2018年秋招那会儿AI岗位在笔试环节已经是兵家必争之地。我印象里比较有代表性的一场就是迅雷校招AI工程师的在线笔试B卷。当时AI相关的岗位还带着明显的“工程落地”印记不是今天这种人人拿着大模型API做应用的时代。更准确地说迅雷这家公司的业务——下载、共享计算、CDN、边缘节点调度——决定了它的AI工程师笔试不会只考手推SVM而是更看重候选人能不能把算法问题翻译成工程代码、能不能理解业务场景里的数据链路。这篇东西不是给你背原题答案用的而是把B卷背后对应的一套能力模型拆开讲清楚为什么这么出题、每类题型到底在考察什么以及你准备这类笔试时最容易踩的坑。1. 试卷整体定位迅雷要的“AI工程师”究竟考察什么能力1.1 从业务背景推导命题逻辑2018年这个时间节点很特殊。深度学习的工具链正在快速成型但远没有今天这么“傻瓜化”。PyTorch虽然越来越多人用但很多公司线上还是TensorFlow的天下模型部署、特征上线、分布式训练这些环节都离不了扎实的工程能力。同时迅雷的核心业务是下载工具、CDN传输、共享计算以及围绕这些场景的用户增长和内容运营。做AI工程师不是发论文也不是纯调包而是要面对真实业务中的问题比如怎么预测CDN节点缓存命中率、怎么优化P2P网络里的资源调度、怎么做用户流失预警。从笔试B卷的考核结构反推它重点考察三块能力第一是编码基本功和算法数据结构第二是机器学习和深度学习的基础概念是否扎实第三是把算法问题放到具体业务场景里去设计方案的产品感。这三块的比例大概就是4:3:3的样子。这和当时很多互联网公司的AI岗笔试风格是一致的。算法研究员和AI工程师的区别在于工程师岗位更看重你能不能把模型跑通于是在线笔试里的编程题权重很高而且往往是那种“看起来是算法题其实考的是工程实现”的题目。B卷的出题风格给我的感觉是不故意出偏题怪题但会在题目的边界条件和输入输出格式上做文章让你觉得“思路对却不一定写得对”。1.2 在线笔试的环境与时间压力在线笔试的体验和线下完全不一样。你面对的是一套网页版答题系统有的支持本地IDE调试有的只有网页代码框编译报错信息很有限。B卷从下发到交卷大概两小时题量大概在15道左右包含选择题、填空题、编程题、简答题。这个题量设置在时间上是偏紧的因为每道题都不是纯背概念的选择题里面也会穿插一些要算一算的复杂度题。我当时的策略是先把全卷扫一遍标记出看起来最耗时的编程题不急着做先花25分钟快速搞定选择和填空再集中精力写编程题最后留半小时给方案设计题。如果你一上来就死磕第一道编程题很可能后面时间不够。一个比较实用的建议是在线笔试系统里选择题做完基本不需要回头检查因为考察点非常直接你纠结太久往往是把简单问题想复杂了。真正的失分大头是编程题里的边界条件和输入处理这个在后面部分我会详细说。题型题量估算分值权重建议用时选择题/填空题10题左右30%25分钟编程题2-3题40%50分钟简答/设计题2题左右30%30分钟快速预览与检查--15分钟2. 基础概念题考点拆解选择、填空与判断题2.1 机器学习核心概念偏差方差、正则化与模型评估这一块是选择题的主战场。B卷里的机器学习题不走偏门考的都是教科书级别的经典概念但会挖几个容易混淆的坑。第一个常见考点是偏差与方差的权衡。题目通常会给你一个模型的训练误差和验证误差让你判断是欠拟合还是过拟合以及应该怎么调整。比如训练误差很高、验证误差也高那是偏差问题该加模型复杂度训练误差极低、验证误差高那是方差问题该加正则化或者做交叉验证。这里有个容易踩坑的地方很多人一看到“过拟合”就条件反射说“加数据”但实际题目里可能根本提不到数据量正确答案可能是“降低模型复杂度”。第二个高概率考点是正则化。L1和L2的区别是必背题回答的时候不要只背“L1产生稀疏解、L2防止过拟合”最好能说出背后的原理L1的正则项在零点的导数不连续导致优化过程中很多权重被直接压到0L2是连续可导的权重收缩不会让权重变成严格的0。考试如果出成选择填空判断标准一般是“你觉得哪个能用于特征选择”——那必然是L1。第三个考点是评估指标。精确率、召回率、F1、ROC曲线、AUC这几个概念要能说清楚。最容易出错的点是在正负样本极度不平衡的场景下应该优先看哪个指标。如果你用准确率去评估一个99%都是负样本的分类器那永远是“看起来很高”但毫无意义。这时候用AUC或者F1更合适题目通常会给你一个混淆矩阵让你现场算精确率和召回率。