面试这件事我一直觉得“真题”比“面经”更有价值。面经告诉你考了什么真题却让你看到面试官当时真正的考察意图。2018年小米秋招算法岗的这套问答题合集我反复看过好几遍——它最大的特点是不考手撕代码的炫技而是用大量场景化、概念化的提问考察你对算法“底层原理”和“工程取舍”的掌握程度。哪怕是几年后的现在来看这套题的方向依然值得算法岗求职者认真研究。这篇文章我会按题目的知识模块拆开讲每个模块都结合当年的考察点和现在的就业环境做深度解析。无论你是正在准备秋招的应届生还是想系统梳理算法基础的在职工程师这篇文章都能帮你画出不踩坑的备考路线图。1. 从“字符串匹配”到“排序算法”代码基本功决定你的面试下限1.1 KMP算法的next数组考的不是背模板小米这套题里最显眼的一道是在KMP算法中对于模式串pabacaba其next数组next[i]定义为...是多少先说结论KMP的next数组在面试里至少有三层考法。第一层你能不能写出正确的求解代码第二层你能不能口述清楚next数组每个值的含义第三层你能不能现场推导出给定模式串的next数组。很多人在第一层就被卡住了不是因为不会写而是因为不知道next数组的“定义”是哪种版本——这恰好是这道题最大的坑。你翻开不同的教材next数组的定义至少有三个版本版本一next[i]表示p[0..i-1]的最长相等真前后缀长度即失配时索引跳转的位置。版本二next[i]表示p[0..i-1]的最长相等真前后缀长度1某些旧教材和严蔚敏版《数据结构》的写法。版本三next[i]表示p[0..i]的最长相等真前后缀长度直接把失配时的跳转和匹配位置绑定。同一个模式串三种定义下的next数组结果是完全不同的。比如pabacaba按版本一next [-1, 0, 0, 1, 0, 1, 2, 3]下标0的位置可以视约定设为-1或0这里的核心是最后一个字符a对应的最长真前后缀长度为3因为前缀aba等于后缀aba。按版本二next [0, 1, 1, 2, 1, 2, 3, 4]在版本一基础上整体1。按版本三next [-1, 0, 0, 1, 0, 1, 2, 3]这里对abacaba计算每个位置i看p[0..i]的最长相等真前后缀长度得到的是-1, 0, 0, 1, 0, 1, 2, 3注意下标6的字符a的最长相等真前后缀长度是3。所以面试时遇到这种题第一反应不要直接写答案而是先反问面试官“您这里的next数组是基于哪种定义”这不是你在抬杠而是你在展示你对概念边界有清晰的认知——这恰恰是面试官想看到的。更关键的是你要能现场推导。拿版本一举例pabacaba我们逐个字符分析i0next[0]-1约定俗成不用算。i1p[0..0]a真前后缀为空next[1]0。i2p[0..1]ab真前后缀为空next[2]0。i3p[0..2]aba前缀a等于后缀a长度为1next[3]1。i4p[0..3]abac最长相等真前后缀为空或长度为0前缀a、后缀c不等next[4]0。i5p[0..4]abaca前缀a等于后缀a长度为1next[5]1。i6p[0..5]abacab前缀ab等于后缀ab长度为2next[6]2。i7p[0..6]abacaba前缀aba等于后缀aba长度为3next[7]3。所以答案是[-1, 0, 0, 1, 0, 1, 2, 3]或[0, 0, 0, 1, 0, 1, 2, 3]取决于你用-1还是0作为起始标记。这道题在真实面试里的意义是什么我在帮候选人做模拟面试时发现多数人能写出KMP匹配过程但一旦要求“从零开始推导next数组”就会暴露出对“最长相等真前后缀”这个概念理解的模糊。因为日常刷题时KMP通常被当成一个“调库操作”没人会去关心那个表格怎么来的。你得提醒自己面试官不关心你能不能背出代码他关心的是——当你面前没有库、没有文档、甚至没有IDE时你能不能从“为什么需要next数组”出发重新发明一遍这个算法。