oavoservice 已經出過 xAI 流程拆解和高頻題集，本文目標不同：把候選人在 phone + onsite 階段最常遇到的 30 道題裝進一份「準備手冊」，每題給出「該考什麼 + 可以怎麼答 + 追問準備」。讀完不是過流程，是直接進刷題模式。
一、xAI 面試題型分布（按頻率）
| 類別 | 占比 | 典型場景 |
|---|---|---|
| 編碼（Coding） | 40% | Phone + Onsite R1 |
| ML 系統設計 | 25% | Onsite R2 |
| Research Sense | 15% | Onsite R3（MLE 必考） |
| 行為面 / 文化匹配 | 15% | HM 輪 |
| Math + Probability | 5% | Phone 偶爾 |
二、編碼 12 道（Phone + Onsite R1）
資料結構 / 演算法題
- Trie + 萬用字元匹配（LC 211 加變體）
- LRU / LFU Cache 實作
- 巢狀交易回滾（Begin / Commit / Rollback）
- 子序列匹配帶萬用字元（LC 44 / 10）
- K 路歸併 streaming
- 滑動視窗 top-K 元素
- 圖：判斷是否能拓撲排序 + 返回順序
- 網格 BFS 多源最短路
- 字串：求最小子串覆蓋（LC 76）
- 設計：Twitter / Tweet feed
- 設計：限流器（token bucket / sliding window）
- 設計：分散式 ID 產生器
高頻題精講：巢狀交易回滾
題面：實作一個 KV 資料庫，支援 SET / GET / UNSET / BEGIN / COMMIT / ROLLBACK；支援巢狀交易。
class TxKV:
def __init__(self):
self.data = {}
self.tx = []
def set(self, k, v):
if self.tx:
self.tx[-1].setdefault(k, self.data.get(k, _MISSING))
self.data[k] = v
def unset(self, k):
if self.tx:
self.tx[-1].setdefault(k, self.data.get(k, _MISSING))
self.data.pop(k, None)
def get(self, k):
return self.data.get(k)
def begin(self):
self.tx.append({})
def rollback(self):
if not self.tx:
return False
diff = self.tx.pop()
for k, prev in diff.items():
if prev is _MISSING:
self.data.pop(k, None)
else:
self.data[k] = prev
return True
def commit(self):
if not self.tx:
return False
if len(self.tx) > 1:
outer = self.tx[-2]
for k, prev in self.tx[-1].items():
outer.setdefault(k, prev)
self.tx.pop()
return True
_MISSING = object()
複雜度：每個操作 amortized O(1)；rollback O(diff size)
xAI 追問：1) 如何在 commit 時把內層 diff 合到外層？2) 多執行緒怎麼做？→ per-tx lock + version stamp
三、ML 系統設計 8 道（Onsite R2）
- 設計 Grok 即時推理服務（dynamic batching）
- 設計 Grok 訓練資料 pipeline（去重 + clean）
- 設計 RLHF 回饋收集系統
- 設計模型監控 + drift detection
- 設計 vector DB + RAG
- 設計 multi-tenant LLM API
- 設計 GPU 集群排程器
- 設計 fine-tuning 訓練 job 佇列
高頻題：設計 Grok 推理服務
5 步法：
Step 1: 需求拆解
├── QPS：1k–100k（Twitter/X 整合時是峰值）
├── Latency：p99 < 2s（first token < 500ms）
└── 成本：$/1M tokens 控制
Step 2: API + Routing
├── REST + WebSocket（streaming）
└── 模型選擇：分級路由（小模型 → 大模型）
Step 3: 推理優化
├── Continuous batching (vLLM / TGI)
├── KV cache 復用
├── Speculative decoding
└── PagedAttention
Step 4: GPU 集群
├── A100 / H100 異構
├── 多副本 + auto-scale
└── per-tenant quota
Step 5: 監控 + 安全
├── Token-level metric
├── Prompt injection 偵測
└── PII 輸出 redaction
答完 5 步還要主動給一個取捨數字：例如「為了 p99 < 2s，我們犧牲約 20% throughput」——xAI 面試官特別喜歡量化 trade-off。