还有一个容易被忽略的是K折交叉验证。题目会问你“K折交叉验证中训练集和验证集是怎么划分的”很多人答错了是因为忘了“每一折的训练数据都包含其余K-1折”而不是“随机抽一折当验证数据”。这类题考察的不是你背没背过定义而是有没有真的在训练里用过交叉验证。2.2 深度学习基础反向传播、激活函数与CNN/RNN的常用考点深度学习题在2018年的AI笔试里已经成为标配但不会考复杂的手推公式更多是考察你知不知道哪些组件解决什么问题以及它们之间的配合关系。激活函数是高频考点。sigmoid、tanh、ReLU、Leaky ReLU这四兄弟的区别要能脱口而出。特别是ReLU为什么在深层网络里比sigmoid好用核心原因是sigmoid在两端饱和区梯度接近0反向传播时多层相乘很容易造成梯度消失而ReLU在正区间梯度恒为1能有效缓解这个问题。同时ReLU也有自己的问题——负数部分直接截断可能导致神经元“死亡”所以Leaky ReLU给负数部分一个小的斜率来缓解。第二个高频考点是LSTM。题目可能会问LSTM的三个门分别是什么以及它们各自的作用。回答要精确遗忘门决定上一时刻的细胞状态保留多少输入门决定当前候选状态写入多少输出门决定当前隐藏状态输出多少。这些名字不要背混一道选择题的四个选项就是把门的作用互相调换。CNN部分大概率会考感受野计算。如果你不常用CNN这道题可能有点懵。感受野的计算公式并不复杂RF_{l} RF_{l-1} (kernel_size - 1) \* stride\_accum其中stride_accum是之前所有层stride的乘积。我遇到过一道题给了一个三层卷积每层kernel_size都是3stride分别为1、2、1问最后一层某个神经元的感受野大小。有人直接按“每层加2”去算错就错在忽略了中间那层stride为2导致的扩展。RNN的梯度问题也值得一提。很多人在准备时只看CNN而忽略了RNN在时间维度上的梯度消失。LSTM为什么能缓解长时间依赖问题关键就在于细胞状态这条“传送带”信息可以以接近1的系数传递不容易衰减。简答题如果让你“简述LSTM如何解决梯度消失”不要只答“它有门控制”要进一步说明细胞状态这条路径的重要性。2.3 数据结构、语言基础与系统知识说实话AI工程师笔试里的数据结构题难度并不比普通后端开发岗位低太多因为算法能力是衡量工程师水平最统一的标准。这一部分可能以选择题出现也可能直接变成编程题。时间复杂度比较是必考。O(1)、O(log n)、O(n)、O(n log n)、O(n^2)之间怎么排序常见算法各自是什么复杂度要能一眼看出来。哈希表的平均查找是O(1)最坏是O(n)如果题目问“哈希冲突严重时退化为什么”答案是O(n)而不是O(1)。这个细节很多人栽过。数据结构的底层实现也是选择题常客。比如vector的动态扩容、链表的插入删除复杂度、栈和队列的典型应用场景。AI工程师虽然日常写Python多但笔试里的C题目还是会要求你理解这些底层结构。如果题目是Python方向那大概率会考列表和元组的区别、字典的底层哈希表结构、以及list.sort()和sorted()的细微区别。系统知识方面线程与进程的区别是万金油考点。AI工程师岗位不一定每天都写多线程但凡是和数据处理、模型训练沾边的工作都绕不开并行和异步的概念。笔试题目经常给一个场景问你“多线程读共享变量会出现什么问题”本质上是考竞态条件和加锁的必要性。这些题不会特别深但如果你完全没准备可能会在几个基础选项之间犹豫。3. 编程题算法与工程实现能力3.1 典型题目类型与解题思路编程题是整张卷子的重头戏。B卷的编程题给我最大的感受是——题目描述很简短没有冗长的背景故事但输入输出格式有点“小陷阱”如果你平时没有注意边界条件习惯很容易在这里丢分。常见的出题类型大概有这几种字符串处理、动态规划、图遍历和排序查找变形。字符串处理题往往不是让你调Python的split就能完事的而是需要手写一个KMP或者双指针遍历考察的是处理边界情况的能力。举个例子给你一个字符串找出最长无重复字符子串的长度这类题思路不复杂用哈希表维护窗口即可但别人丢分的地方在于没有考虑空字符串输入以及字符串长度为1的情况。动态规划题是编程题里的分水岭。最常见的考法是“最长公共子序列”“0-1背包”“最长上升子序列”这三件套。