如果你正打算投网易2020校招的算法平台工程师岗我先给你交个底笔试不是把 LeetCode 刷完就能轻松拿下的但它也不是玄学。算法平台工程师这个职位处在算法研究与工程落地的交叉点上既要懂模型也要懂系统。笔试会同时考察算法基本功、机器学习基础、编码能力甚至还有一点分布式系统的常识。这篇文章我按自己准备和复盘这一类笔试的经验来拆解尽量把考什么、怎么准备、有哪些坑说清楚。我会把数据结构与算法、机器学习基础、工程化意识三条线串起来讲再用一道典型题目演示笔试现场的推导过程。无论你是正在准备校招还是想往算法工程方向发展这篇文章应该都能给你提供一套可以落地的复习框架。1. 岗位认知与笔试整体设计思路1.1 算法平台工程师到底是做什么的我看到很多同学把“算法平台工程师”当成“算法工程师”来准备这其实会跑偏。传统算法工程师更关注模型效果比如把 CTR 预估的 AUC 提升几个点、把推荐排序的离线指标做好而算法平台工程师的重点是如何让算法稳定、高效、规模化地运行起来。具体到网易这类互联网公司算法平台工程师可能负责的东西包括机器学习训练平台、特征平台、模型在线推理服务、资源调度、数据预处理 pipeline甚至要参与开源框架的二次开发和性能调优。你写的代码不只是跑通一个模型而是要支撑很多业务方在平台上跑实验、上线模型。因此笔试里会看到不少“用工程手段解决算法问题”的场景比如设计一个支持 LRU 淘汰的缓存、实现一个 TopK 计算器、处理海量数据时的排序策略。这个岗位的笔试本质上是在筛选两类能力第一类是把算法题写对证明你代码功底扎实第二类是理解算法背后的原理和复杂度证明你不只会调用现成函数。后者往往更关键因为平台工程师需要在不透明的系统中定位性能瓶颈、选型合适的数据结构这些都需要深入理解算法本质。1.2 笔试考察的三大能力模块根据我对这一类校招笔试题型的复盘核心考察点大致可以分成三块。第一块是数据结构和经典算法占比通常最高。链表、栈、队列、二叉树、堆、图、字符串匹配、排序、二分、动态规划、贪心都是常客。你不仅要能写出代码还要能分析时间复杂度和空间复杂度有些题目会明确要求“不能使用额外 O(n) 空间”或“时间复杂度必须控制在 O(n log n) 以内”。第二块是机器学习与深度学习基础。算法平台工程师虽然偏工程但也要能理解算法同学的需求所以逻辑回归、决策树、SVM、K-Means、KNN、梯度下降、过拟合与正则化、评价指标这些概念必须清楚。更进阶一点可能会涉及神经网络的反向传播、卷积/池化的计算过程、Attention 机制等。第三块是工程与数学基础。概率论、线性代数、微积分这些数学知识会穿插在选择题里工程方面则可能考察 Linux 基础、进程线程、内存管理、分布式系统的基本概念。比如“如何用 MapReduce 实现矩阵乘法”“如何设计一个支持并发读写的特征存储系统”这类题目看起来开放其实考的是你对分布式和系统设计的理解。我自己复习时做了一个表格把精力按板块分配你可以参考考察板块常见题型建议准备权重数据结构与算法编程题、手写数据结构40%机器学习基础选择题、简答题25%数学与概率统计选择题、填空题15%系统与工程概念简答题、设计题20%注意不要只刷算法题机器学习基础同样重要。很多同学在 LeetCode 上投入大量时间结果笔试里考逻辑回归损失函数时反而卡住了这是很可惜的。2. 核心算法知识的高频考点拆解2.1 字符串匹配与 KMP 算法的 next 数组字符串题在校招笔试里出现频率非常高尤其是 KMP 算法。很多同学能背下模板但对 next 数组的定义理解不透一旦题目稍微换个问法就懵。KMP 的核心思想是当模式串与主串匹配失败时不要从头开始暴力重试而是利用已经匹配过的前缀信息把模式串尽可能多地向右滑动。这个“滑动多少位”就由 next 数组决定。next 数组有几种常见定义我记得网易这类大厂笔试题里经常给一个明确说明比如“next[i] 定义为模式串前 i 个字符组成的子串的最长相等前后缀长度”。我按这个定义手工推一个例子。模式串 p abacaba。子串长度为 1即 a没有真前后缀next[1] 0子串长度为 2即 ab前缀 a后缀 b不相等next[2] 0子串长度为 3即 aba前缀 a 和后缀 a 相等最长长度为 1next[3] 1子串长度为 4即 abac前缀 a、ab、aba后缀 c、ac、bac没有相等项next[4] 0子串长度为 5即 abaca前缀中 a 与后缀 a 相等next[5] 1子串长度为 6即 abacab前缀 ab 与后缀 ab 相等next[6] 2子串长度为 7即 abacaba前缀 aba 与后缀 aba 相等next[7] 3所以 next 数组是 [0, 0, 0, 1, 0, 1, 2, 3]。如果题目使用 next[0] -1 的初始化和跳转定义则结果是 [-1, 0, 0, 1, 0, 1, 2, 3]你需要根据题目给的“next[i] 定义为”来统一口径。笔试题里经常让考生求 next 数组还会继续问“如果主串是 xxx匹配过程中模式串移动了几次”。这时候建议不要空想直接在草稿纸上画主串和模式串的匹配过程按 next 数组的跳转逻辑逐步推进正确率会高很多。2.2 排序算法家族从冒泡到快速排序再到堆排序排序是算法笔试的重头戏几乎不可能绕过。