- |

| 1 | 投递 | 华为招聘·实习生通道 | — | 简历与岗位方向的匹配度 |

| 2 | 简历筛选与接口人对接 | 电话 / 邮件 | — | 经历真实性与时间可用性 |

| 3 | 技术一面 | 视频面试 | 约 30 分钟 | 实习项目的技术深度 + 大模型微调 + 算法手撕 |

| 4 | 主管面 | 视频 / 现场 | — | 动机、稳定性与团队匹配 |

各环节说明

1. 投递

在选择实习通道投递，简历里最容易被捞的是「方向关键词 + 可量化的项目结果」。投递后进入筛选池，等待业务侧接口人联系，这段时间可能很长。

• 简历把「后训练 / 强化学习 / 大模型微调」这类关键词放到靠前位置
• 项目描述写清指标变化与自己的具体贡献，不要只写团队成果

2. 简历筛选与接口人对接

接口人会核对实习时长、每周到岗天数、导师是否知情等硬条件，并约定面试时间与形式。时间一旦定下，务必双向确认，接口人的记录与面试官日历不一定同步。

• 确认面试形式（视频还是现场）、会议链接、时区与备用联系方式
• 提前说明可实习的起止时间，避免后续因时长不匹配被卡

3. 技术一面

由业务侧算法工程师主持，节奏是自我介绍 → 实习项目由浅入深 → 分布式训练与推荐系统 → 现场手撕 → 反问。问题几乎全部由简历上的项目长出来，属于典型的简历驱动型面试。

• 把每个项目的「选型理由 + 替代方案 + 指标变化」写成三行清单，面试时按清单讲
• 手撕要边写边讲，先复述题意与样例，再落代码

4. 主管面

技术一面结束后状态推进到主管面环节，本次记录没有覆盖这一轮的具体内容。按常规节奏，主管面会更关注为什么选这个方向、能实习多久、毕业后的打算。

• 准备好「实习—论文—毕业」的时间线，说明三者不冲突
• 想清楚如果拿到转正机会，是否愿意长期留在该城市

第 1 轮：技术一面

面试形式与时长

• 轮次名称：技术一面
• 面试类型：技术面
• 时间：2026-10-30
• 时长：30 分钟
• 形式：视频面试
• 本轮题量：14 题

重点考查维度

• 基础八股 —— 本组 6 道题
• 通用行为 —— 本组 3 道题
• 项目经历 —— 本组 3 道题
• 系统设计 —— 本组 1 道题
• 算法手撕 —— 本组 1 道题

整轮没有机考与笔试，直接进技术面。提问顺序是自我介绍 → 实习项目由浅入深 → 大模型微调与分布式训练 → 算法手撕 → 反问，几乎不考通用八股，全部围绕简历展开。面试官会顺着回答继续追问，答得越细被问得越深。

Q1 请先做一个简短的自我介绍。

通用行为 · 自我介绍

参考答案

按「一句话定位 → 两段经历各一句 → 研究方向一句 → 与岗位的衔接一句」搭骨架，控制在 90 秒以内。

• 定位：XX 大学 XX 专业研二，方向是大模型后训练与强化学习。
• 经历：在快手做文本多标签打标，负责多模型选型与融合；在滴滴做大模型多路打标微调，负责数据构造与端到端训练。
• 研究：一篇强化学习方向的论文在投，做的是奖励设计与训练稳定性。
• 衔接：希望在贵司后训练方向继续做数据与奖励建模。

提醒：自我介绍里埋的每一个点都会被追问三层，不熟的项目不要往里面放。

Q2 在快手实习时，为什么要同时训练 FastText、TextCNN 以及 TinyBERT 这多个模型？最终是怎么选型的？

项目经历 · 模型选型

考察重点

考察技术决策能力：能否说清多模型并存的业务理由，而不是堆模型。

参考答案

先讲动机再讲口径，不要一上来罗列三个模型的优点。

• 分层动机：FastText 是线性模型 + n-gram，毫秒级、可全量兜底；TextCNN 抓局部 n-gram 组合，精度明显更高而推理仍轻；TinyBERT 经过蒸馏带上下文语义，负责长尾与语义漂移。
• 选型口径：按「延迟预算 + 标注成本 + 长尾覆盖」分层，而不是选最强的那一个。线上先用 FastText 做粗筛与兜底，TextCNN 做主力打标，TinyBERT 只对高价值或低置信样本复判。
• 落点：融合方式要交代清楚——投票、加权还是级联，以及融合后的准召变化。

