身邊的很多朋友都問過我一個問題算法工程師到底怎么評估尤其是團隊招人、內(nèi)部晉升、或者自己準備跳槽的時候總得有個標準。我做了幾年算法也參與過不少算法工程師能力評估的面試和評審最直接的感受是算法工程師能力評估這件事沒有統(tǒng)一標準答案但一定有一條可復(fù)用的主線——數(shù)據(jù)結(jié)構(gòu)與算法是入場券機器學習和深度學習理論是分水嶺工程落地能力是從學生思維轉(zhuǎn)為工程思維的關(guān)鍵業(yè)務(wù)理解則決定了你能走多高。今天我不聊虛的直接把這套評估框架拆開講從考察維度、核心算法、實操準備到常見坑位一條條盤清楚。無論你是準備面試的候選人、要帶團隊的負責人還是剛轉(zhuǎn)行算法崗的同學都能找到可以照著做的地方。1. 算法工程師的角色定位與能力模型拆解1.1 算法工程師到底在解決什么問題很多人對算法工程師有誤解覺得算法工程師就是天天刷論文、調(diào)模型、跑實驗的人。實際上一個合格的算法工程師最先要解決的是“業(yè)務(wù)問題如何抽象成數(shù)學問題”。比如給電商做推薦排序你要定義清楚優(yōu)化目標是什么——是點擊率、轉(zhuǎn)化率還是GMV不同目標對應(yīng)的特征體系和樣本權(quán)重完全不同。再比如做路徑規(guī)劃你要判斷這是一個圖上的最短路問題、帶約束的優(yōu)化問題還是一個動態(tài)規(guī)劃問題。這些判斷能力遠比你記得多少算法公式更重要。在能力評估中我最看重的第一件事是候選人能不能在五分鐘內(nèi)把一個模糊的業(yè)務(wù)需求拆成清晰的問題定義。很多候選人上來就說“我打算用深度學習”但問他評估指標是什么、現(xiàn)有baseline是什么、數(shù)據(jù)長什么樣就答不上來。這說明他還沒有建立“問題先行”的思考方式。算法工程師不是追求最先進模型的人而是能在資源、時間、數(shù)據(jù)條件限制下找到最優(yōu)解的人。1.2 五個核心能力維度數(shù)學基礎(chǔ)、數(shù)據(jù)結(jié)構(gòu)與算法、機器學習與深度學習、工程落地、業(yè)務(wù)理解我通常會把算法工程師的能力拆成五個維度方便自評也方便面試打分。能力維度考察重點常見誤區(qū)數(shù)學基礎(chǔ)概率論、線性代數(shù)、微積分、最優(yōu)化方法會背公式但不會推導(dǎo)極限、方差、矩陣求導(dǎo)一問就卡住數(shù)據(jù)結(jié)構(gòu)與算法排序、字符串、圖論、動態(tài)規(guī)劃、貪心、搜索只會刷力扣不知道實際項目在哪用機器學習與深度學習經(jīng)典模型原理、損失函數(shù)、優(yōu)化器、模型評估只會調(diào)包不清楚底層forward和backward過程工程落地代碼質(zhì)量、調(diào)試能力、上線部署、監(jiān)控指標能跑通notebook但寫不出可維護的工程代碼業(yè)務(wù)理解指標拆解、A/B實驗、成本收益分析技術(shù)很強但做出的模型沒人用或不敢上線這五個維度不是平行的。對初中級算法工程師而言前三個維度權(quán)重會更高越往上走后兩個維度的決定作用越大。我見過不少候選人基礎(chǔ)算法題刷得很溜但一聊項目就露餡上一份工作做了什么、遇到了什么問題、怎么定位和解決的說不清楚。這樣的人在評估里往往只能拿到中等偏下的評價。2. 數(shù)據(jù)結(jié)構(gòu)與算法筆試與手撕代碼的硬門檻2.1 排序算法不能只會背復(fù)雜度要會手寫與優(yōu)化數(shù)據(jù)結(jié)構(gòu)與算法是算法工程師能力評估中最容易量化的部分。筆試和手撕代碼環(huán)節(jié)里排序算法幾乎是必考題。很多人能說出快速排序平均復(fù)雜度是O(n log n)、最壞復(fù)雜度是O(n^2)但真讓他現(xiàn)場寫一遍卻會漏掉很多細節(jié)。