滴滴的算法/AI岗面试在业内一直算是比较有辨识度的。和其他大厂不太一样滴滴的业务场景极度依赖“时空”和“实时决策”所以面试官问的问题通常不会停留在“你用过什么模型”这个层面而是更关心你对数据、特征、延迟、成本以及模型落地效果的敏感度。我身边不少朋友这两年面过滴滴也有不少是准备冲击2025年校招或社招的大家反馈下来滴滴的算法面试有几个明显的倾向机器学习基础考得很扎实、手撕代码偏爱“中等偏上但又不冷门”的题、业务场景设计题非常贴近真实出行场景而且2024到2025年明显加大了对大模型和Agent方向的考察力度。这篇文章我打算把滴滴算法/AI岗面试中最高频、最容易被问到的题目类型做一个系统拆解不仅列出题更重要的是讲清楚每类题背后的考察意图、答题思路和需要避开的坑。无论你是准备校招还是社招只要目标方向是算法工程师、机器学习工程师或者AI应用岗这篇文章都值得你花二十分钟静下心来看完。1. 滴滴算法岗到底在考什么岗位方向与面试轮次拆解1.1 业务方向决定面试侧重点先去滴滴官网看一眼在招的算法岗位你会发现它不是一个“算法工程师”统称而是分得非常细。这个细节很重要因为不同方向的面试题差异极大如果你用“搜推广通用题库”去准备滴滴的“运筹优化岗”很容易南辕北辙。滴滴算法岗大概可以分成这几类交易市场与调度方向这是滴滴最核心的算法阵地覆盖司乘匹配、派单算法、拼车路径规划、实时调度、供需预测、动态定价等。这类岗位面试时场景设计题和运筹优化题占比非常高机器学习基础题往往只作为热身重点是看你对“在线决策”的理解。出行预估方向ETA预计到达时间、路径规划、路况预测、地图匹配等。这类岗位需要你有扎实的时空数据处理能力图神经网络、序列模型、轨迹挖掘都是高频考察点。增长与推荐方向首页推荐、优惠券投放、用户增长、LBS推荐。这类岗位和通用推荐系统面试题重合度大但场景是“基于地理位置”的考察你对位置特征、实时上下文的理解。风控与反作弊方向异常检测、团伙识别、设备指纹、交易风控。这类岗位非常看重样本不均衡处理、图算法、时序异常检测以及模型可解释性。AI中台与大模型方向智能客服、语音交互、多模态内容理解、Agent应用。2025年这个方向的题明显变多RAG、微调、Agent规划、推理优化都是必考点。你可以看到滴滴面试题的“活”处在于几乎所有算法方向都能在它的业务里找到真实落地点。所以面试官问完基础题之后一定会有一个“如果让你来做xxx你怎么设计”的开放题这一题往往是你能不能拿到下一轮的关键。1.2 面试流程与各轮考察重点滴滴的算法面试流程校招和社招略有差别但整体上分这几轮简历面/项目深挖约30-45分钟。围绕你做过的项目考察数据规模、特征设计、模型选型、效果评估、上线情况和业务收益。社招会问得非常细比如“你的模型延迟多少”“训练数据怎么采样的”“AB实验怎么设计的”“涨了多少指标”这类问题答不上来基本就挂了。算法笔试/手撕代码一般1-2轮每轮2道左右。常见平台是牛客或滴滴自研的在线评测系统。题目难度介于LeetCode中等和困难之间偏爱数组、字符串、二叉树、动态规划、贪心、堆、图等类型但很少出那种需要看题解才能想到解法的偏题怪题。机器学习基础八股1轮问得非常基础但抠得细。逻辑回归、决策树、SVM、XGBoost、聚类、特征工程、样本不均衡、评估指标这些是被问得最多的。2025年还加入了不少深度学习基础题比如Transformer的结构、LayerNorm位置、多头注意力为什么要缩放等。业务场景设计1轮。可能是“高峰期打车难你怎么调配运力”“如何预测一个区域的未来半小时订单量”“如何设计拼车匹配算法”这类问题。这轮最考验对业务的理解和逻辑结构。系统设计/工程能力主要是社招考察特征平台、模型训练架构、在线推理性能、数据管道等。候选人需要展示自己能把模型落地而不是只会在Notebook里跑实验。HR面常规的软素质考察但滴滴比较关注“抗压能力”和“边界的owner意识”。下面我会按这几类分别展开高频题目和答题思路。你会发现很多题其实“不咬人”但如果你只看面经、不深入理解背后的原理很容易在连环追问下露馅。2. 机器学习基础高频题从推导到实战的硬核考点2.1 逻辑回归的手推与面试官追问链逻辑回归LR几乎是滴滴算法面试的“开胃菜”因为它简单、可解释而且在线预测性能极好在滴滴的派单、定价、风控模型里LR和它的“升级版”GBDT模型至今仍占有重要位置。面试官考LR绝不是真的想让你默写公式而是通过这一个模型去考察你对概率、损失函数、优化、正则化的理解深度。标准的提问链条是这样的第一问逻辑回归的损失函数是什么为什么不用MSE你需要写出交叉熵损失公式并且解释为什么分类问题用交叉熵而不用均方误差。关键点在于逻辑回归最后跟的是sigmoid函数如果把sigmoid的输出直接套MSE损失函数相对于参数会变成非凸函数梯度下降很可能收敛到局部最优。而交叉熵损失在sigmoid激活下的梯度形式很干净没有sigmoid导数的“饱和区”压制问题参数可以稳定更新。这里不需要把非凸证明写出来但要把“凸性”和“梯度消失”这两个关键词说到位。第二问逻辑回归是线性模型还是非线性模型这个题表面上简单其实是个陷阱。很多候选人脱口而出“非线性因为有sigmoid”。但严谨地说逻辑回归的决策边界是线性的sigmoid只是把线性组合的输出压到0-1区间它没有做特征变换。所以LR本质上是线性分类器。如果你在特征层面加了多项式交叉比如构造$ x_1 \times x_2 $那就变成广义线性模型了但原始LR还是线性的。面试官这么问是想看你有没有真正理解“线性”的含义。第三问训练LR时特征要先做标准化吗怎么做LR的梯度更新受特征尺度影响很大如果不做标准化数值大的特征对应的参数更新会很快模型会偏向这些特征收敛变慢。常用的做法是z-score标准化减均值除标准差或min-max归一化。在滴滴的真实场景里有时还会用小波变换、分位点归一化来处理长尾分布的特征。面试官有可能追问树模型需不需要归一化答案是树模型不依赖特征尺度因为它做的是分裂点选择不受量纲影响所以不需要。第四问LR怎么处理高维稀疏特征LR在广告、推荐、搜索场景非常适配稀疏特征原因是它可以配合大规模并行训练且每个特征对应一个权重解释性强。但对于出现次数极少的特征需要做特征过滤按频次阈值过滤掉低频特征或者做特征哈希、分箱、向量化召回等处理。另外在线学习中LR配合FTRL优化算法可以在海量稀疏特征下实时更新模型这是滴滴这类实时决策平台很看重的能力。2.2 GBDT/XGBoost/LightGBM对比分析GBDT类模型在滴滴业务数据挖掘里是“万金油”。面试官几乎必问三连XGBoost相比GBDT做了哪些优化核心要答出四点第一GBDT在优化时只用了一阶导数XGBoost用泰勒展开到了二阶导所以收敛更快、精度更高第二XGBoost在损失函数里加入了正则项叶子节点数、叶子权重的L2范数能有效控制过拟合第三XGBoost支持列采样不仅是行采样这能进一步降低过拟合、加速训练第四XGBoost对缺失值有自动学习分裂方向的处理机制不像GBDT那样必须事先填补。LightGBM相比XGBoost又有什么不同主要答三点直方图算法把连续特征离散化成固定bin降低内存和计算量、leaf-wise的叶子生长策略在误差最大的叶子节点上继续分裂可以更快降低损失但容易过拟合所以要用max_depth限制、以及互斥特征捆绑EFB来降维。面试官如果追问“为什么LightGBM训练更快”你需要归因到直方图算法把“找最优分裂点”的复杂度从$ O(# features \times # samples) $降到$ O(# features \times # bins) $这才是本质区别。为什么LR要配合GBDT使用这是滴滴这类推荐/广告/搜索场景非常经典的问题。GBDT的特点是擅长处理连续型特征、自动挖掘高阶非线性特征但它不擅长处理海量高维稀疏的ID类特征LR正好相反擅长高维稀疏特征但缺乏非线性拟合能力。所以常规打法是用GBDT对稠密数值特征做特征变换把叶子节点编号作为新特征输入LR相当于GBDT做好了“自动特征交叉”LR做最终决策。面试官问这个是想确认你了解工业界常用的“GBDTLR”特征工程范式。2.3 特征工程与样本不均衡实战滴滴算法的特征工程有很大一部分是围绕“时空数据”展开的。比如ETA预估模型特征会包括起终点经纬度、距离、道路等级、实时路况、天气、时段、节假日、历史通行时长分位数、近期区域平均车速、司机行为特征习惯走哪类路等。面试官如果想考你特征工程能力通常会给你一个“订单天气路况”的表让你现场说说怎么造特征。这时你应该从这几个角度组织答案时间维度小时、星期几、是否节假日、是否为早晚高峰、距离上一个高峰的时长空间维度经纬度网格geohash、区域订单密度、POI类型商圈、机场、火车站、医院交互特征时段×区域、天气×路况、预估距离×拥堵指数时序统计过去5分钟/15分钟/1小时的订单量均值、分位数、比上一周期增量滑窗与衰减对时间窗口内的数据做指数衰减加权让近期数据权重更大。