算一算时间2025年这波华为AI算法岗的面试旺季已经来了。我前前后后把光产品线、终端、云BU几个部门的AI算法岗流程都跑了一遍也帮几个走OD通道的朋友复盘过机考真题整体感受是华为AI算法岗的面试风格极其务实不跟你玩虚的机考考coding手撕考coding八股问得细项目挖得深最后主管面还跟你聊工程落地和价值观匹配。这篇就把我复盘下来的高频面试题和解题思路一次性倒出来覆盖机考、手撕代码、机器学习与深度学习八股、项目深挖和场景设计题最后再加一份OD岗的专属建议准备冲华为AI算法岗的朋友可以直接照着查漏补缺。先说一个结论华为面试官真的不看你刷了多少题他们更在意你是不是能把“为什么这么解、边界怎么处理、上线了会怎样”讲明白。所以这篇文章里我不会只列题目清单每道高频题都会给出答题要点、代码示例或者踩坑提醒你拿去就能用。1. 整体流程与考察逻辑1.1 从投递到Offer的完整流程华为AI算法岗的面试流程按校招和OD两条线走差异不小。先说校招主线一般节奏是机考、性格测评、技术一面、技术二面、主管面、HR面部分部门中间还会加一轮交叉面或者部长面。时间跨度看部门排期快的一周走完慢的两到三周也正常。机考是硬门槛过了才有资格进技术面。技术面一般两轮一轮偏coding和数据结构一轮偏项目和AI理论基础但实际上面试官不会分那么清经常是边问八股边让手撕代码。主管面反而聊得最“虚”不考具体算法考察你的业务理解、抗压能力、对华为文化的认同程度。HR面则集中在薪资预期、到岗时间、城市意向这些现实问题。OD线流程类似但多了一个资格面主要核实学历、工作经历和定级。这个流程本身藏着一个信号华为的筛选是层层淘汰制机考淘汰一大片技术面再淘汰一小片最后主管面还会刷掉一些“技术还行但感觉不对”的人。所以每个环节都不能懈怠不是过了机考就万事大吉。1.2 面试官到底在考察什么把华为AI算法岗的面试题摊开看其实考察的就三件事。第一是coding基本功。机考和手撕都考算法和数据结构不扎实的人第一轮就被筛掉。华为不比大厂喜欢出偏题怪题题目难度集中在easy到medium但非常看重边界处理、复杂度分析和代码规范。第二是理论深度。深度学习、机器学习的基础八股问得极其细致尤其是Transformer、BatchNorm、反向传播这些“基石型”知识面试官会一路追问到你答不上来为止。他们不是在刁难你而是在测试你的知识边界。第三是工程落地能力。华为AI算法岗不是纯研究岗算法最终要跑到昇腾、云端或者端侧设备上。所以面试官非常喜欢问“你的模型怎么部署的”“线上效果如何”“bad case怎么分析”这类问题简历上写得再漂亮的模型如果落不了地在他们眼里就是零。2. 笔试机考三道题定生死2.1 机考的题型分布与得分策略华为机考通常三道编程题总分400分。第一题分值100属于送分题考字符串处理、简单模拟、基本数学运算15分钟内要拿下。第二题分值150考双指针、哈希、DFS/BFS、贪心这类经典算法是拉开差距的关键。第三题分值150考动态规划、图论、复杂状态搜索往往是压轴题能全解的人不多。这里有个极其重要的策略按分值和时间分配精力而不是按题目顺序。我见过太多人死磕第三题结果第二题的送分点都没拿全。正确的打法是先把第一题完整AC然后第二题拿满或拿大部分用例分第三题做不出来就写暴力解能过多少测试用例算多少。华为机考按通过的测试用例比例给分不是非黑即白所以暴力解也有价值千万别留空。另外提醒一下华为机考环境是牛客网的在线编辑器不能使用本地IDE也没有断点调试。你要习惯没有自动补全、没有语法高亮的环境。平时练习就要在类似的编辑器里写用print输出中间变量来排查问题。输入读取也要注意机考题目经常给多行输入Python选手一定要熟练掌握sys.stdin.read()和input().split()的配合方式避免程序在输入解析上出bug。2.2 高频考点逐个拆解我把最近刷到的华为机考真题和各家面经里的高频题做了归类核心考点集中在以下六类。每类都给你一道典型题和参考解法。2.2.1 字符串与哈希这类题是机考第一题的最爱。比如“两数之和”“字母异位词分组”“最长回文子串的个数”等。两数之和这道题很多人刷过但华为的变体经常是“三数之和”“四数之和”或者改成“给定一个数组找出和为target的下标组合”。核心思路都一样用哈希表记录已经遍历过的值把时间复杂度从O(n²)降到O(n)。def two_sum(nums, target): seen {} for i, num in enumerate(nums): diff target - num if diff in seen: return [seen[diff], i] seen[num] i return []这里有个小坑题目要求返回下标还是返回值要看清。如果要求返回所有不重复的组合排序后双指针会更方便。2.2.2 双指针与滑动窗口第二题高频考点字符串和数组的很多问题都能用双指针解决。“无重复字符的最长子串”就是滑动窗口的经典题面试官也特别喜欢拿来考。解法思路是维护一个窗口右指针不断右移遇到重复字符时左指针跳到重复字符的下一个位置窗口大小就是当前不重复子串的长度。def length_of_longest_substring(s: str) - int: last_pos {} left 0 max_len 0 for right, ch in enumerate(s): if ch in last_pos and last_pos[ch] left: left last_pos[ch] 1 last_pos[ch] right max_len max(max_len, right - left 1) return max_len华为的滑动窗口题经常套业务场景比如“输入一段字符串找出包含所有指定字符的最短子串”其实就是最小覆盖子串思路类似只是要额外用一个计数器来判断窗口是否满足了条件。2.2.3 二叉树遍历与递归二叉树题目在机考和手撕里出现频率都很高层序遍历、最大深度、最近公共祖先、路径总和是出现最多的几道。层序遍历有一个固定模板用队列每一轮先记录当前队列的长度然后只弹出这么多节点这样就能按层处理。from collections import deque def level_order(root): if not root: return [] res [] q deque([root]) while q: level_size len(q) level [] for _ in range(level_size): node q.popleft() level.append(node.val) if node.left: q.append(node.left) if node.right: q.append(node.right) res.append(level) return res所有树的递归题脑子里要有“每层递归返回什么、终止条件是什么、要不要携带全局状态”这三个问题的答案。