Anthropic 是 Claude 背后的公司，2021 年由前 OpenAI 研究人员创立，总部在旧金山，是一家以 AI 安全为立身之本的公益公司。这家公司招人出了名的挑：Glassdoor 上 166 条面试评价给出的平均难度是 3.25 分（满分 5 分），正面体验率只有 34.1%，研究工程师岗的难度评分更高，达到 3.4 分，正面体验率 43%。也就是说，多数人走完流程的感受并不轻松，但技术过关的人对流程本身的评价相对好一些。这篇面经综合了 Glassdoor 的候选人评价和多家公开面试指南的共性，不复述任何一篇原文，也不编造具体的人名和对话，只讲反复出现的题型、难度和容易翻车的地方。
先说一个总判断：Anthropic 的面试和传统大厂不一样。它不太考刷题熟练度，更看重你能不能把一个真实问题从头做到尾，以及你对 AI 安全这件事到底有没有自己的思考。编码题多半不是经典算法题，而是按规格写代码、再一轮一轮加需求；系统设计多半围着大模型推理转；研究岗还要加论文深挖和实验设计。最特别的是价值观那一轮，几乎所有岗位都有，而且被多份面经点名为 onsite 之后最大的淘汰原因，技术很强的人也可能在这里倒下。理解这一点，是准备 Anthropic 面试的前提。
最先出现的一关：CodeSignal 在线测评
过了 recruiter 初筛，多数技术岗会先收到一个 90 分钟的 CodeSignal 在线测评。这不是多道小题的拼盘，而是一道大题拆成四个难度递进的关卡，每过一关就加新需求，你要在原有代码上重构。Glassdoor 上多位候选人提到，时间是最紧的约束，写得慢、前面返工多，很容易做到第三关就时间不够。一位 2026 年 4 月的候选人写道，题目不是 LeetCode 风格，而是按规格快速写代码、再随约束变化快速重构，难度高低一定程度上看当天发挥。
高频出现的两类题要重点准备。第一类是内存数据库：从最基本的 SET、GET、DELETE 写起，随后加过滤扫描、TTL 过期时间、文件压缩或持久化。IGotAnOffer 的统计说，这道题在五份以上 Glassdoor 和 Blind 的独立面经里都出现过，横跨软件工程师、研究工程师和研究科学家岗位，是 Anthropic 出现频率最高的编码题。第二类是银行系统：先做开户和存取款，再加交易量排名、转账等功能。两类题的共同点是考察代码的可扩展性：第一版写得越干净，后面加需求时改动越小。反过来，第一版图省事写死逻辑，后面每一关都要推倒重来。
研究工程师的测评有时会换成另一副面孔：用 PyTorch 实现 Transformer 的某个组件，比如多头注意力，或者调试一段训练代码。准备这类题不能只背 API，要能讲清楚张量形状每一步怎么变、注意力分数为什么要缩放、梯度在什么地方容易出问题。语言方面，多数岗位默认 Python，多个研究工程师岗位的招聘启事明确写着所有面试都用 Python。
研究岗和工程岗：同一家公司，两套考察逻辑
软件工程师的 onsite 通常是两轮编码加一轮系统设计。编码一轮偏经典数据结构，另一轮偏应用型：解析日志格式、实现缓存、处理流式输入。面试官很看重代码是否干净、是否分层，边写边讲清楚取舍比闷头写出最优解更重要。系统设计则分两种：一种是经典分布式问题，比如设计限流器、设计分布式键值存储；另一种是大模型推理专属问题，比如设计 LLM 服务栈、请求批量处理、多租户 GPU 调度、KV 缓存管理。准备时要把成本、延迟分位数、故障模式这些运营层面的问题想在前面，Anthropic 的面试官对“能跑起来之后怎么办”追问很多。
研究工程师和研究科学家是另一套打法。除了编码，他们要过机器学习深度轮：论文深挖、实验设计、训练失败的调试。常见追问包括：换模型架构时你权衡什么、怎么把训练管线扩到十倍吞吐、除了标准基准你怎么评估模型、注意力模式出现异常时你怎么定位。面试官可能让你在白板上画梯度流动，或者讨论缩放规律。研究岗的候选人如果只有刷题背景、没有真正跑过实验、读过论文，很容易在这一轮露馅。反过来，有顶会一作、做过机制可解释性、RLHF 或大模型评测的人，在简历关和论文轮都有明显优势。