以最长公共子序列为例核心思路是这样的def lcs(s1, s2): m, n len(s1), len(s2) dp [[0] * (n 1) for _ in range(m 1)] for i in range(1, m 1): for j in range(1, n 1): if s1[i - 1] s2[j - 1]: dp[i][j] dp[i - 1][j - 1] 1 else: dp[i][j] max(dp[i - 1][j], dp[i][j - 1]) return dp[m][n]这道题如果你思维快可以在两分钟内写完。但有一个细节容易被忽略状态转移方程里下标是i-1和j-1因为dp数组多开了一行一列用来表示空串的情况。如果直接把字符串下标套进去很容易在边界上报错而且这类报错在本地IDE里能发现在在线笔试的网页代码框里就变得特别麻烦。图遍历题倾向于考察拓扑排序和最短路径。拓扑排序的代码量不大但要注意“图中是否存在环”的判断最短路径则大概率考Dijkstra而不太会考Floyd毕竟在线笔试还要考虑时间效率。如果题目是“求单源最短路径”直接用Dijkstra堆优化版本复杂度O((VE)logV)是稳妥的选择。3.2 手写代码的工程细节编程题不只考算法思路还考代码的完整性和规范性。我发现相当多的人在思路完全正确的情况下因为几个低级问题丢分第一输入输出处理。在线笔试通常要求你按行读入有的题目一行有多个整数有的字符串包含空格。很多人直接用input().split()没有考虑逗号分隔或者换行符干扰。我建议在正式写算法逻辑之前先单独写一段代码验证输入解析是否正确。第二边界条件。数组为空、n等于1、目标值在两端这些都是高频翻车点。我自己的习惯是主循环之前先把边界条件写成if语句哪怕有些是冗余的也能在笔试环境下快速排出低级错误。第三不要用递归写深度不确定的遍历。在线笔试的编译环境经常没有设置很高的递归栈上限深层次的DFS递归很容易造成栈溢出。能用迭代加显式栈解决的问题就不要贪图递归写法简洁。# 举例二叉树前序遍历用显式栈而不是递归 def preorder(root): if not root: return [] result [] stack [root] while stack: node stack.pop() result.append(node.val) if node.right: stack.append(node.right) if node.left: stack.append(node.left) return result第四复杂度分析一定要写在注释里。在线笔试的简答题旁边往往有个“你的思路”输入框哪怕题目没有明确要求我也会把时间复杂度和空间复杂度写上去让阅卷的人知道你对自己的解法有清醒的认识。这一步在分值上不一定直接给分但会给后续面试环节留下好印象。4. 简答题与应用场景设计题4.1 从“下载”场景出发的算法设计题简答题往往是整张卷子里最让考生头疼的部分因为很多人习惯了刷算法题却很少练习“从零设计一个算法方案”。B卷的简答题明显是结合迅雷业务场景出的考察的是你能不能把机器学习的思路用在一个具体的产品问题上。我给这类题总结为“下载场景三件套”用户行为预测、资源调度优化、数据推荐。用户行为预测的场景可能是“预测用户在未来7天内是否还会活跃”资源调度优化的场景可能是“如何为CDN节点分配缓存内容以提升命中率”数据推荐的场景则是“如何给下载用户推荐相关资源”。这三类场景的共同点是业务目标非常明确数据来源多样但题目给出的信息往往很少需要通过合理假设来补全方案。答题逻辑很重要。不要一上来就抛模型名字要先把问题定义清楚。比如“预测用户流失”这个题目第一步要定义什么是“流失”是7天未活跃还是30天未下载这是业务指标问题决定后面所有特征和标签的构造方式。第二步是明确评估指标因为流失预测天然是样本不均衡问题用准确率不合适AUC或者召回率可能更合理。第三步再谈特征和模型。4.2 设计方案题的答题框架我总结了一个四段式答题结构应付这类简答题基本够用问题定义与指标选择用一句话说清楚要解决什么问题用什么指标衡量好坏数据与特征列出可能用到的数据源说明特征怎么构造如何划分训练集和验证集模型选择与训练给出模型候选集合说明为什么选它以及训练时需要注意什么评估与上线说明如何验证效果上线后如何监控如果模型效果不好怎么迭代。