Harvey 开发法律 AI，并运营一支前沿部署工程师团队，他们会在一家大型律所客户内部驻场数月，将独特的法律工作流转化为律所专属的 LLM 应用。公司还招聘应用 AI 工程师，负责 RAG、多步骤 AI 流水线以及从零到一的产品开发。面试重点考察扎实的编程基础、结构化的软件架构思维，以及在模糊情境下清晰决策的能力。
开始准备
先学习一节相关的免费课程，然后练习下面的题目。
把项目执行当作一个带有明确发布关卡的学习循环 →
28 分钟 · 无需注册账号
查找 Harvey FDE 职位
Harvey 前沿部署工程师面试流程
公开数据有限
信息来源与核查范围
- Harvey 招聘板（Ashby）公司来源雇主发布的一个 FDE 工程总监职位于 2026-09-23 被收录，并于 2026-09-24 从招聘板上消失；该职位描述中介绍了这个项目，但职位的实时可用性以及个人贡献者面试环节仍未得到确认。核查于 2026 年 9 月 24 日。
内容由我们的研究和公开信息（候选人反馈及公司面试指南）整理而成。面试流程会变化并被持续迭代，且因团队、级别和地区而异。请将其视为方向性的准备参考，而非官方规范，并向你的招聘人员或对接人确认具体轮次。
Harvey 前沿部署工程师薪资
我们能追溯到的信息，并标注了来源。只有在有依据的情况下我们才发布薪资区间，因此本页面的部分内容是空白而非数字。
我们在本档案中没有记录到 Harvey 该职位的经过核实的薪酬区间。在比较 offer 之前，请查看该职位当前的发布信息，包括职位、级别和地点。他们的招聘页面是权威来源，且某些司法辖区的职位发布被要求注明薪资范围。
一家在印度没有大型工程中心的美国或欧洲 AI 公司。这里的印度本地录用通常是全球远程合同，常以美元计价，这是从印度进入该职位薪酬最高的途径，也是最难获得的。
这是该类雇主的报告区间，而非该公司的报告数字。能否在印度本地录用取决于其实体和签证情况，因此在围绕它做规划之前，请先查看其招聘页面。
完整方法、按级别划分的美国薪资区间，以及三个印度层级并排对比，请见 FDE 薪资指南，其中还包括真正决定你的数字落在哪个层级的关键因素。
参照 Harvey 面试流程设计的题目
更多 Harvey 面试流程所考察方向的练习
Harvey 各核心方向中信息量最高的问题。
深入了解 Harvey 循环所考察的主题
对应 Harvey 前沿部署工程师循环的方向，按由易到难排序。
Harvey 前沿部署工程师循环默认你已掌握的概念
Harvey 问题背后的词汇与思维模型，来自我们的课程。基础部分免费开始；更深层的、决定面试成败的内容属于付费部分。
检索与智能体
基础检索增强生成（RAG）RAG 通过在查询时检索相关段落并将其放入提示词中，使语言模型基于你自己的数据作答，从而让模型依据真实来源而非记忆回答问题。它几乎是所有企业级 FDE 部署的默认模式，因此几乎每个循环都会考察它。
基础向量数据库向量数据库将嵌入向量与元数据一同存储，并使用近似索引快速回答最近邻查询。真正的面试问题不是它们如何工作，而是你何时真正需要一个向量数据库，而不是一个库或带 pgvector 的普通 Postgres。
核心登录混合搜索（词法 + 向量）混合搜索同时运行关键词检索器（BM25）和稠密向量检索器，然后合并两者的结果列表，因为各自都会漏掉对方能捕捉的情况。向量会丢失精确代码和生僻术语，BM25 会丢失改写表述，而用倒数排名融合将两者结合通常优于单独使用任何一种。
高级🔒 付费智能体记忆智能体记忆是智能体在多轮对话和多个会话之间保持状态的方式。短期记忆是存在于上下文窗口内的对话和草稿区，容量有限且成本高昂。长期记忆是智能体按需写入和读取的外部存储，通常通过 RAG 实现，因此它无需将内容保留在提示词中也能回忆起上周的事实。FDE 循环会考察这一点，因为最困难的部分——摘要、持久化什么内容、以及过时或矛盾的记忆——正是智能体悄然出错的地方。
大语言模型与生成式 AI 基础
基础分词与 Token语言模型读取的不是字符或单词，而是 token：由分词器产生的子词片段，每个都映射为模型嵌入的一个整数。Token 是上下文窗口和计费的单位，文本如何切分成 token 解释了大量看似奇怪的模型行为，这就是为什么几乎每个循环都从这里开始。
基础上下文窗口上下文窗口是语言模型一次能够关注的固定 token 数量，输入和输出共享同一预算。理解它正是区分以下两类工程师的关键：一类能够合理规划提示词规模、控制成本和延迟、并判断何时需要使用 RAG；另一类只是把所有内容一股脑粘贴进去然后祈祷能行。
基础嵌入与向量表示嵌入将一段文本转换为一组数字，其排列方式使得含义相近的内容在空间中彼此靠近，从而让你可以按语义而非关键词进行搜索。嵌入是 RAG、语义搜索、聚类和去重背后的引擎，因此 FDE 循环会要求你解释余弦相似度，以及那些会悄悄破坏向量索引的陷阱。