很多人在树的DFS上翻车并不是不会写而是递归函数参数设计得乱七八糟。2.2.4 动态规划机考第三题的最爱。爬楼梯、最长上升子序列、编辑距离、背包问题是出现频率最高的四类。华为的DP题包装感很强比如“机器人走网格”“股票买卖”这类经典题改个壳就上。刷题时不要只背状态转移方程要理解“状态定义”和“遍历顺序”这两个核心。以最长上升子序列为例基础版本O(n²)能过定义dp[i]表示以第i个元素结尾的最长上升子序列长度每个位置向前找所有比它小的元素状态转移为dp[i] max(dp[j] 1)。如果n很大就要上贪心加二分维护一个tails数组用bisect_left找到替换位置。面试官很爱追问“有没有更优解法”所以这两种解法最好都掌握。import bisect def length_of_lis(nums): tails [] for x in nums: pos bisect.bisect_left(tails, x) if pos len(tails): tails.append(x) else: tails[pos] x return len(tails)2.2.5 图与搜索DFS/BFS在图论题里是绝对主力岛屿数量、课程表、腐烂的橘子都是高频题。岛屿数量是经典中的经典做法就是遍历网格遇到陆地就计数并把整块陆地淹没掉。def num_islands(grid): if not grid: return 0 rows, cols len(grid), len(grid[0]) count 0 def dfs(r, c): if r 0 or r rows or c 0 or c cols or grid[r][c] 0: return grid[r][c] 0 dfs(r 1, c) dfs(r - 1, c) dfs(r, c 1) dfs(r, c - 1) for r in range(rows): for c in range(cols): if grid[r][c] 1: count 1 dfs(r, c) return count注意这类题递归深度可能很大某些语言下有可能栈溢出。Python里可以用显式栈加visited集合来代替递归或者用BFS。机考时如果遇到大数据量优先考虑BFS。2.2.6 排序与Top K排序是基本功但机考不会让你白板写快排而是让你解决“找第K大元素”“最小的K个数”这类问题。堆排序和快速选择是标准解法。快速选择的思路是借助快排的partition一次partition之后判断pivot的位置和k的关系只递归一边期望时间复杂度O(n)。import random def find_kth_largest(nums, k): def partition(left, right): pivot_idx random.randint(left, right) nums[pivot_idx], nums[right] nums[right], nums[pivot_idx] pivot nums[right] i left for j in range(left, right): if nums[j] pivot: nums[i], nums[j] nums[j], nums[i] i 1 nums[i], nums[right] nums[right], nums[i] return i left, right 0, len(nums) - 1 target k - 1 while True: pos partition(left, right) if pos target: return nums[pos] elif pos target: left pos 1 else: right pos - 12.3 机考提分技巧机考刷题我踩过的坑不少挑几个最值得说的。首先是读题问题。华为机考题目描述通常很长还会穿插业务背景比如“某网络设备上报日志”“用户请求分配资源”之类。一定要先提取输入输出的真实格式再动手不要被业务故事带偏。第二是边界条件第一题和第三题很多差评案例都是栽在数组越界、空数组、单元素数组、负数这些边界上。写完代码后先拿题目的例子测再自己想几个极端用例测。第三是复杂度意识第三题如果写了一个O(n²)的暴力方法心里要有数至少把自己能想到的优化方向写在注释里阅卷官看得见。提示机考评分是按通过测试用例的比例给分的就算不能AC也一定要把暴力解法写上去。很多OD候选人都靠“半AC”涉险过关空题才是真正没救。3. 手撕代码现场写码的实战考验3.1 面试官为什么一定要你手撕技术面里几乎必有一道手撕代码难度和机考第二题相当但考察维度完全不一样。机考看的是结果手撕看的是过程。面试官会全程观察你拿到题先说什么、有没有确认输入输出、写代码时思路是否清晰、写完会不会主动测边界。很多人在机考里能AC手撕时却因为紧张或者沟通不畅被挂。AI算法岗的手撕题范围其实很固定出现频率最高的包括LRU缓存、反转链表、快排、合并K个有序链表、字符串转整数、实现sqrt、寻找两个有序数组的中位数、二叉树的层序遍历。这里面LRU缓存几乎属于必考题因为它能同时考察哈希表和双向链表的掌握程度还能延伸到内存淘汰策略这种工程场景。3.2 高频手撕题的参考实现3.2.1 LRU缓存LRU的精髓是“最近被使用过的数据保留最久没被使用的数据淘汰”。用双向链表维护使用顺序用哈希表实现O(1)查找。Python里可以直接用collections.OrderedDict但面试时建议自己实现双向链表更能展示功底。class DLinkedNode: def __init__(self, key0, value0): self.key key self.value value self.prev None self.next None class LRUCache: def __init__(self, capacity: int): self.capacity capacity self.cache {} self.head DLinkedNode() self.tail DLinkedNode() self.head.next self.tail self.tail.prev self.head def _remove(self, node): node.prev.next node.next node.next.prev node.prev def _add_to_head(self, node): node.prev self.head node.next self.head.next self.head.next.prev node self.head.next node def get(self, key: int) - int: if key not in self.cache: return -1 node self.cache[key] self._remove(node) self._add_to_head(node) return node.value def put(self, key: int, value: int) - None: if key in self.cache: node self.cache[key] node.value value self._remove(node) self._add_to_head(node) else: node DLinkedNode(key, value) self.cache[key] node self._add_to_head(node) if len(self.cache) self.capacity: removed self.tail.prev self._remove(removed) del self.cache[removed.key]3.2.2 反转链表这道题看着简单但很考验指针操作的熟练度。迭代写法用三个指针prev、cur、next不断翻转指向即可。def reverse_list(head): prev None cur head while cur: nxt cur.next cur.next prev prev cur cur nxt return prev写完一定要检查空链表、单节点链表、两个节点链表这三种情况是否都能正确处理。很多面试者的代码在大链表上没问题一测空链表就报错。3.2.3 手写快速排序快排考得非常多因为它能继续追问时间复杂度、最坏情况、稳定性。建议写“原地partition版”。def quick_sort(arr, left, right): if left right: return i, j left, right pivot arr[(left right) // 2] while i j: while arr[i] pivot: i 1 while arr[j] pivot: j - 1 if i j: arr[i], arr[j] arr[j], arr[i] i 1 j - 1 quick_sort(arr, left, j) quick_sort(arr, i, right)面试官如果追问“快排最坏情况是什么”你要能回答每次选到最大或最小元素做pivot时退化成O(n²)可以通过随机化pivot来规避。3.3 现场写代码的检查清单手撕环节我有几条血泪经验。第一拿到题先不要动手用一分钟和面试官确认输入输出、边界约束、是否允许用额外空间。这个动作本身就会加分。第二先讲思路再写码哪怕只用两三句话。面试官需要知道你在想什么写完再解释就晚了。第三写完不要直接说“完了”自己过一遍代码用测试用例跑一次主动指出哪里可能会出错。你可以这么说“这里如果输入是空数组循环不会执行直接返回默认值应该没问题。”第四复杂度分析要主动说不要等面试官问。注意手撕代码时别用OrderedDict就完事最好能把底层双向链表的原理讲清楚。华为面试官很爱问“如果这个LRU要支持并发怎么办”至少要能说要加锁或者用读写锁分离优化。4. AI算法八股机器学习与深度学习高频问题4.1 机器学习基础高频问题华为AI算法岗的八股覆盖面很广但重点很突出。我按出现频率整理了一份“必答清单”。过拟合和欠拟合是必问题。回答要分点过拟合的解决手段包括增加数据量、正则化、Dropout、早停、数据增强、降低模型复杂度欠拟合则要增加模型容量、减少正则化、特征工程更多有效信息。最好能结合自己的项目说一个实际案例。L1和L2正则化的区别是另一个高频题。L1会让部分参数变为0产生稀疏解因为它在零点不可导优化时更容易把参数压到零L2只会让参数趋近于0但不会等于0。面试官还会追问“为什么L1能产生稀疏解”这里可以用图来解释带约束的优化问题中L1的菱形约束和损失函数的等高线相交点更容易落在坐标轴上。偏差方差分解也要会讲。简单说偏差是模型预测值与真实值的差距方差是不同数据集上模型表现的波动。过拟合时方差大欠拟合时偏差大。模型复杂度从低到高偏差降低、方差升高存在一个最优平衡点。分类评估指标这块华为面试官喜欢结合场景问。比如“正样本极少准确率很高但召回率很低怎么办”。回答要点是准确率不适合样本不均衡场景应该看Precision、Recall、F1、AUC如果业务更关注漏报优先提高Recall可以通过调整分类阈值、换损失函数、重采样来实现。样本不均衡也是必问题从数据、损失函数、后处理三个层面回答数据层面有过采样SMOTE、欠采样、数据增强损失层面用Focal Loss或给少数类更高的权重后处理层面调整阈值。XGBoost与GBDT的区别这种“蛋糕题”几乎必问。回答要点包括XGBoost加了正则项控制复杂度使用二阶泰勒展开收敛更快支持列抽样可以处理缺失值内置交叉验证和早停。LightGBM的直方图算法和Leaf-wise生长策略也要会说这是和XGBoost的关键区别。4.2 深度学习高频必问题反向传播推导是硬骨头我建议至少能手推一个两层的全连接网络。理解的核心是链式法则损失对某一层参数的梯度等于损失对该层输出的梯度乘以该层输出对该层参数的梯度。面试官通常会从“写出sigmoid的导数”入手然后一路问到“为什么深层网络会梯度消失”。激活函数题几乎必考。sigmoid的问题在于饱和区梯度接近0容易梯度消失且输出不是零均值tanh解决了零均值问题但依然有饱和区ReLU解决了正区间梯度不消失的问题但会有Dead ReLU问题可以用Leaky ReLU或PReLU缓解。这里要提一句现在大模型里用的激活函数比如GELU、SwiGLU也要有所了解。BatchNorm是另一个高频题面试官会连环追问。原理是对一个batch内的特征进行标准化再通过可学习的缩放和平移参数恢复表达能力。论文给出的动机是缓解内部协变量偏移但目前更主流的解释是它让损失曲面更平滑从而加速收敛。一个非常关键的细节是训练时用batch内的均值和方差推理时用滑动平均统计的全局均值和方差dropout类似训练和推理阶段行为不同这是面试官最爱挖的坑。Transformer是2025年面试的绝对核心相关的问题多到可以单独写一篇。最基础的是自注意力公式Attention(Q,K,V) softmax(QK^T / sqrt(d_k))V。为什么除以sqrt(d_k)因为点积结果会随维度增大而变大softmax会进入饱和区梯度变小除以根号d可以缩放点积结果。多头注意力为什么要多头每个头可以关注不同的语义子空间类似于CNN里多个卷积核的作用。位置编码为什么需要因为自注意力本身没有位置信息必须额外注入。为什么Transformer里用残差连接为了解决深层网络退化问题让梯度更容易回传。优化器题也很多。面试官会问SGD、Momentum、Adam的区别。回答要点SGD稳定但收敛慢Momentum引入动量能加速收敛并减少振荡Adam结合了一阶动量和二阶动量自适应调节学习率收敛快但有时会泛化性不如SGD。