很多题表面看不出排序但最优解内部就是在做排序比如合并区间、求逆序对、TopK、中位数等。最基础的冒泡排序、选择排序、插入排序要能手写虽然实际笔试很少要求你用它们但理解它们有助于理解更复杂的排序。重点要掌握快速排序和归并排序以及它们的变种。快速排序的平均时间复杂度是 O(n log n)但它对基准值的选择很敏感最坏情况会退化到 O(n^2)。笔试里如果题目要求“最坏情况下时间复杂度为 O(n log n)”快速排序就不行这时候要想到堆排序或归并排序。堆排序利用大顶堆/小顶堆不断取最大或最小元素时间复杂度稳定在 O(n log n)空间复杂度是 O(1)在线笔试环境里很常用。归并排序除了排序本身还是解决“逆序对”这类问题的经典方法。比如“求数组中逆序对的数量”暴力解法是 O(n^2)用归并排序可以在合并两个有序子数组时顺便统计时间复杂度降到 O(n log n)。我在笔试里遇到过不止一次建议多练。下面这段快速排序的写法是笔试现场容易记牢的版本void quickSort(vectorint nums, int left, int right) { if (left right) return; int pivot nums[left (right - left) / 2]; int i left, j right; while (i j) { while (nums[i] pivot) i; while (nums[j] pivot) j--; if (i j) { swap(nums[i], nums[j]); i; j--; } } quickSort(nums, left, j); quickSort(nums, i, right); }需要注意这个写法里的基准值不能直接用 nums[left]否则在极端情况下可能因为交换而改变。笔试时时间紧张最容易翻车的点就是边界条件left 和 right 的更新、递归结束条件、while 循环里的 i j 还是 i j。每个细节错了都可能导致死循环或越界。2.3 图论与贪心Dijkstra 和最短路径问题算法平台工程师的笔试里图论题不会特别深但 Dijkstra 算法是高频考点。它解决的是带权图中单源最短路径问题前提是边的权重非负。Dijkstra 的朴素版本复杂度是 O(V^2)因为每次要遍历所有节点找距离最小的未访问节点。笔试里如果图的节点数较多必须用堆优化也就是用优先队列维护“当前距离最小的节点”把复杂度降到 O(E log V)。堆优化的核心思想是每次从优先队列中取出距离最小的节点 u如果 u 已经被访问过就跳过然后遍历 u 的所有邻居 v如果通过 u 到 v 的距离比当前记录的 dist[v] 更小就更新 dist[v] 并把它重新插入优先队列。因为一个节点可能被插入多次所以取出时要检查是否为脏数据。这道题还经常和“记录路径”结合要求输出从起点到终点的完整路径。这时候需要维护一个 prev 数组在更新 dist 时同步记录路径前驱。最后从终点回溯到起点即可。这个点很多人会漏掉建议提前准备。贪心算法在笔试题里常常隐藏得很深。经典例子是“区间调度问题”给定若干区间选择尽可能多的互不重叠的区间。贪心策略是按区间结束时间排序然后依次选择结束时间尽可能早且与已选区间不冲突的区间。很多同学看到这类题会想到动态规划其实贪心更简单但需要证明贪心选择的正确性。笔试简答题里如果让你说明为什么贪心有效要会用“交换论证”思路回答。3. 机器学习与算法工程化的进阶内容3.1 从经典机器学习到深度学习基础算法平台工程师笔试不会只考编程机器学习基础占了相当比例。最常见的概念包括逻辑回归的损失函数为什么是交叉熵而不是均方误差决策树如何选择划分特征ID3、C4.5、CART 分别用什么指标SVM 的核函数思想以及软间隔的作用K-Means 聚类的迭代过程以及如何选择 KKNN 的 k 值选择对分类结果的影响这些概念需要用一两句话说清楚并且最好能写出核心公式。比如逻辑回归的预测函数是 sigmoid 函数输出可以理解为正样本概率训练时通过极大似然估计得到交叉熵损失再用梯度下降法更新参数。笔试选择题里经常给几个损失函数曲线图问你哪个是交叉熵、哪个是均方误差原因是对数函数在概率接近 0 或 1 时能放大错误样本的惩罚。深度学习的常见考点包括反向传播、梯度消失、正则化方法L1/L2、Dropout、Early Stopping、卷积层输出尺寸计算、池化层的作用、RNN/LSTM 的基本结构等。尤其是“给定输入尺寸和卷积核尺寸求输出特征图尺寸”这类题只要记住公式 output (input - kernel 2 * padding) / stride 1 就能拿下。3.2 优化算法与启发式搜索模拟退火、粒子群等在算法平台的笔试里偶尔会出现一些“听起来像人工智能其实是优化方法”的题目比如模拟退火、粒子群算法、遗传算法。它们不是机器学习经典模型但很多公司在考察算法广度和工程落地能力时会带上。模拟退火的核心思路来源于物理退火过程系统先以较高温度开始允许以一定概率接受比当前解更差的状态从而跳出局部最优随着温度降低接受差解的概率越来越小最终收敛到接近全局最优。