“知道为什么”比“知道是什么”值钱得多。1.2 排序算法不是“快排走天下”要能横向对比排序算法在算法岗面试中永远不会缺席但小米这套题里的排序题明显比普通开发岗的排序题深了一个层次。它不问你“快排怎么写”而是问“什么场景下选择什么排序算法”“稳定性、时间复杂度、空间复杂度如何取舍”。我建议你把排序算法当成一个“决策树”来复习。面试官给你一个具体的场景你要能给出选型逻辑并说明理由。下面是我自己整理的一个速查逻辑数据量极小n50且基本有序插入排序因为常数因子极低、几乎无额外空间开销。数据量大但要求稳定排序归并排序O(n log n)且稳定代价是O(n)额外空间。数据量大且不要求稳定快排是综合最优解但要注意避免最坏情况三数取中、随机化。数据是整数或取值范围有限计数排序/桶排序/基数排序用空间换时间O(nk)。数据接近有序堆排序不是最优常数大插排或优化后的冒泡更合适。这里的核心考点是“稳定性”这个概念。什么是稳定性如果两个相等的元素a和ba原本在b前面排序后a仍在b前面这个排序算法就是稳定的。为什么要关心稳定性因为在实际业务中你经常需要“按多个关键字排序”先把记录按次要关键字排序再按主要关键字稳定排序这样就能得到正确的多关键字排序结果。如果没有稳定性这个“基数排序式”的思路就完全走不通。KMP那道题考的是“定义清晰”排序题考的则是“工程思维”。你要能当场说出“这个场景用归并而不是快排因为我要稳定而且能接受O(n)空间”而不是在那里支支吾吾。1.3 堆、栈、哈希表概念题也能考出区分度秋招算法面试有个特点越是基础的数据结构越容易考出区分度。因为“简单”意味着“大家都能答”谁能答得全面、答出细节谁就能拿到额外分。小米这套题里数据结构的考察常常以“概念对比”的形式出现。比如ArrayList和LinkedList的区别这不是Java岗专属题算法岗也会问因为涉及随机访问和插入删除的复杂度模型。HashMap的扩容机制和哈希冲突解决方式。栈和队列的应用场景。我见过太多候选人在回答“HashMap和Hashtable的区别”时只会背“线程安全”和“不允许null键”却答不出“为什么Java 8之后HashMap的链表长度超过阈值时转成红黑树“更别提“为什么树化的阈值是8而不是9或10”。算法工程师面试时这种“多问一层为什么”的连环追问非常常见。我的建议是复习每个数据结构时至少追问自己三个“为什么”。为什么是红黑树而不是AVL树为什么负载因子的默认值是0.75为什么链表转树的阈值是8当你把这三个问题都答清楚了面试官对你的评价会从“背过八股文”升到“真的懂底层实现”。2. 机器学习与深度学习考点问的是数学原理不是调参技巧2.1 传统机器学习聚类、KNN与贝叶斯理论的面试“必面题”小米2018秋招算法岗的题库里机器学习部分占了大头这跟当时的业务需求有关——小米当时正在大力推广小爱同学、识图搜索、智能推荐等业务急需能落地传统机器学习算法的工程师。而现在到了大模型时代传统机器学习的地位虽然有所下降但它依然是面试中判断候选人基础是否扎实的重要纬度。尤其是聚类算法和KNN算法几乎是必考题。面试官问聚类算法时通常会给你一个场景让你选型而不是让你复述K-Means的步骤。比如他会问“如果给你一批没有标签的用户行为数据你会选择什么聚类算法”这里的考点有三个层次层次一你是不是只知道K-Means如果你能说出DBSCAN、层次聚类、GMM的适用场景说明你的知识面不是停留在教材上。层次二你知不知道K-Means的K值怎么选这时你应该提到“肘部法”“轮廓系数”甚至用BIC/AIC来评估。层次三你知不知道K-Means的缺点比如对离群点敏感、对初始点敏感、只能发现球形簇。这时你可以补一句“所以当数据簇形状不规则时DBSCAN通常更合适它能发现任意形状的簇还能自动处理噪声点”。KNN的考法也很有套路。