举个例子如果题目是“设计一个CDN缓存命中率优化方案”我的回答框架是这样的问题定义目标是让用户请求尽量命中缓存而不是回源核心指标是缓存命中率同时要控制缓存空间占用不至于过高。数据方面需要用户的请求日志、节点缓存状态、视频/文件的热度分布、地域和时段特征。特征工程可以从内容热度、最近访问频次、不同节点的资源分布、用户地理位置几个维度来构造。模型选择上如果只是做内容热度预测可以用GBDT这类树模型如果要在大规模节点上做实时调度可能需要考虑规则加模型混合策略。离线评估用缓存命中率的提升幅度上线阶段先小流量实验对比不同策略对命中率和回源带宽的影响。这种答题方式不会让每个细节都完美但会让阅卷者觉得你有完整的项目思维。简答题还有一个常被忽略的点字数和排版。在线笔试的简答题如果只有两三行字显得态度有问题如果写成满屏长文没有分段又很难快速找到重点。我一般控制在300到500字之间分三到四段关键结论放每段第一句。5. 复盘经验与避坑指南5.1 我在实际笔试中踩过的坑考完这场笔试后我复盘了一些本来可以避免的失分点挑最典型的几个告诉你。第一个坑是“在选择题里钻牛角尖”。当时有一道关于LSTM门作用的题我明明会但因为过于纠结“输入门和候选记忆”的具体叫法来回改了两次答案最后反而把对的改错了。现在回头看选择题的核心是考察你知不知道概念的大方向不会故意考那些教科书上都模糊的细节。拿不准的时候第一反应往往是对的。第二个坑是“编程题本地通过、提交失败”。我一开始遇到这类情况总以为是自己算法写错了后来发现多数时候是输入解析的问题。在线笔试的判题系统给的数据和本地测试数据不一样可能包含读入空行、多余空格、换行符等情况。如果你在本地测试时只测了常规输入没有测“句子首尾带空格”“空字符串”“单个字符”这类边界样例那提交失败的概率会高很多。第三个坑是“简答题没有时间写”。这个坑最冤枉。前面的编程题占据的时间比我预期多导致最后简答题草草写了两行。策略性失误是没提前规划好时间。我后来养成了习惯拿到试卷先看一眼简答题如果发现自己会做那就优先把框架写进答题框再回头去写编程题。第四个坑跟工具使用有关。在线笔试系统一般支持在本地IDE调试但考完才发现很多人压根没利用这个功能。我习惯先把代码在本地写好用几组边界数据跑过再粘贴到网页代码框。但要注意如果题目明确要求“从标准输入读取”那在本地调试时也要保持相同的输入格式不要用自定义函数测试完就闭眼粘贴容易漏掉main函数入口。5.2 给备战AI岗笔试的实用建议备战这类笔试我建议不要一上来就刷“三天速成题库”而是按能力项来准备因为能力项是通的题库是背不完的。基础算法部分把常考的十几种题型过一遍数组双指针、滑动窗口、哈希表、链表操作、栈与队列、二叉树遍历、堆、回溯、贪心、动态规划、图遍历、拓扑排序、并查集。不是每道题都刷但要保证看到题目能快速判断题型和解法方向。机器学习深度学习部分能够独立推导并解释这几个核心话题线性回归和逻辑回归的损失函数、梯度下降更新公式、L1/L2正则化、偏差方差权衡、交叉验证、常见评估指标、CNN卷积核尺寸与感受野计算、RNN梯度问题与LSTM的解决思路。这些话题在笔试中出现频率极高也是面试环节的常见追问点。如果你有一到两周的时间我的建议配比是五分之二时间放在编程题上五分之二放在机器学习基础上剩下五分之一用来准备简答题框架。按照每天三到四个小时的投入这个节奏是比较从容的。还有一个容易被忽视的点模拟笔试。直接找一套别人整理好的在线笔试题严格按两小时做完中途不查资料。这个过程训练的不是知识而是时间感和心理状态。我第一次模拟时发现编程题写到一半会不由自主去翻IDE的代码补全提示这在真实笔试环境里可能没有状态一紧张就容易崩。多模拟几次让身体适应这种节奏效果会很明显。最后分享一个小技巧笔试结束前十分钟如果还有时间别急着交卷。我会做一件看起来有点笨的事把每道编程题的时间复杂度写进答案区并在注释里标注可能存在的边界情况。在线笔试的自动阅卷通常只看测试用例通过率但如果是人工复查简历资料这些细节会成为你给面试官印象分的一部分。我个人从不主张靠“押题”来准备这类考试因为每年的题目都在变但能力模型非常稳定。你只要把“算法编码、机器学习和深度学习基础、业务场景设计”这三条主线练扎实不管遇到的是迅雷的B卷还是别家公司的AI岗笔试都会有足够的底气去应对。 迅雷AI工程师笔试B卷复盘：算法、机器学习与业务场景设计要点