如果被问到“为什么Adam在某些任务上泛化不如SGD”可以回答是因为Adam对学习率自适应性太强导致参数在后期被过度调节解决方法是用带权重衰减的AdamW。4.3 大模型相关的高频新考点2025年的面试和两年前最大的区别是大模型相关考题铺天盖地。即使你简历上没做大模型项目面试官也会问“了解RAG吗”“知不知道LoRA”。我整理了几个最低配也要会的考点。RAG也就是检索增强生成核心思路是让模型在生成前先从外部知识库检索相关内容再把检索结果和问题一起喂给模型解决模型知识过时和幻觉问题。面试官常问“RAG和微调怎么选”回答要点是知识更新频繁、需要可溯源的场景用RAG模型能力本身不足、需要改变行为模式的场景用微调。LoRA是低秩适配原理是冻结预训练模型权重只训练注入的低秩矩阵大幅减少可训练参数量。回答时要点出“为什么只用低秩矩阵也能有效”预训练模型本身就具备很强的表达能力微调阶段只需要在特定方向上做小幅度调整低秩分解正好能抓住这些关键方向。大模型的量化、剪枝、蒸馏这些模型压缩手段也常被问到尤其是投终端和昇腾相关岗位。至少要懂PTQ和QAT的区别PTQ是训练后直接量化权重不需要重新训练但精度损失可能较大QAT是在训练过程中模拟量化误差精度更高但成本更高。5. 项目深挖与场景设计题5.1 简历项目的“三连问”怎么准备华为面试官看简历非常仔细尤其是项目部分他们会顺着技术方案一路追问。最典型的追问节奏是这样的先问项目背景和数据再问模型选型与特征设计接着问评估指标与上线效果最后问bad case和后续优化。任何一个环节答得含糊都会被贴上一个“项目参与深度不够”的标签。我建议所有准备面试的人在面试前把自己的项目按这个模板重新整理一遍用一两句话说清楚业务背景和问题定义数据来源、规模、分布情况标注成本为什么选这个模型而不是其他方案有没有做过对比实验线下指标和线上指标分别是什么涨了多少怎么评估这个方案有什么缺陷如果再来一次会用什么方案。这里有一个很多人忽略的细节面试官非常喜欢问数据量级。比如你简历里写“用了BERT做文本分类”他会追问“训练数据多少条”“正负样本比多少”“模型推理时延是多少”。答不上来数据量级基本等于告诉面试官项目不是你自己做的。把项目里的数据规模、模型参数量、推理耗时、线上QPS这些数字背下来。5.2 场景设计题的答题框架场景设计题是华为AI算法岗面试区分度最高的题型。典型问题包括“设计一个广告点击率预估模型”“推荐系统新用户冷启动怎么做”“一段文本出现乱码如何自动识别并纠正”“网络设备日志异常检测如何处理”。我刚听到这种题时也头皮发麻但后来总结出一个通用框架按这个框架答基本不会乱。第一步明确问题和约束。先问清楚评估指标是什么实时性要求多高数据规模多大算力资源有多少这一步的目的是让面试官看到你具备工程思维。第二步讲数据方案。数据从哪来、怎么清洗、怎么标注、怎么划分训练集和验证集。第三步说特征工程。用哪些特征、为什么这些特征有效、特征如何处理。第四步选模型。给出基线方案和进阶方案解释选择的理由。第五步评估与上线。说明线下评估指标、线上AB实验方案、上线后的监控手段。第六步补充bad case分析。主动说这个方案可能哪里失效、如何迭代。举一个实际例子。如果面试官问“设计一个广告点击率预估模型”你可以这样答首先确认目标是提升CVR还是CTR这决定了建模方式。数据层用用户历史行为、广告属性、上下文特征模型用GBDT提取特征交叉或者直接上DNN更进阶的用MMoE多任务学习同时建模CTR和CVR。评估用AUC和GAUC线上做分层实验。最后补充一嘴广告场景存在严重的数据延迟训练数据要按时间窗口切分否则线上效果会衰减。6. 华为特色问题与避坑经验6.1 OD岗和正式岗的差异从热搜词的密度来看华为OD岗位的咨询量非常大这里专门说清楚。OD本质是华为和外包公司合作招聘的岗位员工和外包公司签约但在华为的部门内工作。工作内容、考核方式、管理方式和正式员工几乎一样机考题库也是一套但合同性质、薪酬结构和正式员工有差别。OD面试的机考门槛通常比校招正式岗低一些但这两年随着投递人数增加OD机考的难度也在上涨。OD的面试流程包括机考、性格测评、两轮技术面、资格面、主管面。OD岗转正式员工的通道是真实存在的但竞争激烈核心是绩效考核、技术定级和部门是否有正式headcount。我的建议是如果你是本科或者非重点院校背景想进华为体验大厂技术栈OD是一个现实跳板如果你已经拿到其他大厂正式Offer就要慎重比较不要只盯着华为的牌子。6.2 主管面和HR面的高频问题主管面的问题看似随意但信息量很大。我遇到和收集到的高频问题有这些为什么选择华为而不是其他公司你对加班怎么看你未来的职业规划是什么你觉得自己的短板是什么你做过最有成就感的事是什么回答这类问题我的经验是真诚比话术重要。说“能接受加班”时不要只表忠心可以补充一句“我会通过优化工作方式来提升效率同时在项目冲刺期愿意投入时间”。说短板时选一个真实但不致命的缺点比如“我容易过度关注细节导致在项目初期花时间过多最近在刻意练习先搭框架再补细节”然后说自己的改进方法。千万不要说“我最大的缺点是太追求完美”这种一看就是套话的答案。HR面谈薪资也是个技术活。华为给AI算法岗的薪资有明确的带宽OD和正式岗差异更大。我的建议是提前在脉脉、OfferShow上看同部门同级别的大致范围报一个比心理预期略高的数字同时强调自己看重的是成长平台而非短期薪资。被压价时不要直接妥协可以问清楚职级、绩效、年终奖计算方式综合评估后再定。注意华为每轮面试前一般都要签署保密协议题目不允许录音、录像、外传。写面经时也尽量不泄露具体题目编号和完整原文把题目抽象成“考点”来讨论更稳妥。6.3 容易被忽略的面试细节最后分享几个容易被忽视但很关键的经验。第一面试时间尽量约上午。华为面试官经常下午连续面多个候选人精力到下午会明显下降你在这个时间段讲项目时他可能已经不专注了。第二反问环节一定要有准备的问题问什么比问不问更重要。好的反问包括“这个岗位目前团队规模多大”“主要服务哪个业务线”“昇腾相关的落地情况如何”这些能让面试官感知到你对业务的兴趣。第三简历上写的每一项技术都要能扛住追问哪怕只是写了一句“了解xx”也要准备好被问原理的觉悟。第四华为很多部门的技术栈是C和Python混合的AI算法岗以Python为主但如果你会C记得在面试中主动提这是加分项。根据我个人跑了这么多轮面试的经验华为AI算法岗的筛选逻辑其实特别朴素第一能不能把手上的模型真正落地到业务里第二在沟通中能不能把复杂问题讲得清清楚楚。这两条贯穿所有面试环节。你不需要把题库里所有冷门题都刷完把机考高频题、手撕高频题、AI基础八股这三块吃透再把自己的项目用数据武装起来通过概率就会高很多。最后再提醒一句很多候选人喜欢把重心全放在coding上结果八股一问三不知这两个是并行考察的哪一块瘸腿都很难走到最后。 华为AI算法岗面试攻略：机考手撕八股项目全解析