我在准备面试时发现KNN的考察通常避开“算法描述”直接跳到一个被很多人忽视的点“KNN的三要素是什么”答案是“距离度量、K值选择、分类决策规则”。如果候选人能进一步答出“K值越小越容易过拟合K值越大模型越简单”这个偏差-方差困境那这道题基本就满分了。除了聚类和KNN概率图模型、贝叶斯理论也是高频考点。有一道经典的问答题“朴素贝叶斯的‘朴素’体现在哪里如果特征之间不独立会有什么问题”一道好问题能同时考察你对假设的理解、对实际场景的反思、以及对“独立性假设为什么在文本分类中‘效果出奇好’”的认知——哪怕它不满足独立条件朴素贝叶斯在文本分类中依旧有惊人的表现这个反直觉的结论本身就是很好的面试话题。2.2 深度学习反向传播、过拟合与模型选择2018年的深度学习面试题比现在简单不少——那个年代“图神经网络”“扩散模型”“LLM对齐”等概念还没进入主流面试题主要集中在全连接网络、CNN、RNN、反向传播推导以及训练中的各种工程问题。但这并不意味着这些考点过时了。恰恰相反这些年面试官对深度学习基础知识的考察更加深入了。我在真题库里看到一道非常有代表性的题目“请描述反向传播的具体过程并解释为什么链条式求导在这里很重要。”反直觉的是很多候选人能背出反向传播的步骤却答不出“为什么需要反向传播而不直接用数值微分”。数值微分的计算复杂度是O(n)的而反向传播利用链式法则和动态规划思想让梯度计算的复杂度从O(n)提升到与一次前向传播同阶。面试官真正想听的是这种“计算效率”的直觉而不是背公式。过拟合的题目也经常出现。小米当时问过类似“在深度学习中如何防止过拟合请列出你能想到的所有方法并解释每个方法的原理”这样的开放式问题。这类题的关键在于“广度深度”。你可以答数据层面增加数据量、数据增强、类别平衡。模型层面降低模型复杂度减少层数/神经元数、正则化L1/L2、Dropout。训练层面早停Early Stopping、批归一化可以缓解Internal Covariate Shift并有一定正则化效果。后处理层面模型集成、Snapshot Ensemble。关键是每个方法都要给出“为什么有效”的解释。比如Dropout为什么有效因为它在训练时随机丢弃神经元相当于隐式地训练了多个子网络的集成L2正则化为什么有效因为它在损失函数上加了权重的平方和让模型权重趋近于0但不会变成0限制了模型的复杂度。2.3 搜索算法与全局优化从粒子群到模拟退火这类题看的是“算法迁移能力”搜索优化类算法在算法工程师面试中属于“二线重点”——不会像深度学习那样拼大头但在“综合能力面”里经常扮演“压轴题”的角色。粒子群算法PSO、模拟退火SA、遗传算法GA这些启发式算法面试官往往不会直接问“原理是什么”而是改成“你如何理解全局搜索和局部搜索的平衡”。举个例子真题里出现过类似这样的问法“模拟退火算法是如何避免陷入局部最优的”这个问题本身其实就在考察你“概率接受劣解”的思想——这正是模拟退火相对爬山算法的突破所在。同理粒子群算法的核心是“个体认知”和“群体认知”的平衡遗传算法的核心是“选择、交叉、变异”三种算子。如果你能把这种“搜索策略”的核心思想迁移到其他场景面试官就知道你真是理解了而不是靠背概念拿分。我特别想提醒一点这些启发式算法在互联网算法岗的日常研发中其实用得不算多。面试官考它尤其是小米这种硬件互联网公司主要看两件事第一你有没有足够广的知识面第二当标准算法无法解决时你有没有尝试过“次优方案”的思维方式。所以备考时不要只盯着深度学习理论花点时间把粒子群、模拟退火、贪心算法、动态规划这几个“思维工具”的原理弄清楚面试时往往能起到意想不到的作用。3. 数学基本功与底层算法概率统计、数值计算和复杂度分析3.1 概率论与统计贝叶斯、最大似然、大数定律的实战意义算法工程师面试中数学是绕不开的。小米这套题里数学题的占比不低而且考察方向非常集中概率论、线性代数、最优化理论。