2018年秋招那会儿AI岗位在笔试环节已经是兵家必争之地。我印象里比较有代表性的一场就是迅雷校招AI工程师的在线笔试B卷。当时AI相关的岗位还带着明显的“工程落地”印记不是今天这种人人拿着大模型API做应用的时代。更准确地说迅雷这家公司的业务——下载、共享计算、CDN、边缘节点调度——决定了它的AI工程师笔试不会只考手推SVM而是更看重候选人能不能把算法问题翻译成工程代码、能不能理解业务场景里的数据链路。这篇东西不是给你背原题答案用的而是把B卷背后对应的一套能力模型拆开讲清楚为什么这么出题、每类题型到底在考察什么以及你准备这类笔试时最容易踩的坑。1. 试卷整体定位迅雷要的“AI工程师”究竟考察什么能力1.1 从业务背景推导命题逻辑2018年这个时间节点很特殊。深度学习的工具链正在快速成型但远没有今天这么“傻瓜化”。PyTorch虽然越来越多人用但很多公司线上还是TensorFlow的天下模型部署、特征上线、分布式训练这些环节都离不了扎实的工程能力。同时迅雷的核心业务是下载工具、CDN传输、共享计算以及围绕这些场景的用户增长和内容运营。做AI工程师不是发论文也不是纯调包而是要面对真实业务中的问题比如怎么预测CDN节点缓存命中率、怎么优化P2P网络里的资源调度、怎么做用户流失预警。从笔试B卷的考核结构反推它重点考察三块能力第一是编码基本功和算法数据结构第二是机器学习和深度学习的基础概念是否扎实第三是把算法问题放到具体业务场景里去设计方案的产品感。这三块的比例大概就是4:3:3的样子。这和当时很多互联网公司的AI岗笔试风格是一致的。算法研究员和AI工程师的区别在于工程师岗位更看重你能不能把模型跑通于是在线笔试里的编程题权重很高而且往往是那种“看起来是算法题其实考的是工程实现”的题目。B卷的出题风格给我的感觉是不故意出偏题怪题但会在题目的边界条件和输入输出格式上做文章让你觉得“思路对却不一定写得对”。1.2 在线笔试的环境与时间压力在线笔试的体验和线下完全不一样。你面对的是一套网页版答题系统有的支持本地IDE调试有的只有网页代码框编译报错信息很有限。B卷从下发到交卷大概两小时题量大概在15道左右包含选择题、填空题、编程题、简答题。这个题量设置在时间上是偏紧的因为每道题都不是纯背概念的选择题里面也会穿插一些要算一算的复杂度题。我当时的策略是先把全卷扫一遍标记出看起来最耗时的编程题不急着做先花25分钟快速搞定选择和填空再集中精力写编程题最后留半小时给方案设计题。如果你一上来就死磕第一道编程题很可能后面时间不够。一个比较实用的建议是在线笔试系统里选择题做完基本不需要回头检查因为考察点非常直接你纠结太久往往是把简单问题想复杂了。真正的失分大头是编程题里的边界条件和输入处理这个在后面部分我会详细说。题型题量估算分值权重建议用时选择题/填空题10题左右30%25分钟编程题2-3题40%50分钟简答/设计题2题左右30%30分钟快速预览与检查--15分钟2. 基础概念题考点拆解选择、填空与判断题2.1 机器学习核心概念偏差方差、正则化与模型评估这一块是选择题的主战场。B卷里的机器学习题不走偏门考的都是教科书级别的经典概念但会挖几个容易混淆的坑。第一个常见考点是偏差与方差的权衡。题目通常会给你一个模型的训练误差和验证误差让你判断是欠拟合还是过拟合以及应该怎么调整。比如训练误差很高、验证误差也高那是偏差问题该加模型复杂度训练误差极低、验证误差高那是方差问题该加正则化或者做交叉验证。这里有个容易踩坑的地方很多人一看到“过拟合”就条件反射说“加数据”但实际题目里可能根本提不到数据量正确答案可能是“降低模型复杂度”。第二个高概率考点是正则化。L1和L2的区别是必背题回答的时候不要只背“L1产生稀疏解、L2防止过拟合”最好能说出背后的原理L1的正则项在零点的导数不连续导致优化过程中很多权重被直接压到0L2是连续可导的权重收缩不会让权重变成严格的0。考试如果出成选择填空判断标准一般是“你觉得哪个能用于特征选择”——那必然是L1。第三个考点是评估指标。精确率、召回率、F1、ROC曲线、AUC这几个概念要能说清楚。最容易出错的点是在正负样本极度不平衡的场景下应该优先看哪个指标。如果你用准确率去评估一个99%都是负样本的分类器那永远是“看起来很高”但毫无意义。