特征说完面试官会顺手考一下样本不均衡。滴滴风控、异常检测场景里正样本往往只有千分之一甚至更低。处理手段从三个层面说数据层面可以做随机欠采样、SMOTE过采样、NearMiss、以及负样本的“难例挖掘”hard negative mining算法层面可以调整class_weight、使用Focal Loss、异常检测里用One-Class SVM或孤立森林评估层面不要只看准确率要看召回率、精确率、F1、AUC、PR曲线特别是PR曲线在极端不均衡下比ROC更敏感。这里有一个我自己实践里的经验在风控场景一上来就用SMOTE往往效果一般因为风控特征高度重叠人工合成样本容易产生大量噪声。更实用的是“时间衰减负样本采样”即用最近一段时间的负样本去训练因为风控策略和作弊手法是演化的老样本对当前模型的参考价值很低。这个思路在滴滴这类业务节奏很快的场景里非常讨喜能体现你对“时效性”的敏感度。2.4 在线学习与实时特征滴滴的派单模型、运力调度模型对时效性要求极高面试官可能会问“你的模型如果是离线的怎么适应实时数据变化”。这里要理解在线学习Online Learning的基本思路模型不是一次性训好部署就完事而是随着新数据的到来持续更新参数。常用的方法包括用FTRLFollow The Regularized Leader来做LR的在线更新用在线梯度下降配合学习率衰减以及用“近线更新”的方式——比如分钟级更新的特征和模型而不是严格逐样本更新。特征层面需要流式计算框架如Flink实时计算滑动窗口特征、实时统计量同时把模型嵌入在线推理服务链路。面试官如果追问“在线学习和离线训练有什么区别”核心答案有三点一是数据分布漂移在线学习需要能快速适应分布变化二是数据顺序影响大需要设计样本权重衰减机制三是工程上要保证低延迟、高吞吐不能像离线训练那样追求全局最优。这一个问题如果答好了面试官会觉得你有“生产环境意识”这是校招生和很多只做过Kaggle比赛的候选人拉开差距的地方。3. 深度学习与大模型题2025年的新变化3.1 Transformer与注意力机制核心题深度学习基础题在滴滴的算法面试里占比越来越高尤其是AI方向和大模型方向。Transformer几乎成了必问点。最经典的一问是注意力机制里的Q、K、V分别是什么为什么要除以$\sqrt{d_k}$QQuery是你想查询的目标KKey是检索的索引VValue是检索到的内容。注意力分数的计算是Q和K做点积如果两个向量维度很大点积结果方差会变大导致softmax的梯度区域非常平缓容易梯度消失。除以$\sqrt{d_k}$是为了把点积结果缩放回一个合理范围让softmax输出更平滑、梯度更稳定。这个“缩放”的动机一定要结合“方差”和“梯度”两个词去答不能只背一个“为了防止过大”。再一个是Transformer为什么用LayerNorm而不用BatchNorm这里要从BN和LN的本质去答。BN在batch维度上做归一化适合CNN这类固定尺寸输入但在NLP任务里文本序列长度不一而且每个token的分布不同在batch内统计均值和方差会引入噪声LN则是在每个样本的每个token维度上做归一化不依赖batch更适合序列模型。面试官有时会追问“那BERT里LN放在残差之前还是之后”这就是考察你是否读过源码。标准答案是Post-Norm原始Transformer和Pre-NormGPT、BERT的很多实现里两者各有优劣Pre-Norm在深层网络中更稳定训练更快但可能略损精度。还有一个很常见的为什么需要位置编码有哪些方式注意力和RNN/CNN不同它没有天然的“顺序”意识如果不加位置编码交换序列中两个token的位置输出完全不变。所以需要把位置信息注入模型。早期方法是用固定的正弦余弦函数去编码后来BERT用可学习的绝对位置编码而现在的LLM很多用RoPE旋转位置编码它通过旋转矩阵把相对位置信息融入点积计算具有更好的外推性。面试官问这个是想看你能不能把“序列建模的本质”说清楚并且了解大模型最新的一些做法。3.2 推荐/排序方向高频题双塔、DIN/DIEN滴滴的推荐、广告投放、司机端营销场景也是算法岗的重要分布地。这类岗位的面试题和通用推荐系统几乎一样但会加一些LBS基于位置服务的特殊考察。双塔模型是必考。它把用户特征和商品/POI特征分别输入两个塔输出向量做内积相似度适合召回阶段的大规模计算场景。面试官会追问“为什么召回用双塔而不用精排模型”答案是召回阶段候选集可能达到百万级甚至千万级必须做高效近邻检索ANN双塔结构可以把用户和物品编码成向量然后在离线建好物品向量的索引在线用faiss等工具快速检索最相似的结果。DIN/DIEN考察的是对用户行为序列的建模能力。DIN用注意力机制来捕捉与候选物品相关的历史行为权重DIEN则把用户行为看成一个时序序列用GRU来建模兴趣演化过程。这类模型适合电商、内容推荐、广告等场景滴滴的推荐场景里也常用到比如推荐打车优惠券时会把用户过去的行为序列去过哪些区域、用什么车型、叫车时间段做序列建模。如果面试官抛出“用户位置算用户特征还是上下文特征”这种问题你要答出在LBS场景里位置要同时作为用户画像特征常驻区域、工作区和实时上下文特征当前所在地、目的地两者的区分会影响特征的时效性和表达力。这一点是滴滴和普通电商推荐最大的不同。3.3 大模型与Agent相关题2025年滴滴的面试题明显更偏爱大模型了尤其是在客服、运营、智能助手、司机服务等方向。高频题包括RAG检索增强生成的流程和优化点是什么LLM微调和RAG怎么选如何让大模型在少幻觉的前提下处理实时结构化数据Agent的规划、工具调用、记忆模块怎么设计RAG的流程你要能画出来先对文档做切分、向量化、存入向量库用户query进来后先检索最相关的文档段落再把“原始query 检索到的上下文”打包成完整prompt送给LLM生成回答。优化的点主要在切分策略按语义、按标题结构、固定长度、embedding模型选择、重排序Rerank阶段、以及Prompt里对“源引用”的要求。RAG和微调怎么选是一个典型的二选一开放题没有绝对正确答案但你要给出清晰的决策逻辑如果知识需要频繁更新、来源明确、回答需要可追溯查证优先RAG如果模型的表达风格、行为模式需要固定改变或者知识本身比较稳定微调更合适。更通用的是“RAG为主微调为辅”大模型本身承担推理和生成能力RAG负责提供最新的事实信息微调负责塑造输出格式和交互风格。这个回答在行业里被广泛认可也比较符合滴滴智能客服的真实场景。Agent题近年很火滴滴的场景主要集中在客服Agent能查订单、发券、解决投诉、司机服务助手查询收入、接单建议、运营内容生成Agent生成营销文案、活动策划。回答Agent设计题时要围绕四个核心模块规划模块把复杂任务拆成步骤、工具调用模块查询订单、退款、发券等API、记忆模块长期用户画像短期会话状态、执行与验证模块判断执行结果是否达到预期。如果你能再补充一两个“容错设计”——比如Agent调用工具失败后如何重试、如何引导用户换一种说法——面试官的好感度会明显提升。3.4 训练稳定性与推理优化面试官还会考察深度学习工程化和模型训练的实操经验。这些题对于论文党或竞赛党来说可能比较陌生但恰恰是滴滴算法岗日常要面对的。训练稳定性相关的经典问题梯度消失和梯度爆炸的原因和解决办法深层网络反向传播时梯度连乘导致极小值或极大值解决手段包括合理的初始化Xavier/He、BatchNorm/LayerNorm、残差连接、梯度裁剪、更换激活函数等。学习率怎么设置和调整线性预热、步进衰减、余弦退火等面试官会问“你训练模型时一般怎么判断学习率是否合适”标准答案是做学习率扫描learning rate finder观察loss曲线是否平滑下降。loss不下降怎么排查先确认数据是否有问题标签错乱、输入为NaN再检查是否有梯度可以打印梯度范数然后尝试降低学习率、简化模型、增加正则。这个问题在项目深挖时经常被问建议提前准备好一个真实的排查案例。推理优化方向的题也非常实用模型量化的原理和类型把FP32权重压到INT8甚至INT4用更低精度换取更高推理速度和更小显存占用。常见方法有训练后量化PTQ和量化感知训练QAT。剪枝和蒸馏剪枝是去掉不重要的权重或注意力头蒸馏是让大模型Teacher教小模型Student学习它的输出分布从而压缩模型体积。批量推理的工程注意点在GPU上做动态batching、显存管理、超时降级等。你如果能举一个“把模型延迟从50ms压到20ms”的真实案例面试官会觉得你的项目经验很落地。4. 经典算法与数据结构滴滴手撕代码的真实画风4.1 排序算法与稳定性手撕代码环节排序是绕不过去的。滴滴的笔试题经常会要求“实现一个稳定的排序算法”或者“对一个近乎有序的数组排序用什么算法最快”所以排序的基础一定要扎实。需要掌握的排序算法有冒泡排序、插入排序、选择排序、归并排序、快速排序、堆排序。重点掌握快排和归并因为它们的扩展题特别多。