最典型的概率题是“最大似然估计”MLE。比如给定一组服从正态分布的观测数据如何估计均值和方差这道题的考场知识链条是写出似然函数样本的联合概率密度。取对数把连乘变成连加方便求导。对参数求偏导令导数为0。解出参数的估计值。如果你能在这里快速补出最佳答案——正态分布下均值的MLE估计就是样本均值方差的MLE估计是除以n而不是n-1并且你能说明“为什么样本方差用n-1”因为的无偏性是除以n-1这道题就答得非常到位了。统计学中的大数定律、中心极限定理也是高频考点。面试官可能会这样问“假设系统每天收到1亿条日志错误率约0.1%如果我们想监控错误率的波动应该利用什么统计原理”正确的思路是错误率是二项分布当样本量足够大时二项分布近似正态分布可以用正态分布的均值±3σ来设置告警阈值。这既考了中心极限定理又考了工程意识是典型的“理论实战”面试题。3.2 数值算法与信号处理题音频重采样、PID控制、卡尔曼滤波为何会出现在算法岗面试里看到“音频重采样算法”“PID算法在CRPS PSU Power的作用”“卡尔曼滤波算法”“图像锐化的拉普拉斯算法”这些人出现在热搜词里时你可能觉得奇怪这些不是音视频、控制、图像处理方向的算法吗为什么算法工程师面试也会考原因其实不复杂算法工程师这个岗位在不同公司、不同业务线侧重点完全不同。小米这种公司业务横跨手机、IoT、智能家居、云计算算法工程师的岗位可能挂在音频组、图像组、电源组、自动驾驶组下面。如果你投的是小米IoT方向的算法岗那就很可能碰到PID控制器的题目如果你投的是手机影像部门那拉普拉斯算子做图像锐化的题目就是专业对口。所以备考时一定要研究目标公司的业务布局。小米的算法岗和纯互联网公司比如字节、美团的算法岗考察重心的差异是很大的。纯互联网公司更关注推荐系统、NLP、用户增长硬件互联网公司则更关注信号处理、嵌入式算法、端侧推理。这两大类知识虽然不能说没有交集但备考方向的侧重确实很不一样。从“算法原理”层面来看卡尔曼滤波这类题的本质是“最优状态估计”——它用“预测更新”两步走完成对系统状态的递归估计被广泛用于传感器融合、定位、跟踪。面试时问到这类题我会建议先讲清楚它的两个核心公式预测方程、更新方程再结合某个具体场景比如手机GPS和惯性导航的融合来说明它为什么能降低噪声。如果你能补充“卡尔曼增益”是怎么在“预测的不确定性”和“测量的不确定性”之间做权衡的面试官基本上就满意了。3.3 复杂度分析与经典算法Dijkstra、快排、堆排的边界条件经典算法题在小米这套问答题里的考察方式并不是“请默写代码”而是“这个算法的边界条件是什么”“这个算法在什么场景下会退化”“这个算法的优化思路是怎样的”。比如Dijkstra算法。经典问题是“为什么Dijkstra不能处理负权边”答案是因为它一旦确定某个节点的最短路径后就不会再重新访问而负权边很可能在后续被访问时产生更短的距离。如果你能进一步补充“那如果要处理负权边应该用Bellman-Ford或者SPFA”说明你不仅知道Dijkstra还知道它的局限性和替代方案。再比如堆排序。面试官常问“堆排序是不稳定排序为什么如何进行稳定性优化”堆排序不稳定的原因在于堆调整过程中相同元素的相对顺序可能被打乱。要在实际工程中获得稳定排序通常的做法是给每个元素增加索引号排序时以“值索引”为键索引变大则值相同但索引不同排序结果就稳定了。这种变体思路在实际业务排序中是真实存在的技巧。算法复杂度分析更是必考。面试官会给你一段代码让你说出时间复杂度或者给你两个算法让你比较它们在特定输入下的表现。这里有个实用技巧判断复杂度时先看循环嵌套的层数再看每层循环的迭代次数是否与输入规模有关。如果出现“分治”结构比如归并排序一定涉及log n。如果涉及“递归重复计算”比如没有优化的斐波那契递归时间复杂度会是指数级。掌握这些快速估算技巧能让你在现场问答中更快给出答案而不用一步步画递归树。4. 