笔试里如果考到大概率会问“为什么模拟退火可以跳出局部最优”“温度下降过快会怎样”答案的关键就是“以一定概率接受差解”。粒子群算法则是模拟鸟群觅食行为每个粒子有位置和速度通过个体最优和全局最优来更新自己。笔试不太可能让你从头实现完整粒子群但可能会给你一个简化场景比如“用粒子群求解某个函数的最小值”让你画出算法流程或解释每个参数的意义。这类题目重点考察你是否理解“个体认知”和“社会认知”两个更新项的作用。从算法平台工程师的角度看理解这些启发式算法也有实际价值。很多调参问题、资源调度问题本身是非凸优化传统梯度下降不一定好用工程上会考虑用这些方法作为备选方案。面试时如果能主动提一嘴“这类算法适合低维度、可并行评估的场景”会让面试官觉得你有工程感觉。3.3 算法平台工程化特征工程、分布式与性能优化这一块是最能体现“算法平台工程师”和“纯算法工程师”差异的地方。笔试里常见的工程化考点包括特征处理、分布式计算、模型推理优化等。特征工程在平台中往往被封装成特征平台笔试会以选择题或简答题形式考察连续特征为什么要做归一化、类别特征有哪些编码方式、缺失值怎么处理、如何防止特征穿越。其中“特征穿越”是一个很典型的工程陷阱意思是训练时用了未来数据导致离线评估指标虚高上线后效果崩盘。这个点在校招里非常经典几乎是算法平台方向必须知道的问题。分布式相关的内容最常见的是 MapReduce。面试题里经常出现“如果给你 1TB 的大文件每一行是一个 URL如何统计出现次数最多的前 100 个 URL”。正确的思路是分而治之先用哈希函数把大文件分到多个小文件里保证相同 URL 一定被分到同一个文件然后对每个小文件用哈希表统计词频得到每个文件内的 Top100最后再对所有文件的 Top100 做一次全局排序。这道题考察的不是某个算法而是你能不能把海量数据处理问题拆成“分片 局部统计 全局合并”的框架。模型推理优化的常见考点包括模型量化、剪枝、知识蒸馏、TensorRT 加速等。其中剪枝算法在热词里出现过它本质是去掉神经网络中不重要的权重或通道减少计算量和参数规模。笔试里不要求你实现完整剪枝流程但需要理解“为什么剪枝后模型精度不会大幅下降”答案是网络存在大量冗余参数。4. 笔试实战过程与答题策略4.1 时间分配先把会做的题全部拿到分网易这类公司校招笔试一般是在线评测时间有限编程题通常有 2 到 4 道选择题和简答题穿插其中。我个人的策略是先花几分钟把所有题目扫一遍标出题目类型和大致难度然后从选择题开始快速完成最后集中时间做编程题。为什么要先做选择题因为选择题分值高、耗时短而且很多是概念题看到就有思路。如果一上来就死磕一道很难的编程题很容易导致后面简单题没时间写。编程题哪怕只过部分测试用例也会有部分分所以优先把每道题写出一个暴力解法把能拿的用例分拿到再回来优化。时间分配可以这样参考选择题和简答题控制在 30 到 40 分钟剩下时间全部给编程题。如果一道题 15 分钟还没有任何思路先跳过做完其他题再回头想。笔试现场的心态非常重要很多时候卡住是因为一直盯着一道题换个题目回来后思路反而通了。4.2 一道经典笔试题的完整推导找第 K 大的数拿出我印象里出现频率很高的一道题作为例子给定一个无序数组找出第 K 大的数。要求平均时间复杂度为 O(n)不能直接排序后取下标。第一次做这道题的人很容易直接写一个排序然后返回 nums[n - k]。排序的时间复杂度是 O(n log n)运气好也能过一部分用例但如果题目明确要求 O(n)就要换方法。最优解法是快速选择基于快速排序的 partition 思想选一个基准值把数组分成左边都大于基准、右边都小于基准或反之。然后判断基准元素当前的下标是否等于要找的位置如果等于就直接返回如果小于目标位置就在右侧继续查找如果大于目标位置就在左侧继续查找。int quickSelect(vectorint nums, int left, int right, int k) { if (left right) return nums[left]; int pivot nums[left (right - left) / 2]; int i left, j right; while (i j) { while (nums[i] pivot) i; // 从大到小排序 while (nums[j] pivot) j--; if (i j) { swap(nums[i], nums[j]); i; j--; } } // 此时区间 [left, j] 都 pivot[i, right] 都 pivot if (k j) return quickSelect(nums, left, j, k); if (k i) return quickSelect(nums, i, right, k); return nums[j 1]; }注意第 k 大的下标如果用 0 开始表示主函数调用时传入 k-1。快速选择的平均时间复杂度是 O(n)因为每次划分后只需要处理一侧总工作量近似为 n n/2 n/4 ...收敛到 2n。但最坏情况会退化到 O(n^2)所以如果题目额外要求最坏情况下 O(n)你需要使用 BFPRT 算法也就是中位数的中位数选基准。这个算法笔试一般不要求手写但知道原理会加分。