面试官会问快排的复杂度为什么是$ O(n \log n) $最坏为什么是$ O(n^2) $怎么避免最坏情况回答要点平均情况下每次partion都能把数组分成两半所以递归深度是$ \log n $每层是$ O(n) $最坏是每次选到的pivot都是最大或最小值导致只分出一个子数组递归深度变成$ n $。优化手段有随机选pivot、三数取中法、以及当子数组小于一定阈值时改用插入排序。快排和归并排序的区别快排是原地排序不需要额外数组平均快但不稳定归并排序稳定但需要$ O(n) $额外空间。滴滴的面试官一般不会要求证明稳定性但你要能用一段小例子讲清楚“两个数值相等的元素在排序后是否保持原有前后顺序”。堆排序是怎么建堆的从最后一个非叶子节点开始向下调整sift down建堆复杂度是$ O(n) $不是$ O(n \log n) $。这点很多候选人会答错要小心。4.2 KMP算法与next数组计算字符串匹配题里KMP算法是滴滴面试的高频常客。尤其是热词中提到的“在KMP算法中对于模式串p‘abacaba’其next数组定义为…”这类题考察的是你对next数组有时也称为部分匹配表pmt或失配函数的理解深度。next数组维护的是“当前匹配失败后模式串应该回退到哪个位置”的信息也就是前缀和后缀的最长公共长度。计算next数组时有一个关键点next[0]通常设为-1表示模式串无法回退然后从i1开始扫描用j记录当前最长公共前后缀的长度。如果p[i]与p[j]相等则next[i1]j1否则j回退到next[j]继续比。以“abacaba”为例它的最长公共前后缀思想体现在整个串的前缀“aba”和后缀“aba”相同所以最后的next值会指向位置3。面试时如果你卡在计算细节上很影响印象分建议提前手写几道KMP的next数组计算题练熟。更进一步面试官会问“暴力匹配和KMP的区别在哪里”你要答出KMP的好处是主串指针不回溯失配时只移动模式串指针所以整体复杂度是$ O(mn) $。4.3 贪心、DP、堆与图算法滴滴的算法题里贪心、动态规划和堆出现频率很高因为很多业务问题都可以抽象成这几类。贪心典型题有区间调度、分发饼干、跳跃游戏、最小生成树Prim/Kruskal、哈夫曼编码。面试官问贪心时喜欢追问“为什么这个策略是局部最优等于全局最优”比如“排课问题为什么按结束时间排序”你要能从贪心选择的性质去解释不能只套模板。动态规划更是重头戏。高频题包括爬楼梯、背包问题、最长递增子序列、最长公共子串/子序列、编辑距离、打家劫舍、零钱兑换、戳气球等。滴滴笔试偏爱“中等难度DP”比如“求一个矩阵从左上角到右下角的最小路径和带障碍物”“把一个字符串分割成回文子串的最小分割次数”。做题时建议开口说思路先定义dp[i]的含义再列状态转移方程再说初始化和遍历顺序。面试官一半分数其实在听你能否把思路讲清楚不只是看代码通过。堆的题也很有代表性“Top K问题”“合并K个有序链表”“数据流中的中位数”。解决这类问题的核心思路是维护一个大小为K的小顶堆大顶堆来实现在线TopK或者用双堆技巧大顶堆小顶堆来维护中位数。这种题在滴滴的业务里很形象——比如“实时统计当前热度最高的区域”就是一个典型的滑动窗口TopK问题。图算法的考察也很有价值尤其是二分图、最短路、并查集。滴滴的拼车订单匹配、司乘匹配问题天然可以用二分图来抽象。热词里提到的“二分图HK算法”就是指Hopcroft-Karp算法它用来求二分图最大匹配相比朴素匈牙利算法有更优的复杂度$ O(E \sqrt{V}) $。面试官不会让你手撕HK但很可能让你说说匈牙利算法的流程以及怎么把“一个司机能否接一个订单”抽象成二分图匹配模型。最短路算法方面Dijkstra和SPFA的出镜率也很高毕竟地图导航、路径规划就是滴滴的核心业务。4.4 运筹优化算法在出行中的应用除了常规算法题滴滴还可能考察一些“虽然是算法但更贴近运筹优化”的知识点。热词里出现的粒子群算法、模拟退火算法、PID算法、MPPT算法、FOC算法等有些看起来好像和出行无关但它们反映了面试官可能的出题思路考察你对优化算法原理的理解以及能否把它们迁移到出行场景中。粒子群算法PSO和模拟退火SA都是启发式优化算法。粒子群算法模拟鸟群觅食每个粒子有位置和速度通过向个体历史最优和全局历史最优学习来搜索最优解模拟退火则借鉴金属退火过程以一定概率接受“比当前解差”的新解从而跳出局部最优。打车场景中这类算法可以用于多目标调度如“最小化乘客等待时间最大化司机收入兼顾公平性”的近似求解。面试官如果考这类题不会要求你推数学而是看你能否把“为什么启发式算法在这里比精确算法合适”讲清楚。PID算法在传统控制领域非常经典滴滴的实体制约很小但它的“比例-积分-微分”闭环控制思想可以迁移到运力调控上比如根据供需缺口实时调整价格或调度策略。MPPT最大功率点追踪和FOC磁场定向控制更多出现在硬件控制领域如果面试官提到它们大概率是想看你对“控制类算法”是否了解或者只是想拓宽话题不建议花太多时间深挖。另一个值得关注的是规则引擎Drools的Rete算法。虽然Rete算法不是纯粹的“AI算法”但它在滴滴的营销、风控策略引擎里有广泛应用。Rete算法通过构建规则网络Alpha网络Beta网络来共享规则间的公共条件避免大量重复匹配核心思想是“利用空间换时间、利用结构缓存中间结果”。如果面试官问“你怎么设计一个实时风控规则引擎”你可以提到Rete算法的核心优势规则多的时候简单逐条扫描的复杂度是$ O(NR) $而Rete可以把共用条件节点缓存起来匹配效率大幅提升。不过这个题更多是策略方向或后台方向会问算法岗只需要知道基本思想即可。5. 业务场景设计题体现“滴滴特色”的送分题/送命题5.1 派单与调度场景的AB面“如果你是滴滴的算法工程师高峰期最忙的商圈有100个乘客在等车但附近只有80辆车你怎么派单”这是滴滴业务面试的经典题。这道题考察的不是你会不会调一个接口而是你的全局观。一个合格的回答框架是这样的先明确目标不是简单“让更多人坐上车”而是在“平均等待时间”“司机空驶率”“司机收入公平性”“乘客体验”之间做权衡。再谈约束每辆车在同一时刻只能接一单每个乘客在同一时刻只能被一辆车接司机有接单意愿、有位置、有方向偏好。然后谈方案第一步构造二分图司机-乘客匹配问题第二步确定边的权重——可以是预估接驾时间、乘客等待时间、司机收益的综合函数第三步用匈牙利算法或KM算法求全局最优匹配或使用贪心策略做近似第四步如果出现供不应求引入“排队动态定价拼车推荐”等手段做削峰填谷。最后一定要讨论“简单派单和全局派单的区别”局部最优会带来“热门区域重复派车、冷门区域无人接单”的马太效应所以需要全局视角优化。这个题想答好前期功课是对滴滴的业务模式有了解最好能说出“实时派单预约派单”“拼车单”“顺风车单”之间的区别以及各自在匹配模型上有什么不同。5.2 ETA预估与路径规划的设计ETA预计到达时间是滴滴最核心的AI能力之一。面试官可能会问“如何设计一个ETA预估模型”这个问题非常开放但你要能说出数据、特征、模型、评估四个层面的完整链路。数据层面订单起点和终点、发单时间、GPS轨迹、路况快照、天气、事件交通事故、司机行为数据。特征层面距离、道路长度和道路等级、历史通行时间分时段、实时车速、红绿灯数、是否跨区。模型层面传统方案是LRGBDT做回归预测通行时间的众数或分位数现代方案可以用序列模型LSTM/Transformer建模GPS轨迹序列或者用图神经网络建模路网拓扑。评估层面不仅看平均绝对误差MAE更要看“超时率”——比如“预测时间在真实到达时间上下浮动3分钟内的比例是多少”因为用户体验对超时更敏感。路径规划里也会问到A算法或Dijkstra算法的改进如何让路径避开拥堵、如何同时满足“求最短时间”和“最少收费”多目标、如何应对“路网很大导致搜索空间爆炸”的问题。你可以提“高精度路网做分层检索”“在路的层级上做双向搜索”“用图embedding预计算节点间的距离估计作为A的启发函数”等工业级做法。5.3 运力供需预测与动态定价“如何预测一个城市未来30分钟的运力需求和供给”听起来像是一个技术预测题但实际上它更是一个“业务算法”综合题。需求侧的思路是把城市划分成网格geohash或者按道路拓扑划分对每个格子预测未来30分钟订单量的时间序列。特征包括历史订单量、时效工作日/休息日/节假日、天气、突发事件演唱会散场、暴雨、POI活跃度商圈/写字楼/小区。模型可以选择XGBoost/LightGBM做回归或者用Prophet、LSTM等时间序列模型。预测之后要处理“空间平滑”——相邻格子之间的订单量强相关可以用图神经网络或空间拉普拉斯平滑来提升精度。供给侧的预测更难因为司机的位置不是静态的而且司机的行为受收入驱动。核心特征包括当前在线司机数、司机活跃度、司机收入水平、接单预期、区域热度。很多时候供给预测会退化成“司机行为建模”比如预测某个区域的司机在未来30分钟会离开还是留下这需要用生存模型或强化学习来建模。