机器学习工程师处在两者之间，既要会写生产代码，也要懂模型。公开面经提到，这类岗位会问 MCP 工具调用、上下文窗口管理、模型可靠性等和 Claude 产品直接相关的问题。产品岗则完全不同：产品经理的面试更侧重安全视角下的产品判断，比如幻觉怎么处理、生成式 AI 产品的安全护栏怎么做、需求不清晰时怎么推进，技术深度要求低于工程岗，但对 Claude 产品和 AI 安全的理解要求更高。
价值观面试：最容易被低估的一轮
几乎所有面经都会单独提一轮：价值观或文化面试，45 分钟左右，所有岗位都有。它的问法不是“讲一次你克服困难的经历”这种标准行为题，而是围绕一个具体的 AI 安全问题展开开放式讨论：比如模型出现幻觉、部署后被滥用、评估结果和真实能力不一致，你怎么看、怎么权衡、拿到新证据后会不会改主意。面试官想看的是你在不确定性下的推理方式，能不能说出道德上的复杂性而不回避，能不能同时持有两种互相冲突的考虑。
多份指南都提醒，空泛的表态在这里会扣分。“我热爱 AI”这种回答基本没用，面试官要的是具体：你读过 Anthropic 的哪篇安全研究、你对负责任扩展政策怎么看、你觉得 Claude 的哪类风险最值得优先处理。准备这一轮最有效的方法是读 Anthropic 自己的公开材料，包括创始人 Dario Amodei 的文章、公司的安全研究博客和负责任扩展政策，再形成自己的判断，而不是背别人的观点。需要注意的是，价值观轮的淘汰率被多位候选人认为是 onsite 最高的，技术轮全过、最后倒在这一轮的情况并不少见。
Onsite 体验：分两段、有门槛、强度不小
Onsite 通常是线上进行，全程大约 4 到 5 个小时，4 到 5 轮，每轮 55 到 60 分钟。不少候选人报告说 onsite 分成两个小循环，分两天进行：第一段通常是编码和系统设计，第二段是项目深挖加价值观面试，而且第一段没过，第二段会被取消。这种分段设门槛的做法在不同团队、不同级别之间并不完全统一，有的候选人是一天走完，有的分两天，要以 recruiter 给你的具体安排为准。
项目深挖那一轮值得单独准备：面试官会挑你做过的一件事深挖到底，从动机、技术选型、失败、取舍一路问到如果重做会怎么改。带一份一页纸的项目清单会有帮助，但更重要的是对自己的项目足够熟悉，能讲清楚每个关键决定背后的理由。行为面试则覆盖冲突处理、 ownership、做过的艰难决定，回答要具体到人和事，不要停留在道理层面。
关于 AI 工具的使用，Anthropic 有一份公开的候选人 AI 使用指南，最后更新于 2025 年 7 月 10 日，规则分阶段：准备阶段鼓励用 Claude 查公司资料、练习回答、打磨自己写的申请；现场面试和 take-home 默认不许用 AI，除非 Anthropic 明确表示可以。性能工程方向的 take-home 是公开的例外，那个任务明确允许用 AI，而且因为 Claude 的表现不断追平顶尖候选人，Anthropic 已经为此改过三次题目设计。稳妥的做法是每轮开始前都和 recruiter 确认一次，不要自己假设。
失败教训：面经里反复出现的五个坑
第一，轻视 CodeSignal 的时间压力。很多人按 LeetCode 的节奏准备，结果第一关写得太细、后面重构时间不够。练这类题要掐表练，按规格一次写对、留好扩展点，比追求最优复杂度重要。第二，只准备算法、不准备“按规格写系统”。内存数据库和银行系统这类题，考察的是在约束不断变化时保持代码可维护的能力，刷题刷得多不等于这一关能过。第三，系统设计只讲架构、不讲运营。成本、延迟、故障恢复、GPU 利用率这些点答不出来，推理类系统设计很难拿高分。第四，价值观轮准备空泛。没有读过 Anthropic 的安全材料、说不出具体观点的候选人，在这一轮很容易被判定为“只是想来拿高薪”。第五，研究岗只背八股、不讲自己的实验。论文深挖轮最怕的就是候选人讲不清楚自己论文的局限和如果重做会改什么。