4.3 代码书写与边界条件控制的细节在线笔试的判题系统很严格代码不仅要跑通还要注意边界条件。我总结了几个经常出问题的点。第一个是整数溢出。很多题目会给较大的数据范围比如 n 最大到 10^9那么数组下标相加就可能溢出 int。C 里要用 long longPython 里虽然不会有整型溢出但要注意运算精度。尤其是求中位数时写 left (right - left) / 2而不是 (left right) / 2因为后者可能在极端情况下溢出。第二个是递归深度。如果题目考察二叉树或 DFS递归深度可能达到节点数级别而 C 默认栈空间有限容易导致栈溢出。这时候要么改成显式栈迭代要么在题目允许的范围内使用全局变量减少栈帧大小。Python 用户还要注意默认递归深度限制可以用 sys.setrecursionlimit 提高但不能从根本上解决。第三个是输入输出格式。有些题目会包含多组测试用例需要循环读取直到 EOF有些题目的输出要求保留两位小数有些题目的字符串可能包含空格用 cin 会读不完整。笔试题读题时一定要先看输入输出描述多花 30 秒确认格式能避免很多无谓的提交失败。5. 高频问题与排查技巧实录5.1 常见笔试卡壳点KMP、动态规划与边界我把自己和身边同学实际踩过的坑整理成了速查表你在考前可以快速过一遍。考点常见卡壳点应对方法KMP next 数组对“最长相等前后缀”理解不清按子串长度从小到大手工推一遍动态规划状态定义不清晰转移方程写错先写暴力递归再改记忆化搜索二分查找死循环或越界用 left (right - left) / 2 并循环条件写成 left right 或 left right 保持一致二叉树遍历前中后序混淆画一棵只有三个节点的树手写三种遍历结果图的最短路堆优化代码里的脏数据跳过取出节点后判断 dist[u] 是否等于当前值动态规划是笔试中区分度最高的一类题。很多同学一看题目知道要用 DP但卡在状态定义上。我的建议是先在草稿纸上定义 dp[i] 表示什么然后用小例子验证转移方程。比如“最长上升子序列”dp[i] 可以定义为以第 i 个元素结尾的最长上升子序列长度转移时遍历 j i如果 nums[j] nums[i]则 dp[i] max(dp[i], dp[j] 1)。先写 O(n^2) 版本再考虑是否能用二分优化。不要一上来就追求最优解先把正确解写出来再迭代优化。5.2 在线评测系统里的隐蔽坑在线笔试平台和本地 IDE 不一样很多在本地能跑的代码在 OJ 上会挂。我遇过的几个典型问题如下。第一个是静态变量污染。如果函数使用了静态变量或全局变量而评测框架会多次调用你的函数上一次的运行结果可能残留导致第二次结果错误。解决办法是在每次调用前重置状态或者把所有状态封装在类内部。第二个是 STL 容器的迭代器失效。比如在遍历 vector 时删除元素可能会导致迭代器失效。正确做法是用索引遍历或者利用 erase 返回下一个有效迭代器。笔试不要逞强写花哨代码用最稳妥的写法最安全。第三个是浮点数比较。涉及浮点结果时不要直接用 而要判断绝对误差是否小于一个阈值比如 1e-9。如果题目要求输出小数注意保留位数和四舍五入C 里可以用 cout fixed setprecision(k)。第四个是多组测试数据没有重置数据结构。比如图论题里的 visited 数组、dist 数组如果上一组测试数据没有清空下一组会直接出错。建议在每组输入开始前统一重置。5.3 如何利用好笔试剩余时间和复盘真正笔试过程中时间通常很紧张但交卷前一定要留出 5 到 10 分钟检查。我习惯按以下顺序检查代码所有变量是否初始化数组访问是否可能越界循环终止条件是否正确大数是否溢出是否按要求处理了多组输入输出的格式和换行是否与题目一致交卷后不要马上放松尽快回忆题目并记录下来。即使没有进下一轮这些题目也很有价值。我会把每道题分类标记是“算法想法不会”还是“代码实现有问题”。前者需要补专题比如动态规划、贪心后者需要多练手速和边界控制。只有明确问题方向后续复习才不会盲目刷题。这个习惯我后来一直保留。有些笔试当时感觉发挥很差但复盘后发现高频考点就那么几类把薄弱点逐个攻克后再遇到类似的题明显稳了很多。尤其对算法平台工程师这个岗位笔试只是第一关后面的技术面还会继续深挖这些内容现在多花时间搞懂原理对后续面试也有很大帮助。写在最后的一点体会如果你现在正对着算法题感到焦虑我想说这很正常。算法平台工程师的笔试覆盖面确实广从 KMP 到排序从机器学习到分布式看起来像要准备一座山。但把这些知识拆成模块后你会发现它本质上是“数据结构与算法 机器学习基础 工程思维”的组合。每天按专题推进把每个高频考点的原理和代码都过一遍两周左右就能有明显提升。我个人踩过最大的坑是只刷题不总结。刷了一百多道题碰到类似题目照样没有思路因为我没有去归类和抽象。后来我改成每做一道题都要问自己三个问题这道题属于什么类型、核心解法是什么、我自己能不能推导出来。效果比闷头刷题好得多。最后再分享一个小技巧笔试题里的代码风格也很重要。即使不考虑面试官是否能看到写清楚变量名、注释和代码结构也能帮你自己在调试时更快发现错误。一个函数只做一件事一个变量名能表达含义这些好习惯在笔试紧张状态下尤其能省钱时间。希望你也能在准备过程中保持节奏少踩一些我踩过的坑。