这时候用AUC或者F1更合适题目通常会给你一个混淆矩阵让你现场算精确率和召回率。还有一个容易被忽略的是K折交叉验证。题目会问你“K折交叉验证中训练集和验证集是怎么划分的”很多人答错了是因为忘了“每一折的训练数据都包含其余K-1折”而不是“随机抽一折当验证数据”。这类题考察的不是你背没背过定义而是有没有真的在训练里用过交叉验证。2.2 深度学习基础反向传播、激活函数与CNN/RNN的常用考点深度学习题在2018年的AI笔试里已经成为标配但不会考复杂的手推公式更多是考察你知不知道哪些组件解决什么问题以及它们之间的配合关系。激活函数是高频考点。sigmoid、tanh、ReLU、Leaky ReLU这四兄弟的区别要能脱口而出。特别是ReLU为什么在深层网络里比sigmoid好用核心原因是sigmoid在两端饱和区梯度接近0反向传播时多层相乘很容易造成梯度消失而ReLU在正区间梯度恒为1能有效缓解这个问题。同时ReLU也有自己的问题——负数部分直接截断可能导致神经元“死亡”所以Leaky ReLU给负数部分一个小的斜率来缓解。第二个高频考点是LSTM。题目可能会问LSTM的三个门分别是什么以及它们各自的作用。回答要精确遗忘门决定上一时刻的细胞状态保留多少输入门决定当前候选状态写入多少输出门决定当前隐藏状态输出多少。这些名字不要背混一道选择题的四个选项就是把门的作用互相调换。CNN部分大概率会考感受野计算。如果你不常用CNN这道题可能有点懵。感受野的计算公式并不复杂RF_{l} RF_{l-1} (kernel_size - 1) \* stride\_accum其中stride_accum是之前所有层stride的乘积。我遇到过一道题给了一个三层卷积每层kernel_size都是3stride分别为1、2、1问最后一层某个神经元的感受野大小。有人直接按“每层加2”去算错就错在忽略了中间那层stride为2导致的扩展。RNN的梯度问题也值得一提。很多人在准备时只看CNN而忽略了RNN在时间维度上的梯度消失。LSTM为什么能缓解长时间依赖问题关键就在于细胞状态这条“传送带”信息可以以接近1的系数传递不容易衰减。简答题如果让你“简述LSTM如何解决梯度消失”不要只答“它有门控制”要进一步说明细胞状态这条路径的重要性。2.3 数据结构、语言基础与系统知识说实话AI工程师笔试里的数据结构题难度并不比普通后端开发岗位低太多因为算法能力是衡量工程师水平最统一的标准。这一部分可能以选择题出现也可能直接变成编程题。时间复杂度比较是必考。O(1)、O(log n)、O(n)、O(n log n)、O(n^2)之间怎么排序常见算法各自是什么复杂度要能一眼看出来。哈希表的平均查找是O(1)最坏是O(n)如果题目问“哈希冲突严重时退化为什么”答案是O(n)而不是O(1)。这个细节很多人栽过。数据结构的底层实现也是选择题常客。比如vector的动态扩容、链表的插入删除复杂度、栈和队列的典型应用场景。AI工程师虽然日常写Python多但笔试里的C题目还是会要求你理解这些底层结构。如果题目是Python方向那大概率会考列表和元组的区别、字典的底层哈希表结构、以及list.sort()和sorted()的细微区别。系统知识方面线程与进程的区别是万金油考点。AI工程师岗位不一定每天都写多线程但凡是和数据处理、模型训练沾边的工作都绕不开并行和异步的概念。笔试题目经常给一个场景问你“多线程读共享变量会出现什么问题”本质上是考竞态条件和加锁的必要性。这些题不会特别深但如果你完全没准备可能会在几个基础选项之间犹豫。3. 编程题算法与工程实现能力3.1 典型题目类型与解题思路编程题是整张卷子的重头戏。B卷的编程题给我最大的感受是——题目描述很简短没有冗长的背景故事但输入输出格式有点“小陷阱”如果你平时没有注意边界条件习惯很容易在这里丢分。常见的出题类型大概有这几种字符串处理、动态规划、图遍历和排序查找变形。字符串处理题往往不是让你调Python的split就能完事的而是需要手写一个KMP或者双指针遍历考察的是处理边界情况的能力。举个例子给你一个字符串找出最长无重复字符子串的长度这类题思路不复杂用哈希表维护窗口即可但别人丢分的地方在于没有考虑空字符串输入以及字符串长度为1的情况。动态规划题是编程题里的分水岭。最常见的考法是“最长公共子序列”“0-1背包”“最长上升子序列”这三件套。