算一算时间2025年这波华为AI算法岗的面试旺季已经来了。我前前后后把光产品线、终端、云BU几个部门的AI算法岗流程都跑了一遍也帮几个走OD通道的朋友复盘过机考真题整体感受是华为AI算法岗的面试风格极其务实不跟你玩虚的机考考coding手撕考coding八股问得细项目挖得深最后主管面还跟你聊工程落地和价值观匹配。这篇就把我复盘下来的高频面试题和解题思路一次性倒出来覆盖机考、手撕代码、机器学习与深度学习八股、项目深挖和场景设计题最后再加一份OD岗的专属建议准备冲华为AI算法岗的朋友可以直接照着查漏补缺。先说一个结论华为面试官真的不看你刷了多少题他们更在意你是不是能把“为什么这么解、边界怎么处理、上线了会怎样”讲明白。所以这篇文章里我不会只列题目清单每道高频题都会给出答题要点、代码示例或者踩坑提醒你拿去就能用。1. 整体流程与考察逻辑1.1 从投递到Offer的完整流程华为AI算法岗的面试流程按校招和OD两条线走差异不小。先说校招主线一般节奏是机考、性格测评、技术一面、技术二面、主管面、HR面部分部门中间还会加一轮交叉面或者部长面。时间跨度看部门排期快的一周走完慢的两到三周也正常。机考是硬门槛过了才有资格进技术面。技术面一般两轮一轮偏coding和数据结构一轮偏项目和AI理论基础但实际上面试官不会分那么清经常是边问八股边让手撕代码。主管面反而聊得最“虚”不考具体算法考察你的业务理解、抗压能力、对华为文化的认同程度。HR面则集中在薪资预期、到岗时间、城市意向这些现实问题。OD线流程类似但多了一个资格面主要核实学历、工作经历和定级。这个流程本身藏着一个信号华为的筛选是层层淘汰制机考淘汰一大片技术面再淘汰一小片最后主管面还会刷掉一些“技术还行但感觉不对”的人。所以每个环节都不能懈怠不是过了机考就万事大吉。1.2 面试官到底在考察什么把华为AI算法岗的面试题摊开看其实考察的就三件事。第一是coding基本功。机考和手撕都考算法和数据结构不扎实的人第一轮就被筛掉。华为不比大厂喜欢出偏题怪题题目难度集中在easy到medium但非常看重边界处理、复杂度分析和代码规范。第二是理论深度。深度学习、机器学习的基础八股问得极其细致尤其是Transformer、BatchNorm、反向传播这些“基石型”知识面试官会一路追问到你答不上来为止。他们不是在刁难你而是在测试你的知识边界。第三是工程落地能力。华为AI算法岗不是纯研究岗算法最终要跑到昇腾、云端或者端侧设备上。所以面试官非常喜欢问“你的模型怎么部署的”“线上效果如何”“bad case怎么分析”这类问题简历上写得再漂亮的模型如果落不了地在他们眼里就是零。2. 笔试机考三道题定生死2.1 机考的题型分布与得分策略华为机考通常三道编程题总分400分。第一题分值100属于送分题考字符串处理、简单模拟、基本数学运算15分钟内要拿下。第二题分值150考双指针、哈希、DFS/BFS、贪心这类经典算法是拉开差距的关键。第三题分值150考动态规划、图论、复杂状态搜索往往是压轴题能全解的人不多。这里有个极其重要的策略按分值和时间分配精力而不是按题目顺序。我见过太多人死磕第三题结果第二题的送分点都没拿全。正确的打法是先把第一题完整AC然后第二题拿满或拿大部分用例分第三题做不出来就写暴力解能过多少测试用例算多少。华为机考按通过的测试用例比例给分不是非黑即白所以暴力解也有价值千万别留空。另外提醒一下华为机考环境是牛客网的在线编辑器不能使用本地IDE也没有断点调试。你要习惯没有自动补全、没有语法高亮的环境。平时练习就要在类似的编辑器里写用print输出中间变量来排查问题。输入读取也要注意机考题目经常给多行输入Python选手一定要熟练掌握sys.stdin.read()和input().split()的配合方式避免程序在输入解析上出bug。2.2 高频考点逐个拆解我把最近刷到的华为机考真题和各家面经里的高频题做了归类核心考点集中在以下六类。每类都给你一道典型题和参考解法。2.2.1 字符串与哈希这类题是机考第一题的最爱。比如“两数之和”“字母异位词分组”“最长回文子串的个数”等。两数之和这道题很多人刷过但华为的变体经常是“三数之和”“四数之和”或者改成“给定一个数组找出和为target的下标组合”。核心思路都一样用哈希表记录已经遍历过的值把时间复杂度从O(n²)降到O(n)。def two_sum(nums, target): seen {} for i, num in enumerate(nums): diff target - num if diff in seen: return [seen[diff], i] seen[num] i return []这里有个小坑题目要求返回下标还是返回值要看清。如果要求返回所有不重复的组合排序后双指针会更方便。2.2.2 双指针与滑动窗口第二题高频考点字符串和数组的很多问题都能用双指针解决。“无重复字符的最长子串”就是滑动窗口的经典题面试官也特别喜欢拿来考。解法思路是维护一个窗口右指针不断右移遇到重复字符时左指针跳到重复字符的下一个位置窗口大小就是当前不重复子串的长度。def length_of_longest_substring(s: str) - int: last_pos {} left 0 max_len 0 for right, ch in enumerate(s): if ch in last_pos and last_pos[ch] left: left last_pos[ch] 1 last_pos[ch] right max_len max(max_len, right - left 1) return max_len华为的滑动窗口题经常套业务场景比如“输入一段字符串找出包含所有指定字符的最短子串”其实就是最小覆盖子串思路类似只是要额外用一个计数器来判断窗口是否满足了条件。2.2.3 二叉树遍历与递归二叉树题目在机考和手撕里出现频率都很高层序遍历、最大深度、最近公共祖先、路径总和是出现最多的几道。层序遍历有一个固定模板用队列每一轮先记录当前队列的长度然后只弹出这么多节点这样就能按层处理。from collections import deque def level_order(root): if not root: return [] res [] q deque([root]) while q: level_size len(q) level [] for _ in range(level_size): node q.popleft() level.append(node.val) if node.left: q.append(node.left) if node.right: q.append(node.right) res.append(level) return res所有树的递归题脑子里要有“每层递归返回什么、终止条件是什么、要不要携带全局状态”这三个问题的答案。