综合能力与场景设计题面试官真正想看的“算法工程师素养”4.1 从规则引擎的Rete算法到推荐场景设计把知识迁移到业务问题候选人在面试中最容易“翻车”的其实不是纯理论题而是场景设计题。这类题通常会给你一个业务场景比如“请设计一个电商首页的推荐排序算法”“如何判断一个用户是否会对某个商品感兴趣”然后观察你的解题思路是否严谨、是否具备系统思维。我的习惯是无论遇到什么场景题先把框架搭出来至少包含四步第一步明确目标和约束。目标是提升点击率还是转化率约束是延迟、算力成本、数据质量等。第二步定义输入和输出。输入有哪些特征输出是什么形式是排序还是打分第三步选择算法基线。先用逻辑回归/GBDT做一个可解释的强基线再考虑深度学习模型。第四步设计离线评估和线上验证方案。离线用AUC、NDCG、GAUC等指标线上做AB测试并设定明确的成功标准。这套框架是我应对所有场景题的“万能发动机”。哪怕你对某个具体业务不熟悉只要把这个框架搭出来再往里填充具体的算法细节面试官就能看到你的结构化思维能力。而且框架本身就是“算法工程师的基本素养”——它说明你不仅有算法知识还知道怎么把算法用到真实业务中。4.2 从“KL ELBO算法原理”到“推荐召回”理解型问题很考验“算法深度”“KL ELBO算法原理详解”出现在热搜词里不是偶然。Variational Inference变分推断里那个著名的ELBOEvidence Lower Bound是很多进阶机器学习岗位面试里非常能拉开分差的题目。它表面上考的是数学推导实际上考的是你是不是真正理解“为什么我们要优化ELBO”。关于ELBO我建议用一句话讲清楚核心我们想计算后验分布P(z|x)但通常它很难直接计算所以引入一个变分分布q(z)去近似它。KL散度是衡量两个分布距离的指标但它不可直接优化所以我们转而优化它的下界——ELBO。当ELBO最大化时KL(q||P)就最小化所以q就是P的最优近似。面试官如果继续追问“ELBO E[log p(x|z)] - KL(q(z)||p(z))第一项和第二项分别代表什么”你要能答出第一项是重构似然让观测数据尽可能被解释第二项是正则项让近似后验不要偏离先验太远。这个“重构正则”的结构在所有生成模型从VAE到扩散模型里都反复出现。如果你能把KL散度、ELBO、VAE之间的关系串起来讲面试官对你的评价会明显上一个台阶。RL强化学习在算法工程师面试中也经常出现尤其是“强化学习算法”这个热搜词出现在题库里时你要知道怎么准备。常见考点包括MDP马尔可夫决策过程的五元组。值迭代和策略迭代的区别。蒙特卡洛和时序差分TD的区别。深度强化学习DQN、PPO里“经验回放”和“目标网络”的作用。探索与利用的平衡epsilon-greedy、UCB、Thompson Sampling。实话实说强化学习在2018年的互联网算法岗面试里占比不大。但如果你投递的岗位偏向推荐系统、智能控制、自动化决策RL知识会是很好的加分项。我当时准备RL时给自己定的目标是能讲清楚MDP和DQN的基本原理能画出来DQN的训练流程图能说清楚目标网络为什么能提高稳定性——这样就足够应对大多数初级RL面试题了。4.3 深度学习部署与端侧推理算法工程师的“隐性能力”最后我想专门聊一个容易被忽视但它确实出现在2018年小米算法工程师考察方向里的知识点——深度学习部署与端侧推理。为什么小米会关注这个因为小米有大量的手机、音箱、摄像头等终端设备算法工程师做出来的模型不能只是在服务器上跑还要能塞进设备端跑得又快又省电。这类问题常见的问法有“模型太大如何在手机上跑起来”“模型推理速度太慢有什么优化手段”“如何在嵌入式设备上做目标检测”备考时你需要掌握这几个方向模型压缩剪枝Pruning、量化Quantization从FP32降到INT8、知识蒸馏Knowledge Distillation。