以最长公共子序列为例核心思路是这样的def lcs(s1, s2): m, n len(s1), len(s2) dp [[0] * (n 1) for _ in range(m 1)] for i in range(1, m 1): for j in range(1, n 1): if s1[i - 1] s2[j - 1]: dp[i][j] dp[i - 1][j - 1] 1 else: dp[i][j] max(dp[i - 1][j], dp[i][j - 1]) return dp[m][n]这道题如果你思维快可以在两分钟内写完。但有一个细节容易被忽略状态转移方程里下标是i-1和j-1因为dp数组多开了一行一列用来表示空串的情况。如果直接把字符串下标套进去很容易在边界上报错而且这类报错在本地IDE里能发现在在线笔试的网页代码框里就变得特别麻烦。图遍历题倾向于考察拓扑排序和最短路径。拓扑排序的代码量不大但要注意“图中是否存在环”的判断最短路径则大概率考Dijkstra而不太会考Floyd毕竟在线笔试还要考虑时间效率。如果题目是“求单源最短路径”直接用Dijkstra堆优化版本复杂度O((VE)logV)是稳妥的选择。3.2 手写代码的工程细节编程题不只考算法思路还考代码的完整性和规范性。我发现相当多的人在思路完全正确的情况下因为几个低级问题丢分第一输入输出处理。在线笔试通常要求你按行读入有的题目一行有多个整数有的字符串包含空格。很多人直接用input().split()没有考虑逗号分隔或者换行符干扰。我建议在正式写算法逻辑之前先单独写一段代码验证输入解析是否正确。第二边界条件。数组为空、n等于1、目标值在两端这些都是高频翻车点。我自己的习惯是主循环之前先把边界条件写成if语句哪怕有些是冗余的也能在笔试环境下快速排出低级错误。第三不要用递归写深度不确定的遍历。在线笔试的编译环境经常没有设置很高的递归栈上限深层次的DFS递归很容易造成栈溢出。能用迭代加显式栈解决的问题就不要贪图递归写法简洁。# 举例二叉树前序遍历用显式栈而不是递归 def preorder(root): if not root: return [] result [] stack [root] while stack: node stack.pop() result.append(node.val) if node.right: stack.append(node.right) if node.left: stack.append(node.left) return result第四复杂度分析一定要写在注释里。在线笔试的简答题旁边往往有个“你的思路”输入框哪怕题目没有明确要求我也会把时间复杂度和空间复杂度写上去让阅卷的人知道你对自己的解法有清醒的认识。这一步在分值上不一定直接给分但会给后续面试环节留下好印象。4. 简答题与应用场景设计题4.1 从“下载”场景出发的算法设计题简答题往往是整张卷子里最让考生头疼的部分因为很多人习惯了刷算法题却很少练习“从零设计一个算法方案”。B卷的简答题明显是结合迅雷业务场景出的考察的是你能不能把机器学习的思路用在一个具体的产品问题上。我给这类题总结为“下载场景三件套”用户行为预测、资源调度优化、数据推荐。用户行为预测的场景可能是“预测用户在未来7天内是否还会活跃”资源调度优化的场景可能是“如何为CDN节点分配缓存内容以提升命中率”数据推荐的场景则是“如何给下载用户推荐相关资源”。这三类场景的共同点是业务目标非常明确数据来源多样但题目给出的信息往往很少需要通过合理假设来补全方案。答题逻辑很重要。不要一上来就抛模型名字要先把问题定义清楚。比如“预测用户流失”这个题目第一步要定义什么是“流失”是7天未活跃还是30天未下载这是业务指标问题决定后面所有特征和标签的构造方式。第二步是明确评估指标因为流失预测天然是样本不均衡问题用准确率不合适AUC或者召回率可能更合理。第三步再谈特征和模型。4.2 设计方案题的答题框架我总结了一个四段式答题结构应付这类简答题基本够用问题定义与指标选择用一句话说清楚要解决什么问题用什么指标衡量好坏数据与特征列出可能用到的数据源说明特征怎么构造如何划分训练集和验证集模型选择与训练给出模型候选集合说明为什么选它以及训练时需要注意什么评估与上线说明如何验证效果上线后如何监控如果模型效果不好怎么迭代。