算法平台工程师校招笔试全解析：考点、推导与避坑指南
如果你正打算投网易2020校招的算法平台工程师岗我先给你交个底笔试不是把 LeetCode 刷完就能轻松拿下的但它也不是玄学。算法平台工程师这个职位处在算法研究与工程落地的交叉点上既要懂模型也要懂系统。笔试会同时考察算法基本功、机器学习基础、编码能力甚至还有一点分布式系统的常识。这篇文章我按自己准备和复盘这一类笔试的经验来拆解尽量把考什么、怎么准备、有哪些坑说清楚。我会把数据结构与算法、机器学习基础、工程化意识三条线串起来讲再用一道典型题目演示笔试现场的推导过程。无论你是正在准备校招还是想往算法工程方向发展这篇文章应该都能给你提供一套可以落地的复习框架。1. 岗位认知与笔试整体设计思路1.1 算法平台工程师到底是做什么的我看到很多同学把“算法平台工程师”当成“算法工程师”来准备这其实会跑偏。传统算法工程师更关注模型效果比如把 CTR 预估的 AUC 提升几个点、把推荐排序的离线指标做好而算法平台工程师的重点是如何让算法稳定、高效、规模化地运行起来。具体到网易这类互联网公司算法平台工程师可能负责的东西包括机器学习训练平台、特征平台、模型在线推理服务、资源调度、数据预处理 pipeline甚至要参与开源框架的二次开发和性能调优。你写的代码不只是跑通一个模型而是要支撑很多业务方在平台上跑实验、上线模型。因此笔试里会看到不少“用工程手段解决算法问题”的场景比如设计一个支持 LRU 淘汰的缓存、实现一个 TopK 计算器、处理海量数据时的排序策略。这个岗位的笔试本质上是在筛选两类能力第一类是把算法题写对证明你代码功底扎实第二类是理解算法背后的原理和复杂度证明你不只会调用现成函数。后者往往更关键因为平台工程师需要在不透明的系统中定位性能瓶颈、选型合适的数据结构这些都需要深入理解算法本质。1.2 笔试考察的三大能力模块根据我对这一类校招笔试题型的复盘核心考察点大致可以分成三块。第一块是数据结构和经典算法占比通常最高。链表、栈、队列、二叉树、堆、图、字符串匹配、排序、二分、动态规划、贪心都是常客。你不仅要能写出代码还要能分析时间复杂度和空间复杂度有些题目会明确要求“不能使用额外 O(n) 空间”或“时间复杂度必须控制在 O(n log n) 以内”。第二块是机器学习与深度学习基础。算法平台工程师虽然偏工程但也要能理解算法同学的需求所以逻辑回归、决策树、SVM、K-Means、KNN、梯度下降、过拟合与正则化、评价指标这些概念必须清楚。更进阶一点可能会涉及神经网络的反向传播、卷积/池化的计算过程、Attention 机制等。第三块是工程与数学基础。概率论、线性代数、微积分这些数学知识会穿插在选择题里工程方面则可能考察 Linux 基础、进程线程、内存管理、分布式系统的基本概念。比如“如何用 MapReduce 实现矩阵乘法”“如何设计一个支持并发读写的特征存储系统”这类题目看起来开放其实考的是你对分布式和系统设计的理解。我自己复习时做了一个表格把精力按板块分配你可以参考考察板块常见题型建议准备权重数据结构与算法编程题、手写数据结构40%机器学习基础选择题、简答题25%数学与概率统计选择题、填空题15%系统与工程概念简答题、设计题20%注意不要只刷算法题机器学习基础同样重要。很多同学在 LeetCode 上投入大量时间结果笔试里考逻辑回归损失函数时反而卡住了这是很可惜的。2. 核心算法知识的高频考点拆解2.1 字符串匹配与 KMP 算法的 next 数组字符串题在校招笔试里出现频率非常高尤其是 KMP 算法。很多同学能背下模板但对 next 数组的定义理解不透一旦题目稍微换个问法就懵。KMP 的核心思想是当模式串与主串匹配失败时不要从头开始暴力重试而是利用已经匹配过的前缀信息把模式串尽可能多地向右滑动。这个“滑动多少位”就由 next 数组决定。next 数组有几种常见定义我记得网易这类大厂笔试题里经常给一个明确说明比如“next[i] 定义为模式串前 i 个字符组成的子串的最长相等前后缀长度”。我按这个定义手工推一个例子。模式串 p abacaba。子串长度为 1即 a没有真前后缀next[1] 0子串长度为 2即 ab前缀 a后缀 b不相等next[2] 0子串长度为 3即 aba前缀 a 和后缀 a 相等最长长度为 1next[3] 1子串长度为 4即 abac前缀 a、ab、aba后缀 c、ac、bac没有相等项next[4] 0子串长度为 5即 abaca前缀中 a 与后缀 a 相等next[5] 1子串长度为 6即 abacab前缀 ab 与后缀 ab 相等next[6] 2子串长度为 7即 abacaba前缀 aba 与后缀 aba 相等next[7] 3所以 next 数组是 [0, 0, 0, 1, 0, 1, 2, 3]。如果题目使用 next[0] -1 的初始化和跳转定义则结果是 [-1, 0, 0, 1, 0, 1, 2, 3]你需要根据题目给的“next[i] 定义为”来统一口径。笔试题里经常让考生求 next 数组还会继续问“如果主串是 xxx匹配过程中模式串移动了几次”。这时候建议不要空想直接在草稿纸上画主串和模式串的匹配过程按 next 数组的跳转逻辑逐步推进正确率会高很多。