四、Research Sense 5 道（MLE Onsite R3）
- 解釋 Mixture-of-Experts 的訓練穩定性問題
- 如何評估 LLM 的 hallucination？
- 比較 RLHF vs DPO vs IPO
- 解釋 Long-context attention 的 O(n²) 記憶體瓶頸與 FlashAttention 的解法
- 小資料 fine-tune 大模型用 LoRA vs full fine-tune 的取捨
Research Sense 題沒有 Python 程式——口頭講解 + 在 whiteboard 寫公式即可。關鍵是講清楚 trade-off 和最新進展。
五、行為面 / 文化匹配 5 道（HM 輪）
xAI 文化關鍵字：Velocity（快）+ Truth-seeking（求真）+ First Principles（第一性原理）+ Hard Work。
高頻題精講
- 「你最快做完一件事是什麼時候？」——xAI 重視速度，必有故事
- 「你和同事 / boss 在技術決策上分歧時怎麼辦？」——首選 first principles 框架
- 「為什麼 xAI 不是 OpenAI / Anthropic？」——最好答 Truth-seeking + Open Source
- 「Elon 風格的 work culture 你能適應嗎？」——誠實最佳，xAI 不藏 hard work 的事實
- 「你覺得 Grok 現在最大的產品差距是什麼？」——開放性，但要說出具體使用過的體驗
回答範本：
問題：為什麼 xAI 不是 OpenAI？
答：
1. Truth-seeking 而非 Helpful——OpenAI 的 RLHF 讓模型過度安全，xAI 強調 Grok 直接回答
2. Open weight 策略（Grok 1 已 open）讓我能貢獻到社區
3. 速度——xAI 1 年內從 0 到 Grok 4，OpenAI 的迭代節奏太慢
4. 我個人感受：使用 Grok 比 ChatGPT 在 X 整合上更自然
六、與 OpenAI / Anthropic 對比（候選人最關心）
| 維度 | xAI | OpenAI | Anthropic |
|---|---|---|---|
| 演算法難度 | Med-Hard | Hard | Med-Hard |
| 工程實戰權重 | 高 | 中 | 高 |
| Research 權重（MLE） | 高 | 極高 | 極高 |
| Safety 權重 | 低 | 中 | 極高 |
| 流程長度 | 2–4 週 | 4–6 週 | 4–8 週 |
| 文化關鍵字 | Velocity / Truth-seeking | Mission-driven | HHH |
| H1B sponsor | 是 | 是 | 是 |
| 薪資帶寬 | 類似 OpenAI | 業界最高 | 略低於前兩者 |
七、4 週備考路線
Week 1: Coding 12 道（Phone + Onsite R1）
每天 2 道，重點 Trie / LRU / 交易 / 限流
Week 2: ML System Design 8 道
每天 1 道，寫出 5 步法筆記
Week 3: Research Sense 5 題
每題口頭練 5 分鐘，錄音回放
Week 4: 限時模擬 3 套 + 行為面故事打磨
確保 5 個文化匹配故事 ready
八、Pitfalls
- 不準備 Research Sense：MLE 候選人掛這一輪的最多
- System Design 沒量化：xAI 面試官期待具體數字（QPS / latency / GPU 數量）
- 行為面假裝認同 Elon 風格：誠實回答更安全
- 不讀 Grok 的 release notes：面試官會問「Grok 4 加了什麼」
- Math 準備過度：xAI 數學面頻率 < 5%，不是重點
九、常見問題 FAQ
Q1：xAI 面試一共幾輪？
A：通常 5 輪——Recruiter Screen + Phone + Onsite (3 輪)。MLE 多 1 輪 Research。
Q2：xAI 給 H1B sponsor 嗎？
A：給，但 OPT 在手或綠卡更優先。
Q3：xAI 用什麼 IDE？
A：CoderPad / Karat。Onsite 偶爾用 GitHub Codespaces。
Q4：拿到 offer 多久要 sign？
A：標準 5 個工作日，可申請延長至 10 天（特別緊的有 3 天版本）。
Q5：xAI 掛了多久能再投？
A：6 個月——比 Anthropic 的 12 個月短。換崗位類別可以更早。
Q6：xAI 和 SpaceX 招聘是分開的嗎？
A：分開。HR 系統獨立，但內推可以跨。
十、需要 xAI 面試輔助？
xAI 面試節奏快——從 Recruiter Screen 到 onsite 通常 3 週內完成，留給候選人準備的時間很短。如果你正在準備：
- 微信：Coding0201 · 立即聯絡
- Email：[email protected]
- Telegram：@OAVOProxy
我們提供：xAI 當週高頻題、Research Sense 1on1、ML System Design mock、Elon 文化匹配腳本打磨。
聯絡方式
Email: [email protected]
Telegram: @OAVOProxy
微信: Coding0201
最後更新：2026-05-18 | 作者：oavoservice 面試組