Harvey AI SWE New Grad 面试全流程：准确性优先的工程文化下怎么准备
Harvey AI SWE New Grad Interview Guide (2026)
阅读重点
法律行业对错误的容忍度趋近于零——引用一个不存在的判例，律师可能面临法庭制裁，这类新闻公开报道过不止一次。Harvey AI 把生成式 AI 卖给律所，它对工程师的要求可以从这个事实直接倒推：先准，再快。
Harvey AI SWE New Grad 面试全流程：准确性优先的工程文化下怎么准备
法律行业对错误的容忍度趋近于零——引用一个不存在的判例，律师可能面临法庭制裁，这类新闻公开报道过不止一次。Harvey AI 把生成式 AI 卖给律所，它对工程师的要求可以从这个事实直接倒推：先准，再快。
流程与时间线
Harvey 创立于 2022 年，面向律所与企业法务提供生成式 AI 工具，获 OpenAI Startup Fund 投资（公开事实），客户包括多家大型律所（见公开报道）。根据公开面经与候选人反馈整理，SWE 岗流程通常为：recruiter 沟通 → 技术电面 → virtual onsite（coding、结合产品场景的 system design、behavioral 与产品理解轮），部分岗位含 practical 环节，周期多在三到五周。具体轮次以 recruiter 说明为准。
逐轮拆解
Coding 轮：难度不追求刁钻，但对正确性与边界处理的要求高——这和公司气质一致。字符串处理、文档结构操作是常见语境。
System design 轮：大概率落在文档处理与 RAG 场景，考察点集中在准确性工程：引用、校验、拒答、隔离。
产品与 behavioral 轮：考你对法律用户工作流的尊重程度。律师按 matter（案件）组织工作，对保密负有执业义务，时间按小时计费——不需要懂法律，但要表现出「我理解这个用户群体的严肃性」。
两道代表性题目的完整推演
题一：设计一个带引用的法律问答系统。与通用 RAG 的区别在三条硬约束。链路：文档 ingest 采用结构感知分块——法律文书按条款与段落切分，保留层级元数据 → 混合检索（BM25 加向量，法律文本里精确术语匹配的权重不能丢）→ 生成时强制 grounding：要求模型仅基于检索片段作答，并逐句挂引用 → 生成后校验：对每条引用验证「该文本片段是否真的支持该结论」，可用独立校验步骤或规则 → 拒答策略：检索置信度不足时明确回答「无法回答」，而不是硬生成。贯穿全链路的是多租户隔离：客户 A 的文档在任何环节都不能参与客户 B 的回答——律所数据涉及律师-客户特权，这是产品的生死线。把「拒答也是功能」这句话说出口，是这道题的关键得分点。
题二：设计幻觉评估方案。思路分四步：先建评估集——真实问题加人工标注的标准引用与结论；指标分层——引用准确率（引用是否存在且相关）、忠实度（结论是否被引用支持）、拒答合理率（该拒的是否拒了）；评估方式——规则加人工抽检加模型判官，并主动说明模型判官的局限：它自己也会错，需要定期与人工标注对齐；工程化——评估集进 CI，模型或 prompt 每次变更都跑回归，指标劣化即阻断上线。这道题没有标准答案，考的是你有没有「把质量做成系统」的意识。
其余常见方向：文档分块算法（按结构切分且不破坏句子完整性）、编辑距离与字符串匹配、RBAC 加 matter 级别的访问控制建模、PII 识别与脱敏 pipeline 的概念讨论。
两周准备计划
- 第 1–2 天：了解法律工作流的基本概念（matter、privilege、billable hour），读一遍 Harvey 官网的产品与客户材料。
- 第 3–7 天：刷题 30 道：字符串、树、区间；每题额外自问一句「边界与异常我是否穷尽了」。
- 第 8–10 天：把上面两道设计题各写成一页文档；再练一道多租户 SaaS 设计。
- 第 11–14 天：两场 mock，加 behavioral 素材整理——能体现严谨与责任心的真实例子最对味。
常见失误
- 用 C 端 chatbot 的思路答 ToB 法律场景，通篇不谈引用与拒答。
- 把合规当口号，说「要注意安全」却给不出隔离与审计的具体设计。
- coding 轮追求速度而边界粗糙——在这家公司的评分表上是反向信号。
- behavioral 里流露对法律行业的轻慢，「律师的活很容易被 AI 替代」这类表述是雷区。
2025–2026 环境备注
法律 AI 是垂直 AI 中商业化路径相对清晰的方向，竞争者增多的同时，客户对准确性的要求只会更高——「准确性工程」相关经验的溢价在上升。ToB 公司的招聘节奏与客户交付相关，NG 岗位零散放出，盯官方 careers 页。国际学生请确认 sponsor 政策（可查 H-1B 数据库的历史记录），以 USCIS 为准；各轮对 AI 工具的使用政策差异大，面试前问明。
FAQ
Q：需要法律背景吗？ 不需要。需要的是对高准确性场景的工程直觉，以及对用户行业的基本尊重。
Q：薪资怎么查？ levels.fyi 与 Glassdoor 为主，叠加 H-1B 申报数据交叉验证；成长期初创的期权条款在 offer 阶段逐项问清。
Q：垂直 AI 和通用 AI 公司怎么选？ 垂直方向的护城河在行业数据与客户信任，通用方向天花板高但竞争更烈；按你想积累的技能栈选，而不是按名气。
Q：产品理解轮怎么准备？ 用公开材料研究它服务的用户画像，准备两三条「如果我是律师，我会担心什么」的具体观察。