进阶🔒 高级LoRA 与参数高效微调全量微调会更新模型中的每一个权重，训练成本高昂，且每个任务都会产生一个完整大小的检查点。LoRA 则冻结基础模型，转而训练小型低秩适配器矩阵，从而得到可交换的微型检查点；QLoRA 进一步加入量化的冻结基础模型，使整个流程可以在单张 GPU 上运行。FDE 循环会考察这一点，因为它是在客户数据上适配模型的方式，而且不会耗尽客户的预算或压垮他们的硬件。
编码与工程技艺
基础解析混乱的真实世界数据客户的数据文件往往很脏：引号不一致、表头缺失、垃圾行、具有误导性的编码。这项工作的要点是进行防御性解析，跳过并记录坏行而不是中止整个批次，并保持解析逻辑纯粹、与业务逻辑分离，从而保持可测试性和确定性。这正是早期 FDE 数据接入工作的主要内容。
基础真正重要的 Big-O在实际部署中，Big-O 不是白板上的谜题；它是唯一能告诉你客户的数据是否适合你所选方案的计算。这项技能在于找出在客户规模下占主导地位的项，知道暴力法何时会失效、何时需要索引或 ANN，并识别常数因子和内存何时比指数更能决定结果。
核心登录可测试性与依赖注入直接访问时钟、网络、文件系统或随机数生成器的代码无法进行确定性测试，因为其输出依赖于外部世界。解决办法是将纯逻辑与副作用分离，并注入那些接触外部世界的部分（时钟、I/O、随机性），使测试可以传入假实现。当你接手不可测试的代码时，先用特征化测试固定其当前行为，然后在这张安全网下进行重构。
核心登录流式处理与背压流式处理一次只处理一个数据块，因此无论输入多大，内存占用都保持平稳。一旦生产者速度超过消费者，你就需要背压：一个有界缓冲区，让生产者等待，而不是把无界的工作堆积到内存中。在 Python 中，流式处理这一半靠生成器和分块读取，背压这一半靠有界队列（或阻塞式 put）。搞错了，一个 50 GB 的文件或一个快速的上游就会把机器 OOM 掉。
面向客户的技艺
基础篇需求挖掘需求挖掘是找出隐藏在客户口头需求背后的真实问题的工作。客户交给你的请求（“给我们做一个聊天机器人”）几乎从来不是真正的需求；能够弄清楚谁在使用它、成功是什么样子、实际存在哪些数据、以及为什么截止日期就是截止日期的 FDE，才能交付出人们真正使用的东西。
基础篇界定模糊问题界定一个开放式命题（“某城市想要缩短 911 响应时间”）是一种结构化的操作，而不是灵光一现：澄清输入和约束条件，大声说出你的假设，划分出最小可用的 MVP，明确你正在选择的准确率/成本/延迟权衡，并规划失败时该怎么办。直接跳到模型或架构是候选人在模拟环节被淘汰的最常见原因。
基础篇向非工程师解释权衡高管并不关心你选择了 RAG 还是微调；他们关心的是成本、交付时间以及可能出错的地方。翻译技术权衡意味着把准确率、成本和延迟转化为企业实际要做的决策，用他们的语言把每个选项框定为带有后果的选择，并回答他们最终都会问的问题：为什么 AI 每次给出的答案都不一样，以及为什么这不是一个 bug。
高级🔒 高级版试点验收标准试点验收标准将测试结果与有边界的部署决策联系起来。定义符合条件的工作、失败上限、缺失的证据以及可以批准下一步的人员。
在哪里申请，以及 Harvey 官方资源
直接来自 Harvey：开放职位和公司自己的招聘指南。在这里准备，然后去那里申请。
指向 Harvey 官方页面的外部链接。职位和流程会变化；请务必在官方网站上确认。
是的。Harvey 将前沿部署工程师嵌入大型律所客户内部数月，以构建律所专属的法律 AI 应用，同时也在核心工程团队招聘应用 AI 工程师。
预期会考察扎实的编码基础、结构化的软件架构设计，以及 RAG 和多步骤 AI 流水线方面的工作。面试官会评估你如何处理模糊性，并在真实的法律问题上做出清晰的决策。
作为一家高估值的私营公司，Harvey 提供有竞争力的基本工资加股权，具体因级别而异。公开信息有限且仅为近似值。
带着充分准备走进你的 Harvey 前沿部署工程师面试
通过详细解答及其背后的课程体系，为完整的面试流程做好准备。从免费的问题和概念开始，感受其深度。
每一个答案、概念和课程，每一份论文解析，所有已发布的视频课程，动手实践的 FDE Lab 任务，高级版 PDF 指南及配套文件，完整的模拟测试题库和工作样本下载。推荐版高级会员不包含指南 PDF 及其配套文件。
6 个月 · 一次性付款 · 不自动续订
配合免费视频课程学习。
或者创建免费账户，解锁每个主题的更多免费答案。
其他可备考的前沿部署工程师面试
这些公司的面试流程与 Harvey 考察相同的方向。
独立运营，与 Harvey 无关联。所有商标归其所有者所有。