2.2 排序算法家族从冒泡到快速排序再到堆排序排序是算法笔试的重头戏几乎不可能绕过。很多题表面看不出排序但最优解内部就是在做排序比如合并区间、求逆序对、TopK、中位数等。最基础的冒泡排序、选择排序、插入排序要能手写虽然实际笔试很少要求你用它们但理解它们有助于理解更复杂的排序。重点要掌握快速排序和归并排序以及它们的变种。快速排序的平均时间复杂度是 O(n log n)但它对基准值的选择很敏感最坏情况会退化到 O(n^2)。笔试里如果题目要求“最坏情况下时间复杂度为 O(n log n)”快速排序就不行这时候要想到堆排序或归并排序。堆排序利用大顶堆/小顶堆不断取最大或最小元素时间复杂度稳定在 O(n log n)空间复杂度是 O(1)在线笔试环境里很常用。归并排序除了排序本身还是解决“逆序对”这类问题的经典方法。比如“求数组中逆序对的数量”暴力解法是 O(n^2)用归并排序可以在合并两个有序子数组时顺便统计时间复杂度降到 O(n log n)。我在笔试里遇到过不止一次建议多练。下面这段快速排序的写法是笔试现场容易记牢的版本void quickSort(vectorint nums, int left, int right) { if (left right) return; int pivot nums[left (right - left) / 2]; int i left, j right; while (i j) { while (nums[i] pivot) i; while (nums[j] pivot) j--; if (i j) { swap(nums[i], nums[j]); i; j--; } } quickSort(nums, left, j); quickSort(nums, i, right); }需要注意这个写法里的基准值不能直接用 nums[left]否则在极端情况下可能因为交换而改变。笔试时时间紧张最容易翻车的点就是边界条件left 和 right 的更新、递归结束条件、while 循环里的 i j 还是 i j。每个细节错了都可能导致死循环或越界。2.3 图论与贪心Dijkstra 和最短路径问题算法平台工程师的笔试里图论题不会特别深但 Dijkstra 算法是高频考点。它解决的是带权图中单源最短路径问题前提是边的权重非负。Dijkstra 的朴素版本复杂度是 O(V^2)因为每次要遍历所有节点找距离最小的未访问节点。笔试里如果图的节点数较多必须用堆优化也就是用优先队列维护“当前距离最小的节点”把复杂度降到 O(E log V)。堆优化的核心思想是每次从优先队列中取出距离最小的节点 u如果 u 已经被访问过就跳过然后遍历 u 的所有邻居 v如果通过 u 到 v 的距离比当前记录的 dist[v] 更小就更新 dist[v] 并把它重新插入优先队列。因为一个节点可能被插入多次所以取出时要检查是否为脏数据。这道题还经常和“记录路径”结合要求输出从起点到终点的完整路径。这时候需要维护一个 prev 数组在更新 dist 时同步记录路径前驱。最后从终点回溯到起点即可。这个点很多人会漏掉建议提前准备。贪心算法在笔试题里常常隐藏得很深。经典例子是“区间调度问题”给定若干区间选择尽可能多的互不重叠的区间。贪心策略是按区间结束时间排序然后依次选择结束时间尽可能早且与已选区间不冲突的区间。很多同学看到这类题会想到动态规划其实贪心更简单但需要证明贪心选择的正确性。笔试简答题里如果让你说明为什么贪心有效要会用“交换论证”思路回答。3. 机器学习与算法工程化的进阶内容3.1 从经典机器学习到深度学习基础算法平台工程师笔试不会只考编程机器学习基础占了相当比例。最常见的概念包括逻辑回归的损失函数为什么是交叉熵而不是均方误差决策树如何选择划分特征ID3、C4.5、CART 分别用什么指标SVM 的核函数思想以及软间隔的作用K-Means 聚类的迭代过程以及如何选择 KKNN 的 k 值选择对分类结果的影响这些概念需要用一两句话说清楚并且最好能写出核心公式。比如逻辑回归的预测函数是 sigmoid 函数输出可以理解为正样本概率训练时通过极大似然估计得到交叉熵损失再用梯度下降法更新参数。笔试选择题里经常给几个损失函数曲线图问你哪个是交叉熵、哪个是均方误差原因是对数函数在概率接近 0 或 1 时能放大错误样本的惩罚。深度学习的常见考点包括反向传播、梯度消失、正则化方法L1/L2、Dropout、Early Stopping、卷积层输出尺寸计算、池化层的作用、RNN/LSTM 的基本结构等。尤其是“给定输入尺寸和卷积核尺寸求输出特征图尺寸”这类题只要记住公式 output (input - kernel 2 * padding) / stride 1 就能拿下。3.2 优化算法与启发式搜索模拟退火、粒子群等在算法平台的笔试里偶尔会出现一些“听起来像人工智能其实是优化方法”的题目比如模拟退火、粒子群算法、遗传算法。它们不是机器学习经典模型但很多公司在考察算法广度和工程落地能力时会带上。模拟退火的核心思路来源于物理退火过程系统先以较高温度开始允许以一定概率接受比当前解更差的状态从而跳出局部最优随着温度降低接受差解的概率越来越小最终收敛到接近全局最优。