追问预警：三者的 QPS 与 P99 延迟、单条成本、以及「为什么不直接上一个大模型」。

模型选型分层召回

Q3 FastText 和 TextCNN 在文本特征提取体系上有什么区别？为什么 FastText 会对关键词比较敏感，背后的机制是什么？

基础八股 · 文本分类

参考答案

一句话区分：FastText 看「有哪些词或词组」，TextCNN 看「这些词以什么顺序挨着出现」。

• FastText：词 + subword n-gram 哈希成特征，整句词向量取平均后过一层线性分类器，没有词序建模；训练快、参数少、对拼写变体鲁棒。
• TextCNN：多个尺寸的卷积核在词向量序列上滑窗，捕捉「不连续但相邻」的局部组合，再 max-pooling 保留最强响应，因此带短程语序信息。
• 关键词敏感的机制：预测分数是特征的线性加权，某个词或词组在训练集里与标签强相关就会拿到很大的权重，单独出现即可拉高分数；n-gram 哈希又让「关键词 + 搭配」整体成为一个特征，进一步放大了这种效应。
• 代价：对窗口之外的长依赖都无能为力，这也是需要 TinyBERT 兜长尾的原因。

FastTextTextCNNn-gram

Q4 TinyBERT 相比于普通的 BERT，做了哪些轻量化的设计和处理？

基础八股 · 预训练模型

参考答案

分结构、训练、推理三层答。

• 结构：层数减半（12 → 6）、隐藏维 768 → 312、FFN 中间维与注意力头数同比缩小，参数量约为 BERT-base 的七分之一。
• 训练：两阶段蒸馏。通用蒸馏在预训练语料上让学生模仿教师；任务蒸馏在具体任务数据上做嵌入层输出、隐藏层输出、注意力矩阵三路加权 MSE 对齐。
• 推理：可再叠加量化与算子融合，延迟降到十分之一量级。

追问会问：三路蒸馏损失的权重怎么定、为什么注意力矩阵值得对齐——因为它承载的是语法结构与共现关系，比输出 logits 的信息更密。若被问「为什么不直接训个小模型」，答蒸馏额外提供了软标签与中间表示两类监督。

知识蒸馏、TinyBERT

Q5 在做这个项目的过程中，你是怎么去定义多标签分类任务的？输出层使用的是 Softmax 还是 Sigmoid？这么做有什么好处？

基础八股 · 损失函数

参考答案

先说定义再说选择。

• 定义：一条样本可以同时命中多个标签、标签之间不互斥（一条文本既可能是投诉也可能是退款），所以每个标签都是一个独立的二分类问题。
• 选择：Sigmoid + 二元交叉熵（BCE）。Softmax 强行让所有类概率和为 1，隐含「只有一个正确答案」，会把共现标签互相压低；Sigmoid 每维独立判定，共现标签可以同时为高。
• 工程细节：类别不平衡用 focal loss 或按类加权；阈值不能统一取 0.5，要按每个标签的 P-R 曲线单独选；评估看 micro/macro F1 与 mAP，不看 accuracy。
• 双头方案：如果业务同时需要「互斥主标签」，主标签用 softmax、辅助标签用 sigmoid，两头共享编码器。