很多人在树的DFS上翻车并不是不会写而是递归函数参数设计得乱七八糟。2.2.4 动态规划机考第三题的最爱。爬楼梯、最长上升子序列、编辑距离、背包问题是出现频率最高的四类。华为的DP题包装感很强比如“机器人走网格”“股票买卖”这类经典题改个壳就上。刷题时不要只背状态转移方程要理解“状态定义”和“遍历顺序”这两个核心。以最长上升子序列为例基础版本O(n²)能过定义dp[i]表示以第i个元素结尾的最长上升子序列长度每个位置向前找所有比它小的元素状态转移为dp[i] max(dp[j] 1)。如果n很大就要上贪心加二分维护一个tails数组用bisect_left找到替换位置。面试官很爱追问“有没有更优解法”所以这两种解法最好都掌握。import bisect def length_of_lis(nums): tails [] for x in nums: pos bisect.bisect_left(tails, x) if pos len(tails): tails.append(x) else: tails[pos] x return len(tails)2.2.5 图与搜索DFS/BFS在图论题里是绝对主力岛屿数量、课程表、腐烂的橘子都是高频题。岛屿数量是经典中的经典做法就是遍历网格遇到陆地就计数并把整块陆地淹没掉。def num_islands(grid): if not grid: return 0 rows, cols len(grid), len(grid[0]) count 0 def dfs(r, c): if r 0 or r rows or c 0 or c cols or grid[r][c] 0: return grid[r][c] 0 dfs(r 1, c) dfs(r - 1, c) dfs(r, c 1) dfs(r, c - 1) for r in range(rows): for c in range(cols): if grid[r][c] 1: count 1 dfs(r, c) return count注意这类题递归深度可能很大某些语言下有可能栈溢出。Python里可以用显式栈加visited集合来代替递归或者用BFS。机考时如果遇到大数据量优先考虑BFS。2.2.6 排序与Top K排序是基本功但机考不会让你白板写快排而是让你解决“找第K大元素”“最小的K个数”这类问题。堆排序和快速选择是标准解法。快速选择的思路是借助快排的partition一次partition之后判断pivot的位置和k的关系只递归一边期望时间复杂度O(n)。import random def find_kth_largest(nums, k): def partition(left, right): pivot_idx random.randint(left, right) nums[pivot_idx], nums[right] nums[right], nums[pivot_idx] pivot nums[right] i left for j in range(left, right): if nums[j] pivot: nums[i], nums[j] nums[j], nums[i] i 1 nums[i], nums[right] nums[right], nums[i] return i left, right 0, len(nums) - 1 target k - 1 while True: pos partition(left, right) if pos target: return nums[pos] elif pos target: left pos 1 else: right pos - 12.3 机考提分技巧机考刷题我踩过的坑不少挑几个最值得说的。首先是读题问题。华为机考题目描述通常很长还会穿插业务背景比如“某网络设备上报日志”“用户请求分配资源”之类。一定要先提取输入输出的真实格式再动手不要被业务故事带偏。第二是边界条件第一题和第三题很多差评案例都是栽在数组越界、空数组、单元素数组、负数这些边界上。写完代码后先拿题目的例子测再自己想几个极端用例测。第三是复杂度意识第三题如果写了一个O(n²)的暴力方法心里要有数至少把自己能想到的优化方向写在注释里阅卷官看得见。提示机考评分是按通过测试用例的比例给分的就算不能AC也一定要把暴力解法写上去。很多OD候选人都靠“半AC”涉险过关空题才是真正没救。3. 手撕代码现场写码的实战考验3.1 面试官为什么一定要你手撕技术面里几乎必有一道手撕代码难度和机考第二题相当但考察维度完全不一样。机考看的是结果手撕看的是过程。面试官会全程观察你拿到题先说什么、有没有确认输入输出、写代码时思路是否清晰、写完会不会主动测边界。很多人在机考里能AC手撕时却因为紧张或者沟通不畅被挂。AI算法岗的手撕题范围其实很固定出现频率最高的包括LRU缓存、反转链表、快排、合并K个有序链表、字符串转整数、实现sqrt、寻找两个有序数组的中位数、二叉树的层序遍历。这里面LRU缓存几乎属于必考题因为它能同时考察哈希表和双向链表的掌握程度还能延伸到内存淘汰策略这种工程场景。3.2 高频手撕题的参考实现3.2.1 LRU缓存LRU的精髓是“最近被使用过的数据保留最久没被使用的数据淘汰”。用双向链表维护使用顺序用哈希表实现O(1)查找。Python里可以直接用collections.OrderedDict但面试时建议自己实现双向链表更能展示功底。class DLinkedNode: def __init__(self, key0, value0): self.key key self.value value self.prev None self.next None class LRUCache: def __init__(self, capacity: int): self.capacity capacity self.cache {} self.head DLinkedNode() self.tail DLinkedNode() self.head.next self.tail self.tail.prev self.head def _remove(self, node): node.prev.next node.next node.next.prev node.prev def _add_to_head(self, node): node.prev self.head node.next self.head.next self.head.next.prev node self.head.next node def get(self, key: int) - int: if key not in self.cache: return -1 node self.cache[key] self._remove(node) self._add_to_head(node) return node.value def put(self, key: int, value: int) - None: if key in self.cache: node self.cache[key] node.value value self._remove(node) self._add_to_head(node) else: node DLinkedNode(key, value) self.cache[key] node self._add_to_head(node) if len(self.cache) self.capacity: removed self.tail.prev self._remove(removed) del self.cache[removed.key]3.2.2 反转链表这道题看着简单但很考验指针操作的熟练度。迭代写法用三个指针prev、cur、next不断翻转指向即可。def reverse_list(head): prev None cur head while cur: nxt cur.next cur.next prev prev cur cur nxt return prev写完一定要检查空链表、单节点链表、两个节点链表这三种情况是否都能正确处理。很多面试者的代码在大链表上没问题一测空链表就报错。3.2.3 手写快速排序快排考得非常多因为它能继续追问时间复杂度、最坏情况、稳定性。建议写“原地partition版”。def quick_sort(arr, left, right): if left right: return i, j left, right pivot arr[(left right) // 2] while i j: while arr[i] pivot: i 1 while arr[j] pivot: j - 1 if i j: arr[i], arr[j] arr[j], arr[i] i 1 j - 1 quick_sort(arr, left, j) quick_sort(arr, i, right)面试官如果追问“快排最坏情况是什么”你要能回答每次选到最大或最小元素做pivot时退化成O(n²)可以通过随机化pivot来规避。3.3 现场写代码的检查清单手撕环节我有几条血泪经验。第一拿到题先不要动手用一分钟和面试官确认输入输出、边界约束、是否允许用额外空间。这个动作本身就会加分。第二先讲思路再写码哪怕只用两三句话。面试官需要知道你在想什么写完再解释就晚了。第三写完不要直接说“完了”自己过一遍代码用测试用例跑一次主动指出哪里可能会出错。你可以这么说“这里如果输入是空数组循环不会执行直接返回默认值应该没问题。”第四复杂度分析要主动说不要等面试官问。注意手撕代码时别用OrderedDict就完事最好能把底层双向链表的原理讲清楚。华为面试官很爱问“如果这个LRU要支持并发怎么办”至少要能说要加锁或者用读写锁分离优化。4. AI算法八股机器学习与深度学习高频问题4.1 机器学习基础高频问题华为AI算法岗的八股覆盖面很广但重点很突出。我按出现频率整理了一份“必答清单”。过拟合和欠拟合是必问题。回答要分点过拟合的解决手段包括增加数据量、正则化、Dropout、早停、数据增强、降低模型复杂度欠拟合则要增加模型容量、减少正则化、特征工程更多有效信息。最好能结合自己的项目说一个实际案例。L1和L2正则化的区别是另一个高频题。L1会让部分参数变为0产生稀疏解因为它在零点不可导优化时更容易把参数压到零L2只会让参数趋近于0但不会等于0。面试官还会追问“为什么L1能产生稀疏解”这里可以用图来解释带约束的优化问题中L1的菱形约束和损失函数的等高线相交点更容易落在坐标轴上。偏差方差分解也要会讲。简单说偏差是模型预测值与真实值的差距方差是不同数据集上模型表现的波动。过拟合时方差大欠拟合时偏差大。模型复杂度从低到高偏差降低、方差升高存在一个最优平衡点。分类评估指标这块华为面试官喜欢结合场景问。比如“正样本极少准确率很高但召回率很低怎么办”。回答要点是准确率不适合样本不均衡场景应该看Precision、Recall、F1、AUC如果业务更关注漏报优先提高Recall可以通过调整分类阈值、换损失函数、重采样来实现。样本不均衡也是必问题从数据、损失函数、后处理三个层面回答数据层面有过采样SMOTE、欠采样、数据增强损失层面用Focal Loss或给少数类更高的权重后处理层面调整阈值。XGBoost与GBDT的区别这种“蛋糕题”几乎必问。回答要点包括XGBoost加了正则项控制复杂度使用二阶泰勒展开收敛更快支持列抽样可以处理缺失值内置交叉验证和早停。LightGBM的直方图算法和Leaf-wise生长策略也要会说这是和XGBoost的关键区别。4.2 深度学习高频必问题反向传播推导是硬骨头我建议至少能手推一个两层的全连接网络。理解的核心是链式法则损失对某一层参数的梯度等于损失对该层输出的梯度乘以该层输出对该层参数的梯度。面试官通常会从“写出sigmoid的导数”入手然后一路问到“为什么深层网络会梯度消失”。激活函数题几乎必考。sigmoid的问题在于饱和区梯度接近0容易梯度消失且输出不是零均值tanh解决了零均值问题但依然有饱和区ReLU解决了正区间梯度不消失的问题但会有Dead ReLU问题可以用Leaky ReLU或PReLU缓解。这里要提一句现在大模型里用的激活函数比如GELU、SwiGLU也要有所了解。BatchNorm是另一个高频题面试官会连环追问。原理是对一个batch内的特征进行标准化再通过可学习的缩放和平移参数恢复表达能力。论文给出的动机是缓解内部协变量偏移但目前更主流的解释是它让损失曲面更平滑从而加速收敛。一个非常关键的细节是训练时用batch内的均值和方差推理时用滑动平均统计的全局均值和方差dropout类似训练和推理阶段行为不同这是面试官最爱挖的坑。Transformer是2025年面试的绝对核心相关的问题多到可以单独写一篇。最基础的是自注意力公式Attention(Q,K,V) softmax(QK^T / sqrt(d_k))V。为什么除以sqrt(d_k)因为点积结果会随维度增大而变大softmax会进入饱和区梯度变小除以根号d可以缩放点积结果。多头注意力为什么要多头每个头可以关注不同的语义子空间类似于CNN里多个卷积核的作用。位置编码为什么需要因为自注意力本身没有位置信息必须额外注入。为什么Transformer里用残差连接为了解决深层网络退化问题让梯度更容易回传。优化器题也很多。面试官会问SGD、Momentum、Adam的区别。