笔试里如果考到大概率会问“为什么模拟退火可以跳出局部最优”“温度下降过快会怎样”答案的关键就是“以一定概率接受差解”。粒子群算法则是模拟鸟群觅食行为每个粒子有位置和速度通过个体最优和全局最优来更新自己。笔试不太可能让你从头实现完整粒子群但可能会给你一个简化场景比如“用粒子群求解某个函数的最小值”让你画出算法流程或解释每个参数的意义。这类题目重点考察你是否理解“个体认知”和“社会认知”两个更新项的作用。从算法平台工程师的角度看理解这些启发式算法也有实际价值。很多调参问题、资源调度问题本身是非凸优化传统梯度下降不一定好用工程上会考虑用这些方法作为备选方案。面试时如果能主动提一嘴“这类算法适合低维度、可并行评估的场景”会让面试官觉得你有工程感觉。3.3 算法平台工程化特征工程、分布式与性能优化这一块是最能体现“算法平台工程师”和“纯算法工程师”差异的地方。笔试里常见的工程化考点包括特征处理、分布式计算、模型推理优化等。特征工程在平台中往往被封装成特征平台笔试会以选择题或简答题形式考察连续特征为什么要做归一化、类别特征有哪些编码方式、缺失值怎么处理、如何防止特征穿越。其中“特征穿越”是一个很典型的工程陷阱意思是训练时用了未来数据导致离线评估指标虚高上线后效果崩盘。这个点在校招里非常经典几乎是算法平台方向必须知道的问题。分布式相关的内容最常见的是 MapReduce。面试题里经常出现“如果给你 1TB 的大文件每一行是一个 URL如何统计出现次数最多的前 100 个 URL”。正确的思路是分而治之先用哈希函数把大文件分到多个小文件里保证相同 URL 一定被分到同一个文件然后对每个小文件用哈希表统计词频得到每个文件内的 Top100最后再对所有文件的 Top100 做一次全局排序。这道题考察的不是某个算法而是你能不能把海量数据处理问题拆成“分片 局部统计 全局合并”的框架。模型推理优化的常见考点包括模型量化、剪枝、知识蒸馏、TensorRT 加速等。其中剪枝算法在热词里出现过它本质是去掉神经网络中不重要的权重或通道减少计算量和参数规模。笔试里不要求你实现完整剪枝流程但需要理解“为什么剪枝后模型精度不会大幅下降”答案是网络存在大量冗余参数。4. 笔试实战过程与答题策略4.1 时间分配先把会做的题全部拿到分网易这类公司校招笔试一般是在线评测时间有限编程题通常有 2 到 4 道选择题和简答题穿插其中。我个人的策略是先花几分钟把所有题目扫一遍标出题目类型和大致难度然后从选择题开始快速完成最后集中时间做编程题。为什么要先做选择题因为选择题分值高、耗时短而且很多是概念题看到就有思路。如果一上来就死磕一道很难的编程题很容易导致后面简单题没时间写。编程题哪怕只过部分测试用例也会有部分分所以优先把每道题写出一个暴力解法把能拿的用例分拿到再回来优化。时间分配可以这样参考选择题和简答题控制在 30 到 40 分钟剩下时间全部给编程题。如果一道题 15 分钟还没有任何思路先跳过做完其他题再回头想。笔试现场的心态非常重要很多时候卡住是因为一直盯着一道题换个题目回来后思路反而通了。4.2 一道经典笔试题的完整推导找第 K 大的数拿出我印象里出现频率很高的一道题作为例子给定一个无序数组找出第 K 大的数。要求平均时间复杂度为 O(n)不能直接排序后取下标。第一次做这道题的人很容易直接写一个排序然后返回 nums[n - k]。排序的时间复杂度是 O(n log n)运气好也能过一部分用例但如果题目明确要求 O(n)就要换方法。最优解法是快速选择基于快速排序的 partition 思想选一个基准值把数组分成左边都大于基准、右边都小于基准或反之。然后判断基准元素当前的下标是否等于要找的位置如果等于就直接返回如果小于目标位置就在右侧继续查找如果大于目标位置就在左侧继续查找。int quickSelect(vectorint nums, int left, int right, int k) { if (left right) return nums[left]; int pivot nums[left (right - left) / 2]; int i left, j right; while (i j) { while (nums[i] pivot) i; // 从大到小排序 while (nums[j] pivot) j--; if (i j) { swap(nums[i], nums[j]); i; j--; } } // 此时区间 [left, j] 都 pivot[i, right] 都 pivot if (k j) return quickSelect(nums, left, j, k); if (k i) return quickSelect(nums, i, right, k); return nums[j 1]; }注意第 k 大的下标如果用 0 开始表示主函数调用时传入 k-1。快速选择的平均时间复杂度是 O(n)因为每次划分后只需要处理一侧总工作量近似为 n n/2 n/4 ...收敛到 2n。但最坏情况会退化到 O(n^2)所以如果题目额外要求最坏情况下 O(n)你需要使用 BFPRT 算法也就是中位数的中位数选基准。这个算法笔试一般不要求手写但知道原理会加分。