动态定价在滴滴几乎是个哲学问题既要保证高峰期有足够司机出车让司机端收入增加又不能把乘客“吓跑”需求弹性下降。你可以提“供需比”request/driver作为调节信号当供需比超过阈值时在乘客端加价、在司机端加奖励加价幅度可以用一个弹性函数来控制通过AB实验来调参。这类问题没有标准答案面试官看的是你能否把“业务目标-数学模型-上线实验”串起来思考。5.4 反作弊与因果推断滴滴的风控算法岗人数不少。滴滴业务面临的作弊行为包括刷单骗补贴、虚假定位、接单转单、账号养号、恶意取消等。面试题可能问“如何检测司机端虚假定位”。这时你要从几个维度展开轨迹异常角度GPS轨迹是否符合道路拓扑、速度是否超过合理范围、停留点是否合理设备角度设备ID、系统指纹是否在短时间内在异常多的位置出现行为角度接单频率是否异常、取消率是否异常、和特定乘客是否频繁共现。检测方法上可以用规则引擎做实时拦截用有监督模型做精准识别用异常检测模型孤立森林、自编码器做无监督探索。因果推断在滴滴也逐渐成为考察点尤其是在定价和补贴场景。“如何评估发放5元优惠券对用户打车频次的因果效应”——如果你直接对比“领券用户”和“没领券用户”的打车频次会因为“领券用户本身打车意愿就高”而产生选择偏差。正确的方法是用随机实验AB实验或者用PSM倾向得分匹配、双重差分DID、工具变量等方法减少偏差。面试中能主动说出“相关性不等于因果性”并给出一个具体的偏差来源已经能拿不少分了。6. 项目复盘与简历打磨最容易忽视的分水岭6.1 项目叙述的STAR原则与业务指标很多人以为面试挂掉是因为算法题没做出来但实际上项目深挖环节才是淘汰率最高的地方。滴滴的面试官通常会在前二十分钟里抓住一个项目反复追问直到确认你“真的做过”还是“只在网上看过”。准备项目叙述时建议用STAR法则搭框架背景Situation、任务Task、行动Action、结果Result。但很多候选人卡在“结果”上——只会说“模型AUC提升了0.02”这对于业务导向的滴滴来说远远不够。面试官更想听到的是这个指标提升带来了什么业务收益比如“AUC提升0.02转化率提升了1.5%按日活百万来算相当于每天多带来X万订单”。另外一定要准备好“如果重新做一次哪里会做得不一样”这个问题。面试官问这个不是真想知道你的复盘能力而是想看你是否有工程思维和迭代意识。好的回答集中在一个具体的可改进点比如“当时特征工程只做了离线统计后来发现漏掉了实时上下文特征在线效果一直不如预期如果重来我会把流式计算提前到项目一期就接入”。这种回答比“我觉得都挺好的”有说服力得多。6.2 复现经典论文项目对于校招生尤其是不太有实习机会的同学一个出彩的项目可能是面试官愿意继续聊下去的关键。我自己给准备算法的朋友建议过很多次不要只做“用XGBoost跑了一下鸢尾花”这样的课设级项目至少要有一个可以展示“模型理解和落地能力”的项目。推荐的复现方向包括实现一个简化版的DeepFM或DIN模型在公开数据集如MovieLens、Criteo上做点击率预估并分析不同特征交叉方式的效果。使用Transformer做时间序列预测对比LSTM、XGBoost在同一个数据集上的效果差异并解释为什么Transformer在某些序列上不占优势。复现一个双塔召回模型用faiss做向量检索对比暴力检索和ANN检索在召回速度和精度上的差别。做一个带RAG的问答系统使用开源LLM和向量数据库如Milvus解决“模型知识过时”的问题。做这些项目时一定要记录过程尤其是中间踩的坑。面试官听你讲“特征没归一化导致loss震荡很大”“batch size太大导致模型在训练集上都不收敛”“向量库的相似度计算用了内积但模型训练时用的余弦相似度导致线上recall掉了很多”这些细节时会明显觉得你是做过真实工程的人而不是只会跑公开代码的人。6.3 如何应对“效果不好怎么办”的追问面试官问“如果模型上线后效果不好你怎么排查”是项目深挖和业务面都很常见的问题。这个题考察的是问题定位能力而不是背模板。一个有效的排查顺序是先确认数据链路线上特征和离线训练特征是否一致线上特征是否出现大量缺失或超时数据口径是否变化再检查模型行为模型在验证集上效果是否正常如果离线好线上差很可能是数据分布漂移或特征穿越。然后看AB实验实验设计是否干净样本量够不够实验组和对照组是否有流量干扰最后考虑策略迭代模型本身没问题但业务策略定价、派单变了导致数据分布变了需要重新训练或引入新特征。这个问题的标准答案其实不是“立刻调参”而是“先分清问题在哪一层”。你能把数据链路、模型、实验、策略四层剥离开面试官就会觉得你有全局排查能力。7. 备考路线与避坑建议三个月冲刺滴滴算法岗7.1 三个月复习路线建议如果距离面试还有三个月左右我给一个比较务实的复习路线按照“基础-进阶-冲刺”三个阶段来分配。第一到第四周夯实机器学习基础和手撕代码。把LR、SVM、决策树、随机森林、GBDT、XGBoost、LightGBM、K-Means、PCA这些经典算法的原理都过一遍重点是能手动推导关键公式。LeetCode上按标签刷题核心覆盖数组、链表、二叉树、字符串、哈希表、堆、贪心、DP、图。每天坚持2-3道新题2道旧题复习保持手感和代码规范。第五到第八周深入业务场景和项目复盘。选择一到两个和自己经历最匹配的“出行类业务设计题”比如“预测半小时后某区域的单量”“如何设计拼车匹配”“如何优化司乘等待时间”。同时把简历里每一个项目都用STAR法则重新整理一遍把每个可能被追问的细节都提前想好答案。如果有余力可以做一个大模型相关的小项目比如RAG问答或Agent助手这在2025年会非常加分。第九到第十二周模拟面试和查漏补缺。参加几次模拟面试找朋友或前辈扮演面试官重点练“边写代码边讲思路”和“回答开放题的逻辑结构”。同时收集目标岗位的面经针对性地补短板。如果发现哪类题频繁被问比如KMP、手写快排、场景设计就集中刷这部分的变体题。7.2 面试中用到的工具和资料工具上推荐几类必备LeetCode / 牛客网刷题主阵地LeetCode按Hot 100和Top Interview 150来刷牛客用来熟悉国内公司的笔试风格。面经网站一亩三分地、脉脉、知乎、牛客面经区搜索“滴滴算法”可以找到很多真实面经。上手项目平台Kaggle、天池、以及一些中文教程如DataWhale适合快速用数据集练手。大模型方向资料HuggingFace的transformers库、LangChain官方文档、以及一些RAG和Agent的实战教程。资料上机器学习的经典教材李航的《统计学习方法》、周志华的《西瓜书》、深度学习花书和《动手学深度学习》依然值得翻阅。但2025年面试不能只看书强烈建议多关注LLM推理优化、RAG实践、Agent工作流这三个方向的技术博客和开源项目因为这些题在书中找不到现成答案只能靠日常积累。7.3 心态与临场发挥技巧最后说几个真实的临场经验。这些是我和身边候选人踩过坑之后总结出来的希望能帮你少走弯路。第一边写代码边说话。滴滴的手撕代码环节面试官更看重你的思路过程。如果你沉默着写完即使结果对面试官也不确定你是真的会还是背过答案。正确做法是先复述题目的输入输出和边界条件再提出一两个可能的解法并比较复杂度然后开始写写完主动说“我用几个case测一下”。中间卡顿的时候也把自己的思考说出来比如“我现在在想用DP还是贪心”面试官往往会给你提示这个提示接住了也是分数。第二开放题一定要给“结构化回答”。面试官说“如何设计一个派单算法”时你不要直接把脑子里冒出来的第一个方案说出来而是先说“我会从问题定义、约束条件、模型选择、工程落地四个层面来回答。”这个开场白能立刻让面试官觉得你有逻辑。即使内容没有那么深刻结构本身就值很多分。第三不会的题不要硬编。如果面试官问了一个你完全没听过的概念比如“你有没有了解过Rete算法”你可以诚实说“这个我了解不多”然后补一句“但是根据名字推测它可能和规则匹配的缓存有关我理解……”给出一个合理的推理过程。这种“诚实的推理”非常加分比不懂装懂强很多。第四准备两三个“最能打”的项目故事。面试前把简历里的项目浓缩成三句话版本比如“背景是打车高峰期叫车难我用半年的订单数据做了区域供需预测模型特征包括天气、时段、POI密度模型用了XGBoost和LSTM对比上线后把平均等待时长降低了6%最终在AB实验中通过了显著性验证”。这个故事在简历面、业务面、HR面都能用上而且能自然引出下一个问题。我自己的体会是滴滴的面试题整体风格是“偏实战、重基础、考逻辑”它不会刻意用偏题怪题去难为人但会很执着地问“为什么”。你在准备的时候比起刷更多新题不如把做过的每一道题、每一个项目的“为什么”想清楚。面试官真正想确认的并不是你掌握了多少知识点而是你在面对一个真实复杂的业务问题时能不能用结构化的思维把问题拆开然后用扎实的算法基本功一步步解决。这种能力恰恰是“刷题”刷不出来的需要在真实项目和刻意练习中慢慢积累。希望这篇文章能在你准备滴滴算法/AI岗的路上帮到你。