还有一个现实提醒：Anthropic 的整体录取率很低，有指南引用内部数据称工程和研究岗的整体录取率不到 1.2%，这个数字来自第三方整理、未经公司证实，但方向是对的——申请量极大，简历关本身就很严。研究岗看重顶会论文和相关方向的深度，工程岗看重真实的大规模系统经验。准备时要把精力放在最能证明这两点的材料上，而不是平均用力。简历上每一行经历都要能讲出背景、行动和结果，含糊的描述在简历关和项目深挖轮都会被追问，提前把每个项目的数据和细节准备好，比多投几十家公司更有用。
最后说一句心态上的话。Anthropic 的面试流程长、轮次多、价值观权重高，注定不适合“海投碰运气”的打法。它更适合那些本来就关注 AI 安全、读过 Claude 相关研究、手上有能讲透的项目的人。如果你是这类人，这套流程反而是你的优势：它奖励真实的积累，而不是临场发挥的运气。面试前给自己留足准备时间，不要在没有准备好的情况下仓促上阵，一次准备充分的面试，远胜过三次仓促的尝试。
产品岗与数据岗：面试重点完全不同
产品经理和数据科学家的面试和工程岗几乎是两套试卷，准备方法不能照搬。产品经理的面试重心是产品判断和安全视角：面试官会给你一个 Claude 相关的产品场景，比如企业客户要求模型在某个敏感领域给出建议，或者用户反馈模型在特定任务上频繁出错，问你怎么排优先级、怎么设计护栏、怎么衡量改动有没有效果。回答的时候要同时讲清楚用户价值、商业目标和安全风险三方的权衡，只讲用户体验或者只讲安全，都会显得片面。公开面经还提到，产品岗会问需求不清晰时怎么推进、和工程团队意见不一致时怎么处理，这类行为题要准备真实案例，不要讲空话。
数据科学家的面试则介于分析和工程之间：一部分是统计和实验设计，比如怎么设计一次 A/B 测试、怎么判断指标变化是真实效果还是噪声；另一部分是数据处理和代码实现，比如用 SQL 或 Python 处理一份 messy 的数据、写一段可复用的分析脚本。Anthropic 的数据岗和产品、研究团队的协作很紧密，面试官会关注你能不能把分析结果讲给非技术背景的同事听，能不能在数据不完整的情况下给出有依据的判断。准备这类岗位要多练“讲清楚一个分析结论”的能力，而不是只练算对数字。
还有一类容易被忽视的岗位是前沿部署工程师，也就是帮企业客户落地 Claude 的角色。这类面试会加入客户场景模拟：面试官扮演客户，提出一个部署需求，你要一边问清约束、一边给出方案。准备时要熟悉 Claude 的产品形态、API 能力和常见企业使用场景，光会写代码是不够的。
四周备考计划：按这个节奏走
如果你从零开始准备 Anthropic 的面试，四周是一个比较现实的周期。第一周主攻 CodeSignal 题型：每天掐表练一道递进式系统题，内存数据库和银行系统各练两遍以上，重点练第一版代码的扩展性，而不是追求每一关的最优解。同时开始读 Anthropic 的公开安全材料，包括负责任扩展政策和几篇代表性的安全研究博客，边读边记下自己的疑问和判断。
第二周主攻系统设计和研究深度。工程岗每天练一道系统设计题，推理类和经典分布式各占一半，练完要能复述成本、延迟、故障恢复这三点。研究岗每天精读一篇目标团队的论文，准备好讲清楚方法、局限和如果重做会改什么。第三周做模拟面试：找朋友或同行按真实时间走完整轮次，包括 45 分钟的价值观讨论，模拟完要复盘哪里卡壳、哪里讲得含糊。第四周收尾：整理一页纸的项目清单，把每个项目的关键决定、技术选型和失败教训写成要点；再过一遍自己的简历，确保简历上的每一行都经得起深挖。
备考期间还有一个容易被忽略的细节：Anthropic 允许候选人在技术面试里查阅资料，这个政策写在官网 careers 页面上。但“可以查”和“需要查”是两回事，面试官看的是你解决问题的思路，频繁查文档会打断节奏。正确的做法是把常用 API 和核心概念记熟，把查阅留给真正记不清的细节。
Onsite 当天：节奏与沟通细节
Onsite 当天 4 到 5 个小时高强度连轴转，体力和节奏管理本身就是考察的一部分。轮次之间通常只有几分钟休息，提前准备好水、纸笔和安静的房间，线上轮次要提前测试网络和摄像头。每一轮开始时先和面试官确认题目的边界和期望，写代码时边写边讲思路，遇到卡住的地方先说出自己的思考方向再求提示，这比沉默埋头更能让面试官给分。结束后记下每轮的问题，晚上复盘一次，第二天的轮次往往能直接用上。
- 最新
- 最热
只看作者