多标签、Sigmoid、BCE

Q6 你刚才讲到的 AC 自动机，它解决的是一个什么问题？底层机制是什么？

基础八股 · 字符串算法

参考答案

• 解决的问题：在一次扫描里同时匹配一个关键词词典中的所有模式串，属于「多模式串 + 单文本」的匹配。
• 机制三步：

1. 把所有模式串建成 Trie，节点记录是否为词尾。

2. BFS 建失败指针 fail：节点 u 的 fail 指向「u 的最长真后缀且同时是某个模式串前缀」的节点，失配时沿 fail 跳而不是回到根。

3. 匹配时文本指针不回退，逐字符沿 Trie 走，失配走 fail，并沿 fail 链输出所有命中的模式串。

• 复杂度 O(模式串总长 + 文本长度 + 命中次数)，与词典规模基本无关，这是它优于「循环跑 KMP」的地方。
• 工程坑：fail 链输出要加 last 指针或输出链，否则长词典会退化成按深度累乘；中文要先分词或按字建 Trie；词典更新要支持热加载。

AC 自动机、Trie、fail 指针

Q7 AC 自动机、向量召回、多模型以及 Agent 之间是怎么协同工作的？请简单讲一下整条业务链路。

系统设计 · 检索链路

参考答案

按「从确定到概率、从快到慢」的顺序铺链路。

• AC 自动机做第一层硬规则：黑词、品牌词、违禁表述命中即给结论，毫秒级、可解释、可申诉。
• 向量召回把文本与标签体系、历史样本做近邻检索，解决同义改写和规则覆盖不到的语义漂移，负责覆盖率。
• 多模型（FastText/TextCNN/TinyBERT） 对召回候选做精排打分，输出多标签概率，负责精度。
• Agent 层做编排：把规则命中、召回邻居、模型分数与置信度合成为决策，决定直接判、转人工还是调工具补充证据。
• 协同的关键是分工与置信度门槛：规则管确定性，召回管覆盖，模型管精度，Agent 管流程与兜底。

追问预警：整条链路的延迟预算怎么分配（通常规则 ≤10ms、召回 ≤30ms、模型 ≤80ms），以及每层是否都落了统一日志用于归因。

链路设计、规则+召回+模型

Q8 你在滴滴实习时微调了很多大模型做多路打标，请讲一下整个端到端的大模型微调是怎么做的（数据集构建、切分策略、输入输出设计、分层预测 vs 端到端预测对比）？

项目经历 · 大模型微调

参考答案

按四块讲，每块给一个具体数字或取舍。

• 数据构建：业务日志抽样 → 规则预标 + 人工校验 → 构造成指令样本（system 定义任务与输出格式，user 给输入，assistant 给标签 JSON）；做去重、脱敏、难例补充，正负比控制在合理区间。
• 切分策略：按时间切而不是随机切，避免未来信息泄漏；保证每个标签在验证集里有足够样本；另留一份线上分布回放集做最终评估。
• 输入输出设计：输入把最关键的字段放前面、控制长度；输出统一 JSON schema、标签用固定词表，避免自由生成导致解析失败。
• 分层 vs 端到端：分层先判一级类再判二级类，样本需求小、可控、错误会级联；端到端一次出全部标签，能利用标签相关性、链路短，但对数据量与 schema 稳定性要求高。实践是先做端到端 baseline，再用分层结构补长尾。

SFT、数据构造、分层预测

Q9 请详细介绍一下你在微调时使用的 DDP 训练方法是什么原理？

基础八股 · 分布式训练

参考答案

DDP 是数据并行：每张卡持有一份完整模型副本，各自吃不同 mini-batch 做前向与反向，得到本地梯度后 AllReduce 求平均，再各自更新参数。

• 关键实现一：梯度分桶 + 通信重叠。反向传播按 bucket 逆序触发 AllReduce，让通信压在计算后面。
• 关键实现二：参数用 broadcast 同步而不是从 rank0 拷贝，保证初始一致。
• 与 DataParallel 的区别：后者单进程多线程、每步 gather/scatter 全模型，受 GIL 与主卡带宽限制；DDP 多进程、无主卡瓶颈。
• 工程要点：bucket_cap_mb 调大可减少小包、提高带宽利用率但吃显存；梯度累积要包在 no_sync 里，避免每步都通信；每卡 batch 很小时 BatchNorm 统计有偏，改用 LayerNorm 或 SyncBN。