推理加速算子融合比如ConvBN融合、TensorRT/NCNN/MNN等推理框架的使用。软硬件协同如何利用NPU/GPU的算力特性做算子优化。这类题的关键不是你会不会用某个框架而是你有没有“端侧算法工程师”的全局视角——从模型设计到模型压缩再到推理加速最后到业务指标验证整个链条都想清楚。我面试过不少候选人能把模型训练说得头头是道但一问到“模型部署时INT8量化后精度下降怎么办”就支支吾吾。这是个明显的短板因为你不能只会“造模型”还要会“养模型”模型在业务里真正跑起来才算落地。5. 备考策略与实战建议踩过这些坑你就能少走一半弯路5.1 刷题和看理论的黄金配比说句过来人的话准备算法岗面试切忌“只刷题”或者“只看理论”。我见过两种典型的失败者只刷题LeetCode刷了500道但被问到“为什么用梯度下降而不是直接求导”时一脸茫然。只看理论把《统计学习方法》翻了一遍但让他在白板上写一个快排10分钟没写利索。我的建议是“三分理论七分代码”。理论复习用来架构知识体系代码练习用来把你理解的理论固化成肌肉记忆。如果时间紧优先保证以下基础能力能手写常见排序算法并能说出时间/空间复杂度及稳定性。能独立推导反向传播过程至少全连接网络的版本。能完整解释K-Means、KNN、朴素贝叶斯、逻辑回归这四大经典算法的原理和适用场景。能独立完成一个深度学习项目数据模型评估熟悉整个流程。5.2 如何利用“问答题”形式备考小米这套题的关键词是“问答”——它不是让你写代码而是让你“说清楚”。这意味着你需要走出潜意识里的舒适区尝试用口头表达梳理算法知识。这是一个和刷题完全不同的技能很多人会在这上面失分。我的训练方法是“自我面试”每学一个算法就把它当成一道问答题对着空气讲一遍。讲的时候注意三点第一逻辑是否自洽先讲什么、再讲什么要让人听得懂。第二是否啰嗦如果5分钟讲不清楚一个概念说明你还没吃透。第三是否能应对追问比如讲完K-Means自己追问“K-Means的初始化改进是怎么做的它解决了什么问题”这种方法比反复看笔记有效十倍。你背得再多到了面试现场动嘴说的时候紧张感会暴露所有没吃透的地方。提前练习“说人话”就是提前给未来的自己降低焦虑水平。5.3 时间线规划与冲刺阶段的优先级排序如果你现在正处于秋招冲刺期我建议按这个优先级来分配时间常见数据结构与算法题O(n log n)排序、二分、BFS/DFS、动态规划经典题、字符串匹配。机器学习的核心算法原理逻辑回归、SVM、决策树/GBDT、KNN、K-Means、朴素贝叶斯。深度学习核心反向传播、CNN、RNN、过拟合方法、激活函数选择。数学基础概率论MLE/MAP、线性代数矩阵求导、特征值、最优化梯度下降/牛顿法。项目经验梳理挑1-2个最能体现你价值的项目把“背景-方案-难点-结果”反复练熟。最后这一项我必须特别强调。面试官最常问的一句话就是“你项目中遇到的最大挑战是什么你怎么解决的”你如果没有提前打磨好这个回答哪怕前面理论知识答得再漂亮也容易在这道题上扣分。所有面试准备中我觉得“项目复盘”是最重要又最容易被忽略的一环。一点现身说法的经验当年临近秋招那阵子我每天刷题到凌晨一点第二天还要爬起来啃概率论。那段时间压力确实大但我后来复盘发现真正让我在面试里稳住阵脚的不是记住了多少公式而是我把“问答题”当成了一种思维训练——每学一个算法习惯性地追问自己三个问题它解决什么问题它为什么这样做它有什么局限这三问看着简单却能让你在面试官眼里从一个“背书的候选人”变成一个“真正懂算法的工程师”。小米2018年这套题表面上是十几道散装的知识点但当你把它拆开看你会发现面试官真正想找的就是具备这种“底层思维”的人——能拆解问题的本质能把抽象的知识落到具体的业务场景能在30秒之内把思考过程组织成有条理的语言暴露出来。希望我的这些解析能帮你少走一些弯路。面试这件事与其说是博弈不如说是“让别人看到你思考问题的方式”。祝你在秋招路上打怪升级顺利早日拿到满意的offer。