滴滴算法/AI岗面试高频题与解题思路全解析
滴滴的算法/AI岗面试在业内一直算是比较有辨识度的。和其他大厂不太一样滴滴的业务场景极度依赖“时空”和“实时决策”所以面试官问的问题通常不会停留在“你用过什么模型”这个层面而是更关心你对数据、特征、延迟、成本以及模型落地效果的敏感度。我身边不少朋友这两年面过滴滴也有不少是准备冲击2025年校招或社招的大家反馈下来滴滴的算法面试有几个明显的倾向机器学习基础考得很扎实、手撕代码偏爱“中等偏上但又不冷门”的题、业务场景设计题非常贴近真实出行场景而且2024到2025年明显加大了对大模型和Agent方向的考察力度。这篇文章我打算把滴滴算法/AI岗面试中最高频、最容易被问到的题目类型做一个系统拆解不仅列出题更重要的是讲清楚每类题背后的考察意图、答题思路和需要避开的坑。无论你是准备校招还是社招只要目标方向是算法工程师、机器学习工程师或者AI应用岗这篇文章都值得你花二十分钟静下心来看完。1. 滴滴算法岗到底在考什么岗位方向与面试轮次拆解1.1 业务方向决定面试侧重点先去滴滴官网看一眼在招的算法岗位你会发现它不是一个“算法工程师”统称而是分得非常细。这个细节很重要因为不同方向的面试题差异极大如果你用“搜推广通用题库”去准备滴滴的“运筹优化岗”很容易南辕北辙。滴滴算法岗大概可以分成这几类交易市场与调度方向这是滴滴最核心的算法阵地覆盖司乘匹配、派单算法、拼车路径规划、实时调度、供需预测、动态定价等。这类岗位面试时场景设计题和运筹优化题占比非常高机器学习基础题往往只作为热身重点是看你对“在线决策”的理解。出行预估方向ETA预计到达时间、路径规划、路况预测、地图匹配等。这类岗位需要你有扎实的时空数据处理能力图神经网络、序列模型、轨迹挖掘都是高频考察点。增长与推荐方向首页推荐、优惠券投放、用户增长、LBS推荐。这类岗位和通用推荐系统面试题重合度大但场景是“基于地理位置”的考察你对位置特征、实时上下文的理解。风控与反作弊方向异常检测、团伙识别、设备指纹、交易风控。这类岗位非常看重样本不均衡处理、图算法、时序异常检测以及模型可解释性。AI中台与大模型方向智能客服、语音交互、多模态内容理解、Agent应用。2025年这个方向的题明显变多RAG、微调、Agent规划、推理优化都是必考点。你可以看到滴滴面试题的“活”处在于几乎所有算法方向都能在它的业务里找到真实落地点。所以面试官问完基础题之后一定会有一个“如果让你来做xxx你怎么设计”的开放题这一题往往是你能不能拿到下一轮的关键。1.2 面试流程与各轮考察重点滴滴的算法面试流程校招和社招略有差别但整体上分这几轮简历面/项目深挖约30-45分钟。围绕你做过的项目考察数据规模、特征设计、模型选型、效果评估、上线情况和业务收益。社招会问得非常细比如“你的模型延迟多少”“训练数据怎么采样的”“AB实验怎么设计的”“涨了多少指标”这类问题答不上来基本就挂了。算法笔试/手撕代码一般1-2轮每轮2道左右。常见平台是牛客或滴滴自研的在线评测系统。题目难度介于LeetCode中等和困难之间偏爱数组、字符串、二叉树、动态规划、贪心、堆、图等类型但很少出那种需要看题解才能想到解法的偏题怪题。机器学习基础八股1轮问得非常基础但抠得细。逻辑回归、决策树、SVM、XGBoost、聚类、特征工程、样本不均衡、评估指标这些是被问得最多的。2025年还加入了不少深度学习基础题比如Transformer的结构、LayerNorm位置、多头注意力为什么要缩放等。业务场景设计1轮。可能是“高峰期打车难你怎么调配运力”“如何预测一个区域的未来半小时订单量”“如何设计拼车匹配算法”这类问题。这轮最考验对业务的理解和逻辑结构。系统设计/工程能力主要是社招考察特征平台、模型训练架构、在线推理性能、数据管道等。候选人需要展示自己能把模型落地而不是只会在Notebook里跑实验。HR面常规的软素质考察但滴滴比较关注“抗压能力”和“边界的owner意识”。下面我会按这几类分别展开高频题目和答题思路。你会发现很多题其实“不咬人”但如果你只看面经、不深入理解背后的原理很容易在连环追问下露馅。2. 机器学习基础高频题从推导到实战的硬核考点2.1 逻辑回归的手推与面试官追问链逻辑回归LR几乎是滴滴算法面试的“开胃菜”因为它简单、可解释而且在线预测性能极好在滴滴的派单、定价、风控模型里LR和它的“升级版”GBDT模型至今仍占有重要位置。面试官考LR绝不是真的想让你默写公式而是通过这一个模型去考察你对概率、损失函数、优化、正则化的理解深度。标准的提问链条是这样的第一问逻辑回归的损失函数是什么为什么不用MSE你需要写出交叉熵损失公式并且解释为什么分类问题用交叉熵而不用均方误差。关键点在于逻辑回归最后跟的是sigmoid函数如果把sigmoid的输出直接套MSE损失函数相对于参数会变成非凸函数梯度下降很可能收敛到局部最优。而交叉熵损失在sigmoid激活下的梯度形式很干净没有sigmoid导数的“饱和区”压制问题参数可以稳定更新。这里不需要把非凸证明写出来但要把“凸性”和“梯度消失”这两个关键词说到位。第二问逻辑回归是线性模型还是非线性模型这个题表面上简单其实是个陷阱。很多候选人脱口而出“非线性因为有sigmoid”。但严谨地说逻辑回归的决策边界是线性的sigmoid只是把线性组合的输出压到0-1区间它没有做特征变换。所以LR本质上是线性分类器。如果你在特征层面加了多项式交叉比如构造$ x_1 \times x_2 $那就变成广义线性模型了但原始LR还是线性的。面试官这么问是想看你有没有真正理解“线性”的含义。第三问训练LR时特征要先做标准化吗怎么做LR的梯度更新受特征尺度影响很大如果不做标准化数值大的特征对应的参数更新会很快模型会偏向这些特征收敛变慢。常用的做法是z-score标准化减均值除标准差或min-max归一化。在滴滴的真实场景里有时还会用小波变换、分位点归一化来处理长尾分布的特征。面试官有可能追问树模型需不需要归一化答案是树模型不依赖特征尺度因为它做的是分裂点选择不受量纲影响所以不需要。第四问LR怎么处理高维稀疏特征LR在广告、推荐、搜索场景非常适配稀疏特征原因是它可以配合大规模并行训练且每个特征对应一个权重解释性强。但对于出现次数极少的特征需要做特征过滤按频次阈值过滤掉低频特征或者做特征哈希、分箱、向量化召回等处理。另外在线学习中LR配合FTRL优化算法可以在海量稀疏特征下实时更新模型这是滴滴这类实时决策平台很看重的能力。2.2 GBDT/XGBoost/LightGBM对比分析GBDT类模型在滴滴业务数据挖掘里是“万金油”。面试官几乎必问三连XGBoost相比GBDT做了哪些优化核心要答出四点第一GBDT在优化时只用了一阶导数XGBoost用泰勒展开到了二阶导所以收敛更快、精度更高第二XGBoost在损失函数里加入了正则项叶子节点数、叶子权重的L2范数能有效控制过拟合第三XGBoost支持列采样不仅是行采样这能进一步降低过拟合、加速训练第四XGBoost对缺失值有自动学习分裂方向的处理机制不像GBDT那样必须事先填补。LightGBM相比XGBoost又有什么不同主要答三点直方图算法把连续特征离散化成固定bin降低内存和计算量、leaf-wise的叶子生长策略在误差最大的叶子节点上继续分裂可以更快降低损失但容易过拟合所以要用max_depth限制、以及互斥特征捆绑EFB来降维。面试官如果追问“为什么LightGBM训练更快”你需要归因到直方图算法把“找最优分裂点”的复杂度从$ O(# features \times # samples) $降到$ O(# features \times # bins) $这才是本质区别。为什么LR要配合GBDT使用这是滴滴这类推荐/广告/搜索场景非常经典的问题。GBDT的特点是擅长处理连续型特征、自动挖掘高阶非线性特征但它不擅长处理海量高维稀疏的ID类特征LR正好相反擅长高维稀疏特征但缺乏非线性拟合能力。所以常规打法是用GBDT对稠密数值特征做特征变换把叶子节点编号作为新特征输入LR相当于GBDT做好了“自动特征交叉”LR做最终决策。面试官问这个是想确认你了解工业界常用的“GBDTLR”特征工程范式。2.3 特征工程与样本不均衡实战滴滴算法的特征工程有很大一部分是围绕“时空数据”展开的。比如ETA预估模型特征会包括起终点经纬度、距离、道路等级、实时路况、天气、时段、节假日、历史通行时长分位数、近期区域平均车速、司机行为特征习惯走哪类路等。面试官如果想考你特征工程能力通常会给你一个“订单天气路况”的表让你现场说说怎么造特征。这时你应该从这几个角度组织答案时间维度小时、星期几、是否节假日、是否为早晚高峰、距离上一个高峰的时长空间维度经纬度网格geohash、区域订单密度、POI类型商圈、机场、火车站、医院交互特征时段×区域、天气×路况、预估距离×拥堵指数时序统计过去5分钟/15分钟/1小时的订单量均值、分位数、比上一周期增量滑窗与衰减对时间窗口内的数据做指数衰减加权让近期数据权重更大。