回答要点SGD稳定但收敛慢Momentum引入动量能加速收敛并减少振荡Adam结合了一阶动量和二阶动量自适应调节学习率收敛快但有时会泛化性不如SGD。如果被问到“为什么Adam在某些任务上泛化不如SGD”可以回答是因为Adam对学习率自适应性太强导致参数在后期被过度调节解决方法是用带权重衰减的AdamW。4.3 大模型相关的高频新考点2025年的面试和两年前最大的区别是大模型相关考题铺天盖地。即使你简历上没做大模型项目面试官也会问“了解RAG吗”“知不知道LoRA”。我整理了几个最低配也要会的考点。RAG也就是检索增强生成核心思路是让模型在生成前先从外部知识库检索相关内容再把检索结果和问题一起喂给模型解决模型知识过时和幻觉问题。面试官常问“RAG和微调怎么选”回答要点是知识更新频繁、需要可溯源的场景用RAG模型能力本身不足、需要改变行为模式的场景用微调。LoRA是低秩适配原理是冻结预训练模型权重只训练注入的低秩矩阵大幅减少可训练参数量。回答时要点出“为什么只用低秩矩阵也能有效”预训练模型本身就具备很强的表达能力微调阶段只需要在特定方向上做小幅度调整低秩分解正好能抓住这些关键方向。大模型的量化、剪枝、蒸馏这些模型压缩手段也常被问到尤其是投终端和昇腾相关岗位。至少要懂PTQ和QAT的区别PTQ是训练后直接量化权重不需要重新训练但精度损失可能较大QAT是在训练过程中模拟量化误差精度更高但成本更高。5. 项目深挖与场景设计题5.1 简历项目的“三连问”怎么准备华为面试官看简历非常仔细尤其是项目部分他们会顺着技术方案一路追问。最典型的追问节奏是这样的先问项目背景和数据再问模型选型与特征设计接着问评估指标与上线效果最后问bad case和后续优化。任何一个环节答得含糊都会被贴上一个“项目参与深度不够”的标签。我建议所有准备面试的人在面试前把自己的项目按这个模板重新整理一遍用一两句话说清楚业务背景和问题定义数据来源、规模、分布情况标注成本为什么选这个模型而不是其他方案有没有做过对比实验线下指标和线上指标分别是什么涨了多少怎么评估这个方案有什么缺陷如果再来一次会用什么方案。这里有一个很多人忽略的细节面试官非常喜欢问数据量级。比如你简历里写“用了BERT做文本分类”他会追问“训练数据多少条”“正负样本比多少”“模型推理时延是多少”。答不上来数据量级基本等于告诉面试官项目不是你自己做的。把项目里的数据规模、模型参数量、推理耗时、线上QPS这些数字背下来。5.2 场景设计题的答题框架场景设计题是华为AI算法岗面试区分度最高的题型。典型问题包括“设计一个广告点击率预估模型”“推荐系统新用户冷启动怎么做”“一段文本出现乱码如何自动识别并纠正”“网络设备日志异常检测如何处理”。我刚听到这种题时也头皮发麻但后来总结出一个通用框架按这个框架答基本不会乱。第一步明确问题和约束。先问清楚评估指标是什么实时性要求多高数据规模多大算力资源有多少这一步的目的是让面试官看到你具备工程思维。第二步讲数据方案。数据从哪来、怎么清洗、怎么标注、怎么划分训练集和验证集。第三步说特征工程。用哪些特征、为什么这些特征有效、特征如何处理。第四步选模型。给出基线方案和进阶方案解释选择的理由。第五步评估与上线。说明线下评估指标、线上AB实验方案、上线后的监控手段。第六步补充bad case分析。主动说这个方案可能哪里失效、如何迭代。举一个实际例子。如果面试官问“设计一个广告点击率预估模型”你可以这样答首先确认目标是提升CVR还是CTR这决定了建模方式。数据层用用户历史行为、广告属性、上下文特征模型用GBDT提取特征交叉或者直接上DNN更进阶的用MMoE多任务学习同时建模CTR和CVR。评估用AUC和GAUC线上做分层实验。最后补充一嘴广告场景存在严重的数据延迟训练数据要按时间窗口切分否则线上效果会衰减。6. 华为特色问题与避坑经验6.1 OD岗和正式岗的差异从热搜词的密度来看华为OD岗位的咨询量非常大这里专门说清楚。OD本质是华为和外包公司合作招聘的岗位员工和外包公司签约但在华为的部门内工作。工作内容、考核方式、管理方式和正式员工几乎一样机考题库也是一套但合同性质、薪酬结构和正式员工有差别。OD面试的机考门槛通常比校招正式岗低一些但这两年随着投递人数增加OD机考的难度也在上涨。OD的面试流程包括机考、性格测评、两轮技术面、资格面、主管面。OD岗转正式员工的通道是真实存在的但竞争激烈核心是绩效考核、技术定级和部门是否有正式headcount。我的建议是如果你是本科或者非重点院校背景想进华为体验大厂技术栈OD是一个现实跳板如果你已经拿到其他大厂正式Offer就要慎重比较不要只盯着华为的牌子。6.2 主管面和HR面的高频问题主管面的问题看似随意但信息量很大。我遇到和收集到的高频问题有这些为什么选择华为而不是其他公司你对加班怎么看你未来的职业规划是什么你觉得自己的短板是什么你做过最有成就感的事是什么回答这类问题我的经验是真诚比话术重要。说“能接受加班”时不要只表忠心可以补充一句“我会通过优化工作方式来提升效率同时在项目冲刺期愿意投入时间”。说短板时选一个真实但不致命的缺点比如“我容易过度关注细节导致在项目初期花时间过多最近在刻意练习先搭框架再补细节”然后说自己的改进方法。千万不要说“我最大的缺点是太追求完美”这种一看就是套话的答案。HR面谈薪资也是个技术活。华为给AI算法岗的薪资有明确的带宽OD和正式岗差异更大。我的建议是提前在脉脉、OfferShow上看同部门同级别的大致范围报一个比心理预期略高的数字同时强调自己看重的是成长平台而非短期薪资。被压价时不要直接妥协可以问清楚职级、绩效、年终奖计算方式综合评估后再定。注意华为每轮面试前一般都要签署保密协议题目不允许录音、录像、外传。写面经时也尽量不泄露具体题目编号和完整原文把题目抽象成“考点”来讨论更稳妥。6.3 容易被忽略的面试细节最后分享几个容易被忽视但很关键的经验。第一面试时间尽量约上午。华为面试官经常下午连续面多个候选人精力到下午会明显下降你在这个时间段讲项目时他可能已经不专注了。第二反问环节一定要有准备的问题问什么比问不问更重要。好的反问包括“这个岗位目前团队规模多大”“主要服务哪个业务线”“昇腾相关的落地情况如何”这些能让面试官感知到你对业务的兴趣。第三简历上写的每一项技术都要能扛住追问哪怕只是写了一句“了解xx”也要准备好被问原理的觉悟。第四华为很多部门的技术栈是C和Python混合的AI算法岗以Python为主但如果你会C记得在面试中主动提这是加分项。根据我个人跑了这么多轮面试的经验华为AI算法岗的筛选逻辑其实特别朴素第一能不能把手上的模型真正落地到业务里第二在沟通中能不能把复杂问题讲得清清楚楚。这两条贯穿所有面试环节。你不需要把题库里所有冷门题都刷完把机考高频题、手撕高频题、AI基础八股这三块吃透再把自己的项目用数据武装起来通过概率就会高很多。最后再提醒一句很多候选人喜欢把重心全放在coding上结果八股一问三不知这两个是并行考察的哪一块瘸腿都很难走到最后。