举个例子如果题目是“设计一个CDN缓存命中率优化方案”我的回答框架是这样的问题定义目标是让用户请求尽量命中缓存而不是回源核心指标是缓存命中率同时要控制缓存空间占用不至于过高。数据方面需要用户的请求日志、节点缓存状态、视频/文件的热度分布、地域和时段特征。特征工程可以从内容热度、最近访问频次、不同节点的资源分布、用户地理位置几个维度来构造。模型选择上如果只是做内容热度预测可以用GBDT这类树模型如果要在大规模节点上做实时调度可能需要考虑规则加模型混合策略。离线评估用缓存命中率的提升幅度上线阶段先小流量实验对比不同策略对命中率和回源带宽的影响。这种答题方式不会让每个细节都完美但会让阅卷者觉得你有完整的项目思维。简答题还有一个常被忽略的点字数和排版。在线笔试的简答题如果只有两三行字显得态度有问题如果写成满屏长文没有分段又很难快速找到重点。我一般控制在300到500字之间分三到四段关键结论放每段第一句。5. 复盘经验与避坑指南5.1 我在实际笔试中踩过的坑考完这场笔试后我复盘了一些本来可以避免的失分点挑最典型的几个告诉你。第一个坑是“在选择题里钻牛角尖”。当时有一道关于LSTM门作用的题我明明会但因为过于纠结“输入门和候选记忆”的具体叫法来回改了两次答案最后反而把对的改错了。现在回头看选择题的核心是考察你知不知道概念的大方向不会故意考那些教科书上都模糊的细节。拿不准的时候第一反应往往是对的。第二个坑是“编程题本地通过、提交失败”。我一开始遇到这类情况总以为是自己算法写错了后来发现多数时候是输入解析的问题。在线笔试的判题系统给的数据和本地测试数据不一样可能包含读入空行、多余空格、换行符等情况。如果你在本地测试时只测了常规输入没有测“句子首尾带空格”“空字符串”“单个字符”这类边界样例那提交失败的概率会高很多。第三个坑是“简答题没有时间写”。这个坑最冤枉。前面的编程题占据的时间比我预期多导致最后简答题草草写了两行。策略性失误是没提前规划好时间。我后来养成了习惯拿到试卷先看一眼简答题如果发现自己会做那就优先把框架写进答题框再回头去写编程题。第四个坑跟工具使用有关。在线笔试系统一般支持在本地IDE调试但考完才发现很多人压根没利用这个功能。我习惯先把代码在本地写好用几组边界数据跑过再粘贴到网页代码框。但要注意如果题目明确要求“从标准输入读取”那在本地调试时也要保持相同的输入格式不要用自定义函数测试完就闭眼粘贴容易漏掉main函数入口。5.2 给备战AI岗笔试的实用建议备战这类笔试我建议不要一上来就刷“三天速成题库”而是按能力项来准备因为能力项是通的题库是背不完的。基础算法部分把常考的十几种题型过一遍数组双指针、滑动窗口、哈希表、链表操作、栈与队列、二叉树遍历、堆、回溯、贪心、动态规划、图遍历、拓扑排序、并查集。不是每道题都刷但要保证看到题目能快速判断题型和解法方向。机器学习深度学习部分能够独立推导并解释这几个核心话题线性回归和逻辑回归的损失函数、梯度下降更新公式、L1/L2正则化、偏差方差权衡、交叉验证、常见评估指标、CNN卷积核尺寸与感受野计算、RNN梯度问题与LSTM的解决思路。这些话题在笔试中出现频率极高也是面试环节的常见追问点。如果你有一到两周的时间我的建议配比是五分之二时间放在编程题上五分之二放在机器学习基础上剩下五分之一用来准备简答题框架。按照每天三到四个小时的投入这个节奏是比较从容的。还有一个容易被忽视的点模拟笔试。直接找一套别人整理好的在线笔试题严格按两小时做完中途不查资料。这个过程训练的不是知识而是时间感和心理状态。我第一次模拟时发现编程题写到一半会不由自主去翻IDE的代码补全提示这在真实笔试环境里可能没有状态一紧张就容易崩。多模拟几次让身体适应这种节奏效果会很明显。最后分享一个小技巧笔试结束前十分钟如果还有时间别急着交卷。我会做一件看起来有点笨的事把每道编程题的时间复杂度写进答案区并在注释里标注可能存在的边界情况。在线笔试的自动阅卷通常只看测试用例通过率但如果是人工复查简历资料这些细节会成为你给面试官印象分的一部分。我个人从不主张靠“押题”来准备这类考试因为每年的题目都在变但能力模型非常稳定。你只要把“算法编码、机器学习和深度学习基础、业务场景设计”这三条主线练扎实不管遇到的是迅雷的B卷还是别家公司的AI岗笔试都会有足够的底气去应对。