特征说完面试官会顺手考一下样本不均衡。滴滴风控、异常检测场景里正样本往往只有千分之一甚至更低。处理手段从三个层面说数据层面可以做随机欠采样、SMOTE过采样、NearMiss、以及负样本的“难例挖掘”hard negative mining算法层面可以调整class_weight、使用Focal Loss、异常检测里用One-Class SVM或孤立森林评估层面不要只看准确率要看召回率、精确率、F1、AUC、PR曲线特别是PR曲线在极端不均衡下比ROC更敏感。这里有一个我自己实践里的经验在风控场景一上来就用SMOTE往往效果一般因为风控特征高度重叠人工合成样本容易产生大量噪声。更实用的是“时间衰减负样本采样”即用最近一段时间的负样本去训练因为风控策略和作弊手法是演化的老样本对当前模型的参考价值很低。这个思路在滴滴这类业务节奏很快的场景里非常讨喜能体现你对“时效性”的敏感度。2.4 在线学习与实时特征滴滴的派单模型、运力调度模型对时效性要求极高面试官可能会问“你的模型如果是离线的怎么适应实时数据变化”。这里要理解在线学习Online Learning的基本思路模型不是一次性训好部署就完事而是随着新数据的到来持续更新参数。常用的方法包括用FTRLFollow The Regularized Leader来做LR的在线更新用在线梯度下降配合学习率衰减以及用“近线更新”的方式——比如分钟级更新的特征和模型而不是严格逐样本更新。特征层面需要流式计算框架如Flink实时计算滑动窗口特征、实时统计量同时把模型嵌入在线推理服务链路。面试官如果追问“在线学习和离线训练有什么区别”核心答案有三点一是数据分布漂移在线学习需要能快速适应分布变化二是数据顺序影响大需要设计样本权重衰减机制三是工程上要保证低延迟、高吞吐不能像离线训练那样追求全局最优。这一个问题如果答好了面试官会觉得你有“生产环境意识”这是校招生和很多只做过Kaggle比赛的候选人拉开差距的地方。3. 深度学习与大模型题2025年的新变化3.1 Transformer与注意力机制核心题深度学习基础题在滴滴的算法面试里占比越来越高尤其是AI方向和大模型方向。Transformer几乎成了必问点。最经典的一问是注意力机制里的Q、K、V分别是什么为什么要除以$\sqrt{d_k}$QQuery是你想查询的目标KKey是检索的索引VValue是检索到的内容。注意力分数的计算是Q和K做点积如果两个向量维度很大点积结果方差会变大导致softmax的梯度区域非常平缓容易梯度消失。除以$\sqrt{d_k}$是为了把点积结果缩放回一个合理范围让softmax输出更平滑、梯度更稳定。这个“缩放”的动机一定要结合“方差”和“梯度”两个词去答不能只背一个“为了防止过大”。再一个是Transformer为什么用LayerNorm而不用BatchNorm这里要从BN和LN的本质去答。BN在batch维度上做归一化适合CNN这类固定尺寸输入但在NLP任务里文本序列长度不一而且每个token的分布不同在batch内统计均值和方差会引入噪声LN则是在每个样本的每个token维度上做归一化不依赖batch更适合序列模型。面试官有时会追问“那BERT里LN放在残差之前还是之后”这就是考察你是否读过源码。标准答案是Post-Norm原始Transformer和Pre-NormGPT、BERT的很多实现里两者各有优劣Pre-Norm在深层网络中更稳定训练更快但可能略损精度。还有一个很常见的为什么需要位置编码有哪些方式注意力和RNN/CNN不同它没有天然的“顺序”意识如果不加位置编码交换序列中两个token的位置输出完全不变。所以需要把位置信息注入模型。早期方法是用固定的正弦余弦函数去编码后来BERT用可学习的绝对位置编码而现在的LLM很多用RoPE旋转位置编码它通过旋转矩阵把相对位置信息融入点积计算具有更好的外推性。面试官问这个是想看你能不能把“序列建模的本质”说清楚并且了解大模型最新的一些做法。3.2 推荐/排序方向高频题双塔、DIN/DIEN滴滴的推荐、广告投放、司机端营销场景也是算法岗的重要分布地。这类岗位的面试题和通用推荐系统几乎一样但会加一些LBS基于位置服务的特殊考察。双塔模型是必考。它把用户特征和商品/POI特征分别输入两个塔输出向量做内积相似度适合召回阶段的大规模计算场景。面试官会追问“为什么召回用双塔而不用精排模型”答案是召回阶段候选集可能达到百万级甚至千万级必须做高效近邻检索ANN双塔结构可以把用户和物品编码成向量然后在离线建好物品向量的索引在线用faiss等工具快速检索最相似的结果。DIN/DIEN考察的是对用户行为序列的建模能力。DIN用注意力机制来捕捉与候选物品相关的历史行为权重DIEN则把用户行为看成一个时序序列用GRU来建模兴趣演化过程。这类模型适合电商、内容推荐、广告等场景滴滴的推荐场景里也常用到比如推荐打车优惠券时会把用户过去的行为序列去过哪些区域、用什么车型、叫车时间段做序列建模。如果面试官抛出“用户位置算用户特征还是上下文特征”这种问题你要答出在LBS场景里位置要同时作为用户画像特征常驻区域、工作区和实时上下文特征当前所在地、目的地两者的区分会影响特征的时效性和表达力。这一点是滴滴和普通电商推荐最大的不同。3.3 大模型与Agent相关题2025年滴滴的面试题明显更偏爱大模型了尤其是在客服、运营、智能助手、司机服务等方向。高频题包括RAG检索增强生成的流程和优化点是什么LLM微调和RAG怎么选如何让大模型在少幻觉的前提下处理实时结构化数据Agent的规划、工具调用、记忆模块怎么设计RAG的流程你要能画出来先对文档做切分、向量化、存入向量库用户query进来后先检索最相关的文档段落再把“原始query 检索到的上下文”打包成完整prompt送给LLM生成回答。优化的点主要在切分策略按语义、按标题结构、固定长度、embedding模型选择、重排序Rerank阶段、以及Prompt里对“源引用”的要求。RAG和微调怎么选是一个典型的二选一开放题没有绝对正确答案但你要给出清晰的决策逻辑如果知识需要频繁更新、来源明确、回答需要可追溯查证优先RAG如果模型的表达风格、行为模式需要固定改变或者知识本身比较稳定微调更合适。更通用的是“RAG为主微调为辅”大模型本身承担推理和生成能力RAG负责提供最新的事实信息微调负责塑造输出格式和交互风格。这个回答在行业里被广泛认可也比较符合滴滴智能客服的真实场景。Agent题近年很火滴滴的场景主要集中在客服Agent能查订单、发券、解决投诉、司机服务助手查询收入、接单建议、运营内容生成Agent生成营销文案、活动策划。回答Agent设计题时要围绕四个核心模块规划模块把复杂任务拆成步骤、工具调用模块查询订单、退款、发券等API、记忆模块长期用户画像短期会话状态、执行与验证模块判断执行结果是否达到预期。如果你能再补充一两个“容错设计”——比如Agent调用工具失败后如何重试、如何引导用户换一种说法——面试官的好感度会明显提升。3.4 训练稳定性与推理优化面试官还会考察深度学习工程化和模型训练的实操经验。这些题对于论文党或竞赛党来说可能比较陌生但恰恰是滴滴算法岗日常要面对的。训练稳定性相关的经典问题梯度消失和梯度爆炸的原因和解决办法深层网络反向传播时梯度连乘导致极小值或极大值解决手段包括合理的初始化Xavier/He、BatchNorm/LayerNorm、残差连接、梯度裁剪、更换激活函数等。学习率怎么设置和调整线性预热、步进衰减、余弦退火等面试官会问“你训练模型时一般怎么判断学习率是否合适”标准答案是做学习率扫描learning rate finder观察loss曲线是否平滑下降。loss不下降怎么排查先确认数据是否有问题标签错乱、输入为NaN再检查是否有梯度可以打印梯度范数然后尝试降低学习率、简化模型、增加正则。这个问题在项目深挖时经常被问建议提前准备好一个真实的排查案例。推理优化方向的题也非常实用模型量化的原理和类型把FP32权重压到INT8甚至INT4用更低精度换取更高推理速度和更小显存占用。常见方法有训练后量化PTQ和量化感知训练QAT。剪枝和蒸馏剪枝是去掉不重要的权重或注意力头蒸馏是让大模型Teacher教小模型Student学习它的输出分布从而压缩模型体积。批量推理的工程注意点在GPU上做动态batching、显存管理、超时降级等。你如果能举一个“把模型延迟从50ms压到20ms”的真实案例面试官会觉得你的项目经验很落地。4. 经典算法与数据结构滴滴手撕代码的真实画风4.1 排序算法与稳定性手撕代码环节排序是绕不过去的。滴滴的笔试题经常会要求“实现一个稳定的排序算法”或者“对一个近乎有序的数组排序用什么算法最快”所以排序的基础一定要扎实。需要掌握的排序算法有冒泡排序、插入排序、选择排序、归并排序、快速排序、堆排序。重点掌握快排和归并因为它们的扩展题特别多。