4.3 代码书写与边界条件控制的细节在线笔试的判题系统很严格代码不仅要跑通还要注意边界条件。我总结了几个经常出问题的点。第一个是整数溢出。很多题目会给较大的数据范围比如 n 最大到 10^9那么数组下标相加就可能溢出 int。C 里要用 long longPython 里虽然不会有整型溢出但要注意运算精度。尤其是求中位数时写 left (right - left) / 2而不是 (left right) / 2因为后者可能在极端情况下溢出。第二个是递归深度。如果题目考察二叉树或 DFS递归深度可能达到节点数级别而 C 默认栈空间有限容易导致栈溢出。这时候要么改成显式栈迭代要么在题目允许的范围内使用全局变量减少栈帧大小。Python 用户还要注意默认递归深度限制可以用 sys.setrecursionlimit 提高但不能从根本上解决。第三个是输入输出格式。有些题目会包含多组测试用例需要循环读取直到 EOF有些题目的输出要求保留两位小数有些题目的字符串可能包含空格用 cin 会读不完整。笔试题读题时一定要先看输入输出描述多花 30 秒确认格式能避免很多无谓的提交失败。5. 高频问题与排查技巧实录5.1 常见笔试卡壳点KMP、动态规划与边界我把自己和身边同学实际踩过的坑整理成了速查表你在考前可以快速过一遍。考点常见卡壳点应对方法KMP next 数组对“最长相等前后缀”理解不清按子串长度从小到大手工推一遍动态规划状态定义不清晰转移方程写错先写暴力递归再改记忆化搜索二分查找死循环或越界用 left (right - left) / 2 并循环条件写成 left right 或 left right 保持一致二叉树遍历前中后序混淆画一棵只有三个节点的树手写三种遍历结果图的最短路堆优化代码里的脏数据跳过取出节点后判断 dist[u] 是否等于当前值动态规划是笔试中区分度最高的一类题。很多同学一看题目知道要用 DP但卡在状态定义上。我的建议是先在草稿纸上定义 dp[i] 表示什么然后用小例子验证转移方程。比如“最长上升子序列”dp[i] 可以定义为以第 i 个元素结尾的最长上升子序列长度转移时遍历 j i如果 nums[j] nums[i]则 dp[i] max(dp[i], dp[j] 1)。先写 O(n^2) 版本再考虑是否能用二分优化。不要一上来就追求最优解先把正确解写出来再迭代优化。5.2 在线评测系统里的隐蔽坑在线笔试平台和本地 IDE 不一样很多在本地能跑的代码在 OJ 上会挂。我遇过的几个典型问题如下。第一个是静态变量污染。如果函数使用了静态变量或全局变量而评测框架会多次调用你的函数上一次的运行结果可能残留导致第二次结果错误。解决办法是在每次调用前重置状态或者把所有状态封装在类内部。第二个是 STL 容器的迭代器失效。比如在遍历 vector 时删除元素可能会导致迭代器失效。正确做法是用索引遍历或者利用 erase 返回下一个有效迭代器。笔试不要逞强写花哨代码用最稳妥的写法最安全。第三个是浮点数比较。涉及浮点结果时不要直接用 而要判断绝对误差是否小于一个阈值比如 1e-9。如果题目要求输出小数注意保留位数和四舍五入C 里可以用 cout fixed setprecision(k)。第四个是多组测试数据没有重置数据结构。比如图论题里的 visited 数组、dist 数组如果上一组测试数据没有清空下一组会直接出错。建议在每组输入开始前统一重置。5.3 如何利用好笔试剩余时间和复盘真正笔试过程中时间通常很紧张但交卷前一定要留出 5 到 10 分钟检查。我习惯按以下顺序检查代码所有变量是否初始化数组访问是否可能越界循环终止条件是否正确大数是否溢出是否按要求处理了多组输入输出的格式和换行是否与题目一致交卷后不要马上放松尽快回忆题目并记录下来。即使没有进下一轮这些题目也很有价值。我会把每道题分类标记是“算法想法不会”还是“代码实现有问题”。前者需要补专题比如动态规划、贪心后者需要多练手速和边界控制。只有明确问题方向后续复习才不会盲目刷题。这个习惯我后来一直保留。有些笔试当时感觉发挥很差但复盘后发现高频考点就那么几类把薄弱点逐个攻克后再遇到类似的题明显稳了很多。尤其对算法平台工程师这个岗位笔试只是第一关后面的技术面还会继续深挖这些内容现在多花时间搞懂原理对后续面试也有很大帮助。写在最后的一点体会如果你现在正对着算法题感到焦虑我想说这很正常。算法平台工程师的笔试覆盖面确实广从 KMP 到排序从机器学习到分布式看起来像要准备一座山。但把这些知识拆成模块后你会发现它本质上是“数据结构与算法 机器学习基础 工程思维”的组合。每天按专题推进把每个高频考点的原理和代码都过一遍两周左右就能有明显提升。我个人踩过最大的坑是只刷题不总结。刷了一百多道题碰到类似题目照样没有思路因为我没有去归类和抽象。后来我改成每做一道题都要问自己三个问题这道题属于什么类型、核心解法是什么、我自己能不能推导出来。效果比闷头刷题好得多。最后再分享一个小技巧笔试题里的代码风格也很重要。即使不考虑面试官是否能看到写清楚变量名、注释和代码结构也能帮你自己在调试时更快发现错误。一个函数只做一件事一个变量名能表达含义这些好习惯在笔试紧张状态下尤其能省钱时间。希望你也能在准备过程中保持节奏少踩一些我踩过的坑。