追问会算 Ring AllReduce 通信量：2(N-1)/N × 参数量。

DDP、AllReduce、梯度分桶

Q10 除了数据并行（DDP），你了解模型并行（Model Parallelism）是怎么做的吗？

基础八股 · 分布式训练

参考答案

分三类讲，再讲怎么组合。

• 张量并行 TP：把单层内的矩阵按列/行切到多卡，前向各算一部分、中间做 AllReduce；Megatron 把 Attention 的 QKV 与 FFN 都做成列并行 + 行并行，用 f、g 两个算子把两次通信合成一次。通信量大，只在节点内 NVLink 上做。
• 流水并行 PP：按层切段，配 micro-batch 与 1F1B 调度减少气泡，气泡率约 (P-1)/(M+P-1)。
• 序列并行 SP/CP：沿序列维切分，配合 Ring Attention 处理超长上下文。
• 还有 ZeRO/FSDP 这类分片数据并行：把优化器状态、梯度、参数按 rank 切分，用通信换显存。

实际是 TP×PP×DP 三维组合，按带宽从高到低分配。追问会问显存估算：混合精度训练每参数约 16～18 字节（参数 2 + 梯度 2 + Adam 状态 12）。

张量并行、流水并行、ZeRO

Q11 在推荐排序项目中，你使用了 LightGBM、DCN-V2 和 MMoE，请讲一下 LightGBM 的核心原理，后续是如何演进到 DCN-V2 + MMoE 的？

项目经历 · 推荐排序

参考答案

LightGBM 讲三个核心点：

• 直方图算法：连续特征离散成有限个桶，找分裂点只扫桶，内存与时间都降一个量级。
• leaf-wise 生长：每次分裂增益最大的叶子，配 num_leaves 与 max_depth 限制过拟合，比 level-wise 收敛快。
• 采样与捆绑：GOSS 保留大梯度样本、对小梯度随机采样并加权；EFB 把互斥稀疏特征捆绑，进一步降维。
• 短板：特征交叉要靠人工，无法端到端学高阶组合。

演进逻辑：用 LightGBM 拿强 baseline 与特征重要度 → DCN-V2 的 cross network 显式建模高阶交叉（低秩分解控制参数量）→ MMoE 的多门控专家按场景/任务拆共享，缓解多目标之间的跷跷板。

上线形态通常是 DCN-V2 + MMoE 为主，LightGBM 做兜底或做特征生成。

LightGBM、DCN-V2、MMoE

Q12 你现在研二已经有两段实习了，导师允许经常出来实习吗？你的第一篇强化学习论文是怎么构思和做出来的？

通用行为 · 经历规划

参考答案

考的是「时间可持续性 + 动机真实性」，不是查岗。

• 先给事实：研二课程已修完，导师的项目节奏允许阶段性外出；两段实习都与课题强相关（文本打标、大模型微调），实习产出的方法反过来服务了论文实验。
• 再给边界：已与导师确认后续半年以论文与毕业为主，实习只考虑与课题一致的方向。
• 论文部分：选题来自实习中观察到的现象（奖励设计导致训练不稳定）→ 文献定位 gap → 设计对照实验 → 在小规模设定上验证再放大 → 补消融与鲁棒性。
• 收尾一句：把「实习—论文」讲成一条线，而不是两件互相抢时间的事。

追问预警：「如果实习和论文冲突怎么办」要准备一个具体取舍案例。切忌说导师不管或偷偷出来。

Q13 【算法题】力扣 560. 和为 K 的子数组

给定整数数组 nums 和整数 k，统计并返回和为 k 的连续子数组个数（现场编写并测试 nums = [1,1,1], k = 2 与 nums = [1,2,3], k = 3）。