面试官会问快排的复杂度为什么是$ O(n \log n) $最坏为什么是$ O(n^2) $怎么避免最坏情况回答要点平均情况下每次partion都能把数组分成两半所以递归深度是$ \log n $每层是$ O(n) $最坏是每次选到的pivot都是最大或最小值导致只分出一个子数组递归深度变成$ n $。优化手段有随机选pivot、三数取中法、以及当子数组小于一定阈值时改用插入排序。快排和归并排序的区别快排是原地排序不需要额外数组平均快但不稳定归并排序稳定但需要$ O(n) $额外空间。滴滴的面试官一般不会要求证明稳定性但你要能用一段小例子讲清楚“两个数值相等的元素在排序后是否保持原有前后顺序”。堆排序是怎么建堆的从最后一个非叶子节点开始向下调整sift down建堆复杂度是$ O(n) $不是$ O(n \log n) $。这点很多候选人会答错要小心。4.2 KMP算法与next数组计算字符串匹配题里KMP算法是滴滴面试的高频常客。尤其是热词中提到的“在KMP算法中对于模式串p‘abacaba’其next数组定义为…”这类题考察的是你对next数组有时也称为部分匹配表pmt或失配函数的理解深度。next数组维护的是“当前匹配失败后模式串应该回退到哪个位置”的信息也就是前缀和后缀的最长公共长度。计算next数组时有一个关键点next[0]通常设为-1表示模式串无法回退然后从i1开始扫描用j记录当前最长公共前后缀的长度。如果p[i]与p[j]相等则next[i1]j1否则j回退到next[j]继续比。以“abacaba”为例它的最长公共前后缀思想体现在整个串的前缀“aba”和后缀“aba”相同所以最后的next值会指向位置3。面试时如果你卡在计算细节上很影响印象分建议提前手写几道KMP的next数组计算题练熟。更进一步面试官会问“暴力匹配和KMP的区别在哪里”你要答出KMP的好处是主串指针不回溯失配时只移动模式串指针所以整体复杂度是$ O(mn) $。4.3 贪心、DP、堆与图算法滴滴的算法题里贪心、动态规划和堆出现频率很高因为很多业务问题都可以抽象成这几类。贪心典型题有区间调度、分发饼干、跳跃游戏、最小生成树Prim/Kruskal、哈夫曼编码。面试官问贪心时喜欢追问“为什么这个策略是局部最优等于全局最优”比如“排课问题为什么按结束时间排序”你要能从贪心选择的性质去解释不能只套模板。动态规划更是重头戏。高频题包括爬楼梯、背包问题、最长递增子序列、最长公共子串/子序列、编辑距离、打家劫舍、零钱兑换、戳气球等。滴滴笔试偏爱“中等难度DP”比如“求一个矩阵从左上角到右下角的最小路径和带障碍物”“把一个字符串分割成回文子串的最小分割次数”。做题时建议开口说思路先定义dp[i]的含义再列状态转移方程再说初始化和遍历顺序。面试官一半分数其实在听你能否把思路讲清楚不只是看代码通过。堆的题也很有代表性“Top K问题”“合并K个有序链表”“数据流中的中位数”。解决这类问题的核心思路是维护一个大小为K的小顶堆大顶堆来实现在线TopK或者用双堆技巧大顶堆小顶堆来维护中位数。这种题在滴滴的业务里很形象——比如“实时统计当前热度最高的区域”就是一个典型的滑动窗口TopK问题。图算法的考察也很有价值尤其是二分图、最短路、并查集。滴滴的拼车订单匹配、司乘匹配问题天然可以用二分图来抽象。热词里提到的“二分图HK算法”就是指Hopcroft-Karp算法它用来求二分图最大匹配相比朴素匈牙利算法有更优的复杂度$ O(E \sqrt{V}) $。面试官不会让你手撕HK但很可能让你说说匈牙利算法的流程以及怎么把“一个司机能否接一个订单”抽象成二分图匹配模型。最短路算法方面Dijkstra和SPFA的出镜率也很高毕竟地图导航、路径规划就是滴滴的核心业务。4.4 运筹优化算法在出行中的应用除了常规算法题滴滴还可能考察一些“虽然是算法但更贴近运筹优化”的知识点。热词里出现的粒子群算法、模拟退火算法、PID算法、MPPT算法、FOC算法等有些看起来好像和出行无关但它们反映了面试官可能的出题思路考察你对优化算法原理的理解以及能否把它们迁移到出行场景中。粒子群算法PSO和模拟退火SA都是启发式优化算法。粒子群算法模拟鸟群觅食每个粒子有位置和速度通过向个体历史最优和全局历史最优学习来搜索最优解模拟退火则借鉴金属退火过程以一定概率接受“比当前解差”的新解从而跳出局部最优。打车场景中这类算法可以用于多目标调度如“最小化乘客等待时间最大化司机收入兼顾公平性”的近似求解。面试官如果考这类题不会要求你推数学而是看你能否把“为什么启发式算法在这里比精确算法合适”讲清楚。PID算法在传统控制领域非常经典滴滴的实体制约很小但它的“比例-积分-微分”闭环控制思想可以迁移到运力调控上比如根据供需缺口实时调整价格或调度策略。MPPT最大功率点追踪和FOC磁场定向控制更多出现在硬件控制领域如果面试官提到它们大概率是想看你对“控制类算法”是否了解或者只是想拓宽话题不建议花太多时间深挖。另一个值得关注的是规则引擎Drools的Rete算法。虽然Rete算法不是纯粹的“AI算法”但它在滴滴的营销、风控策略引擎里有广泛应用。Rete算法通过构建规则网络Alpha网络Beta网络来共享规则间的公共条件避免大量重复匹配核心思想是“利用空间换时间、利用结构缓存中间结果”。如果面试官问“你怎么设计一个实时风控规则引擎”你可以提到Rete算法的核心优势规则多的时候简单逐条扫描的复杂度是$ O(NR) $而Rete可以把共用条件节点缓存起来匹配效率大幅提升。不过这个题更多是策略方向或后台方向会问算法岗只需要知道基本思想即可。5. 业务场景设计题体现“滴滴特色”的送分题/送命题5.1 派单与调度场景的AB面“如果你是滴滴的算法工程师高峰期最忙的商圈有100个乘客在等车但附近只有80辆车你怎么派单”这是滴滴业务面试的经典题。这道题考察的不是你会不会调一个接口而是你的全局观。一个合格的回答框架是这样的先明确目标不是简单“让更多人坐上车”而是在“平均等待时间”“司机空驶率”“司机收入公平性”“乘客体验”之间做权衡。再谈约束每辆车在同一时刻只能接一单每个乘客在同一时刻只能被一辆车接司机有接单意愿、有位置、有方向偏好。然后谈方案第一步构造二分图司机-乘客匹配问题第二步确定边的权重——可以是预估接驾时间、乘客等待时间、司机收益的综合函数第三步用匈牙利算法或KM算法求全局最优匹配或使用贪心策略做近似第四步如果出现供不应求引入“排队动态定价拼车推荐”等手段做削峰填谷。最后一定要讨论“简单派单和全局派单的区别”局部最优会带来“热门区域重复派车、冷门区域无人接单”的马太效应所以需要全局视角优化。这个题想答好前期功课是对滴滴的业务模式有了解最好能说出“实时派单预约派单”“拼车单”“顺风车单”之间的区别以及各自在匹配模型上有什么不同。5.2 ETA预估与路径规划的设计ETA预计到达时间是滴滴最核心的AI能力之一。面试官可能会问“如何设计一个ETA预估模型”这个问题非常开放但你要能说出数据、特征、模型、评估四个层面的完整链路。数据层面订单起点和终点、发单时间、GPS轨迹、路况快照、天气、事件交通事故、司机行为数据。特征层面距离、道路长度和道路等级、历史通行时间分时段、实时车速、红绿灯数、是否跨区。模型层面传统方案是LRGBDT做回归预测通行时间的众数或分位数现代方案可以用序列模型LSTM/Transformer建模GPS轨迹序列或者用图神经网络建模路网拓扑。评估层面不仅看平均绝对误差MAE更要看“超时率”——比如“预测时间在真实到达时间上下浮动3分钟内的比例是多少”因为用户体验对超时更敏感。路径规划里也会问到A算法或Dijkstra算法的改进如何让路径避开拥堵、如何同时满足“求最短时间”和“最少收费”多目标、如何应对“路网很大导致搜索空间爆炸”的问题。你可以提“高精度路网做分层检索”“在路的层级上做双向搜索”“用图embedding预计算节点间的距离估计作为A的启发函数”等工业级做法。5.3 运力供需预测与动态定价“如何预测一个城市未来30分钟的运力需求和供给”听起来像是一个技术预测题但实际上它更是一个“业务算法”综合题。需求侧的思路是把城市划分成网格geohash或者按道路拓扑划分对每个格子预测未来30分钟订单量的时间序列。特征包括历史订单量、时效工作日/休息日/节假日、天气、突发事件演唱会散场、暴雨、POI活跃度商圈/写字楼/小区。模型可以选择XGBoost/LightGBM做回归或者用Prophet、LSTM等时间序列模型。预测之后要处理“空间平滑”——相邻格子之间的订单量强相关可以用图神经网络或空间拉普拉斯平滑来提升精度。供给侧的预测更难因为司机的位置不是静态的而且司机的行为受收入驱动。核心特征包括当前在线司机数、司机活跃度、司机收入水平、接单预期、区域热度。很多时候供给预测会退化成“司机行为建模”比如预测某个区域的司机在未来30分钟会离开还是留下这需要用生存模型或强化学习来建模。动态定价在滴滴几乎是个哲学问题既要保证高峰期有足够司机出车让司机端收入增加又不能把乘客“吓跑”需求弹性下降。你可以提“供需比”request/driver作为调节信号当供需比超过阈值时在乘客端加价、在司机端加奖励加价幅度可以用一个弹性函数来控制通过AB实验来调参。这类问题没有标准答案面试官看的是你能否把“业务目标-数学模型-上线实验”串起来思考。5.4 反作弊与因果推断滴滴的风控算法岗人数不少。滴滴业务面临的作弊行为包括刷单骗补贴、虚假定位、接单转单、账号养号、恶意取消等。面试题可能问“如何检测司机端虚假定位”。这时你要从几个维度展开轨迹异常角度GPS轨迹是否符合道路拓扑、速度是否超过合理范围、停留点是否合理设备角度设备ID、系统指纹是否在短时间内在异常多的位置出现行为角度接单频率是否异常、取消率是否异常、和特定乘客是否频繁共现。检测方法上可以用规则引擎做实时拦截用有监督模型做精准识别用异常检测模型孤立森林、自编码器做无监督探索。因果推断在滴滴也逐渐成为考察点尤其是在定价和补贴场景。“如何评估发放5元优惠券对用户打车频次的因果效应”——如果你直接对比“领券用户”和“没领券用户”的打车频次会因为“领券用户本身打车意愿就高”而产生选择偏差。正确的方法是用随机实验AB实验或者用PSM倾向得分匹配、双重差分DID、工具变量等方法减少偏差。面试中能主动说出“相关性不等于因果性”并给出一个具体的偏差来源已经能拿不少分了。6. 项目复盘与简历打磨最容易忽视的分水岭6.1 项目叙述的STAR原则与业务指标很多人以为面试挂掉是因为算法题没做出来但实际上项目深挖环节才是淘汰率最高的地方。滴滴的面试官通常会在前二十分钟里抓住一个项目反复追问直到确认你“真的做过”还是“只在网上看过”。准备项目叙述时建议用STAR法则搭框架背景Situation、任务Task、行动Action、结果Result。但很多候选人卡在“结果”上——只会说“模型AUC提升了0.02”这对于业务导向的滴滴来说远远不够。面试官更想听到的是这个指标提升带来了什么业务收益比如“AUC提升0.02转化率提升了1.5%按日活百万来算相当于每天多带来X万订单”。另外一定要准备好“如果重新做一次哪里会做得不一样”这个问题。面试官问这个不是真想知道你的复盘能力而是想看你是否有工程思维和迭代意识。好的回答集中在一个具体的可改进点比如“当时特征工程只做了离线统计后来发现漏掉了实时上下文特征在线效果一直不如预期如果重来我会把流式计算提前到项目一期就接入”。这种回答比“我觉得都挺好的”有说服力得多。6.2 复现经典论文项目对于校招生尤其是不太有实习机会的同学一个出彩的项目可能是面试官愿意继续聊下去的关键。我自己给准备算法的朋友建议过很多次不要只做“用XGBoost跑了一下鸢尾花”这样的课设级项目至少要有一个可以展示“模型理解和落地能力”的项目。推荐的复现方向包括实现一个简化版的DeepFM或DIN模型在公开数据集如MovieLens、Criteo上做点击率预估并分析不同特征交叉方式的效果。使用Transformer做时间序列预测对比LSTM、XGBoost在同一个数据集上的效果差异并解释为什么Transformer在某些序列上不占优势。复现一个双塔召回模型用faiss做向量检索对比暴力检索和ANN检索在召回速度和精度上的差别。做一个带RAG的问答系统使用开源LLM和向量数据库如Milvus解决“模型知识过时”的问题。做这些项目时一定要记录过程尤其是中间踩的坑。面试官听你讲“特征没归一化导致loss震荡很大”“batch size太大导致模型在训练集上都不收敛”“向量库的相似度计算用了内积但模型训练时用的余弦相似度导致线上recall掉了很多”这些细节时会明显觉得你是做过真实工程的人而不是只会跑公开代码的人。6.3 如何应对“效果不好怎么办”的追问面试官问“如果模型上线后效果不好你怎么排查”是项目深挖和业务面都很常见的问题。这个题考察的是问题定位能力而不是背模板。一个有效的排查顺序是先确认数据链路线上特征和离线训练特征是否一致线上特征是否出现大量缺失或超时数据口径是否变化再检查模型行为模型在验证集上效果是否正常如果离线好线上差很可能是数据分布漂移或特征穿越。然后看AB实验实验设计是否干净样本量够不够实验组和对照组是否有流量干扰最后考虑策略迭代模型本身没问题但业务策略定价、派单变了导致数据分布变了需要重新训练或引入新特征。这个问题的标准答案其实不是“立刻调参”而是“先分清问题在哪一层”。你能把数据链路、模型、实验、策略四层剥离开面试官就会觉得你有全局排查能力。7. 备考路线与避坑建议三个月冲刺滴滴算法岗7.1 三个月复习路线建议如果距离面试还有三个月左右我给一个比较务实的复习路线按照“基础-进阶-冲刺”三个阶段来分配。第一到第四周夯实机器学习基础和手撕代码。把LR、SVM、决策树、随机森林、GBDT、XGBoost、LightGBM、K-Means、PCA这些经典算法的原理都过一遍重点是能手动推导关键公式。LeetCode上按标签刷题核心覆盖数组、链表、二叉树、字符串、哈希表、堆、贪心、DP、图。每天坚持2-3道新题2道旧题复习保持手感和代码规范。第五到第八周深入业务场景和项目复盘。选择一到两个和自己经历最匹配的“出行类业务设计题”比如“预测半小时后某区域的单量”“如何设计拼车匹配”“如何优化司乘等待时间”。同时把简历里每一个项目都用STAR法则重新整理一遍把每个可能被追问的细节都提前想好答案。如果有余力可以做一个大模型相关的小项目比如RAG问答或Agent助手这在2025年会非常加分。第九到第十二周模拟面试和查漏补缺。参加几次模拟面试找朋友或前辈扮演面试官重点练“边写代码边讲思路”和“回答开放题的逻辑结构”。同时收集目标岗位的面经针对性地补短板。如果发现哪类题频繁被问比如KMP、手写快排、场景设计就集中刷这部分的变体题。7.2 面试中用到的工具和资料工具上推荐几类必备LeetCode / 牛客网刷题主阵地LeetCode按Hot 100和Top Interview 150来刷牛客用来熟悉国内公司的笔试风格。面经网站一亩三分地、脉脉、知乎、牛客面经区搜索“滴滴算法”可以找到很多真实面经。上手项目平台Kaggle、天池、以及一些中文教程如DataWhale适合快速用数据集练手。大模型方向资料HuggingFace的transformers库、LangChain官方文档、以及一些RAG和Agent的实战教程。资料上机器学习的经典教材李航的《统计学习方法》、周志华的《西瓜书》、深度学习花书和《动手学深度学习》依然值得翻阅。但2025年面试不能只看书强烈建议多关注LLM推理优化、RAG实践、Agent工作流这三个方向的技术博客和开源项目因为这些题在书中找不到现成答案只能靠日常积累。7.3 心态与临场发挥技巧最后说几个真实的临场经验。这些是我和身边候选人踩过坑之后总结出来的希望能帮你少走弯路。第一边写代码边说话。滴滴的手撕代码环节面试官更看重你的思路过程。如果你沉默着写完即使结果对面试官也不确定你是真的会还是背过答案。正确做法是先复述题目的输入输出和边界条件再提出一两个可能的解法并比较复杂度然后开始写写完主动说“我用几个case测一下”。中间卡顿的时候也把自己的思考说出来比如“我现在在想用DP还是贪心”面试官往往会给你提示这个提示接住了也是分数。第二开放题一定要给“结构化回答”。面试官说“如何设计一个派单算法”时你不要直接把脑子里冒出来的第一个方案说出来而是先说“我会从问题定义、约束条件、模型选择、工程落地四个层面来回答。”这个开场白能立刻让面试官觉得你有逻辑。即使内容没有那么深刻结构本身就值很多分。第三不会的题不要硬编。如果面试官问了一个你完全没听过的概念比如“你有没有了解过Rete算法”你可以诚实说“这个我了解不多”然后补一句“但是根据名字推测它可能和规则匹配的缓存有关我理解……”给出一个合理的推理过程。这种“诚实的推理”非常加分比不懂装懂强很多。第四准备两三个“最能打”的项目故事。面试前把简历里的项目浓缩成三句话版本比如“背景是打车高峰期叫车难我用半年的订单数据做了区域供需预测模型特征包括天气、时段、POI密度模型用了XGBoost和LSTM对比上线后把平均等待时长降低了6%最终在AB实验中通过了显著性验证”。这个故事在简历面、业务面、HR面都能用上而且能自然引出下一个问题。我自己的体会是滴滴的面试题整体风格是“偏实战、重基础、考逻辑”它不会刻意用偏题怪题去难为人但会很执着地问“为什么”。你在准备的时候比起刷更多新题不如把做过的每一道题、每一个项目的“为什么”想清楚。面试官真正想确认的并不是你掌握了多少知识点而是你在面对一个真实复杂的业务问题时能不能用结构化的思维把问题拆开然后用扎实的算法基本功一步步解决。这种能力恰恰是“刷题”刷不出来的需要在真实项目和刻意练习中慢慢积累。希望这篇文章能在你准备滴滴算法/AI岗的路上帮到你。