算法手撕 · 前缀和 + 哈希

考察重点

现场用共享编辑器手撕，考察边界处理与代码是否一次写对。

参考答案

思路：暴力枚举是 O(n²)；用前缀和 + 哈希降到 O(n)。设 pre 为到当前位置的累计和，「以当前位置结尾、和为 k 的子数组个数」等于「前面出现过多少次 pre - k」。

def subarraySum(nums, k):
 cnt = {0: 1} # 空前缀，处理从头开始的子数组
 pre = ans = 0
 for x in nums:
 pre += x
 ans += cnt.get(pre - k, 0) # 先查
 cnt[pre] = cnt.get(pre, 0) + 1 # 再更新
 return ans

三个坑：① 元素可以为负，窗口和不单调，所以不能用滑动窗口；② 前缀和会到 1e9 量级，要用 64 位；③ 必须先查后更新，否则 k = 0 时会把当前元素自己算进去。

验证：[1,1,1], k=2 → 2；[1,2,3], k=3 → 2。时间 O(n)、空间 O(n)。

前缀和、哈希表

Q14 你这边有什么问题要问我的？（反问业务方向与工作地点）

通用行为 · 反问

参考答案

反问是最后一次展示匹配度的机会，按三层问。

• 业务方向：这个岗位目前后训练的重点是偏好对齐还是可验证奖励的强化学习？团队现阶段更看重指标提升还是方法创新？
• 落地与产出：实习生一般接已有项目还是独立开题；产出能否沉淀为论文或专利。
• 成长与地点：实习生有没有转正通道，工作地点与驻场安排如何。

不要问薪资、加班、转正比例（这些问 HR 更合适），也不要问能查到的信息。

收尾补一句「我近期在读 XX 方向的论文，如果入职希望从这个方向切入」，把反问变成一次自我推销。

五、注意事项

这轮面试的坑大多不在题目难度，而在准备精度和现场执行。下面几条按「最容易翻车」排序。

01 时间对齐要做双保险

接口人记录的时间与面试官日历可能不同步，这次就错位了近五十分钟。提前一天在短信、邮件、三处核对，并主动向接口人确认一次。

02 面试场地提前锁定

临时找安静房间是最容易崩盘的环节。提前订好一间备用会议室或自习室，耳机、网络、充电器一并备齐，别把时间花在找场地上。

03 选型题要讲「为什么不是另一种」

多模型并存这类问题，只讲各自优点一定会被追问「为什么不只用一个」。准备好被淘汰方案的具体原因，最好带延迟或成本数字。

04 输出层细节是送分题

多标签任务里 Sigmoid 与 Softmax 的区别、阈值怎么定，属于必答项。答不出会显得只调过包、没想过损失函数的含义。

05 分布式训练别只背名词

DDP 的通信时机、梯度分桶、AllReduce 通信量、ZeRO 切的是什么，都是常见追问。至少要能手推一遍显存占用。

06 实习与科研的可持续性要提前想好

研二出去实习，导师是否知情、论文进度如何，一定会被问。准备一个不心虚的说法，把实习与论文讲成一条线。

07 手撕不要沉默

共享编辑器里安静十分钟，比写错更糟。先讲思路与复杂度，再落代码，写完主动跑一遍样例并说明边界。

08 反问别浪费

问业务方向与工作地点，比问「团队氛围怎么样」有效得多。反问是最后一次证明你了解这个岗位的机会。

总结收尾

这轮面试的难度不在题目本身，而在「每一句自述都会被追问三层」：讲了多模型就要讲选型，讲了选型就要讲延迟与成本，讲到微调就要讲数据构造与并行策略。准备时把自己的两段实习各写成一份技术决策清单——每个模块做了什么、为什么这么做、替代方案是什么、指标变化多少，比刷十道八股更管用。手撕保持「先讲思路再写代码」的节奏，30 分钟里能讲清楚一道中等题就已经足够。整体看，这个方向更偏爱工程与实验都能落地的人，纯理论背景需要用实验细节补足。

以上内容整理自学员和应届同学反馈的真实面经，结合华为技术有限公司的最新考情整理，仅供参考学习。祝各位求职者顺利拿到心仪 offer！