比如快速排序的partition函數(shù)怎么處理相等元素如果每次都取第一個元素作為基準面對已經(jīng)有序的數(shù)組會直接退化到O(n^2)這時候你至少要知道可以用隨機基準或者三數(shù)取中來優(yōu)化。我記得有一次面試我讓候選人寫堆排序他在紙上畫了堆的調(diào)整過程但代碼里堆化寫了三遍都不對。原因是他不理解“從最后一個非葉子節(jié)點開始自底向上調(diào)整”這個動作的本質(zhì)。堆排序不是背代碼而是要理解完全二叉樹的下標關(guān)系父節(jié)點是i左孩子是2i1右孩子是2i2。搞清楚這些堆排序就是三個函數(shù)建堆、調(diào)整、交換。排序算法的穩(wěn)定性也是高頻追問歸并排序為什么穩(wěn)定快速排序為什么不穩(wěn)定因為快速排序的交換過程可能把相等元素的相對順序打亂。這種細節(jié)只有在真正手寫并且思考過之后才能講明白。2.2 字符串匹配KMP的next數(shù)組怎么在面試中講清楚字符串匹配算法里KMP是面試官特別喜歡考的點因為它能把問題講清楚的人不多。很多候選人背了代碼但問一句“next數(shù)組到底存的是什么”就卡住了。以模式串 p abacaba 為例next[i] 定義為 p[0...i] 這個子串的最長相等真前后綴長度。具體算一遍i0子串 a沒有真前后綴next[0]0i1子串 ab前綴 a后綴 b不相等next[1]0i2子串 aba前綴 a 和后綴 a 相等長度為1next[2]1i3子串 abac沒有相等前后綴next[3]0i4子串 abaca前綴 a 和后綴 a 相等長度為1next[4]1i5子串 abacab前綴 ab 和后綴 ab 相等長度為2next[5]2i6子串 abacaba前綴 aba 和后綴 aba 相等長度為3next[6]3所以 next 數(shù)組是 [0, 0, 1, 0, 1, 2, 3]。有些教材會把 next 數(shù)組整體右移一位變成 [-1, 0, 0, 1, 0, 1, 2]這是用 -1 作為失配時的特殊標記。面試時你只要把定義講清楚再說明兩種表示的區(qū)別面試官基本就能判斷你是真理解還是背模板。KMP 的核心思想是匹配失敗時不要回退主串指針而是利用已經(jīng)匹配的部分信息把模式串盡量右移。next 數(shù)組就是這些“已經(jīng)匹配部分”的壓縮信息。這個思想在很多場景里都有變體比如 AC 自動機就是 KMP 在 Trie 樹上的多模式串擴展。2.3 圖論與搜索Dijkstra、二分圖、拓撲排序怎么考圖論算法在算法工程師評估里出現(xiàn)頻率也很高尤其是 Dijkstra、二分圖匹配和拓撲排序。Dijkstra 求單源最短路堆優(yōu)化版本是標配。但很多人只會寫板子問一句“Dijkstra 為什么不能處理負權(quán)邊”就答不上來。因為 Dijkstra 基于貪心每次取當前距離最小的未訪問節(jié)點這個節(jié)點的距離一旦確定就不會再更新。如果有負權(quán)邊后面可能出現(xiàn)通過負權(quán)邊得到更短距離的情況貪心就不成立了。二分圖匹配經(jīng)?？夹傺览惴ㄗ龃笠?guī)模匹配時可以用 HK 算法優(yōu)化到 O(E√V)。這類題的價值在于幫你判斷候選人有沒有“把業(yè)務(wù)問題轉(zhuǎn)化為已知算法模型”的能力。比如任務(wù)分配問題、相親匹配問題本質(zhì)上都是二分圖最大匹配。拓撲排序則一般會用 Kahn 算法每次從圖中刪除一個入度為0的節(jié)點并減少它鄰居的入度。這個算法在檢測有向圖是否有環(huán)、處理依賴關(guān)系時非常有用。你不需要死記硬背只要理解隊列里存的是“當前沒有前置依賴的節(jié)點”就能寫出來。2.4 常見筆試高頻題與做題順序建議對于候選人我建議把筆試準備分成幾個梯隊。第一梯隊是排序快排、歸并、堆排、二分查找、鏈表操作、棧和隊列第二梯隊是KMP、并查集、拓撲排序、Dijkstra、最小生成樹第三梯隊是動態(tài)規(guī)劃、貪心、回溯、剪枝、快速冪、滑動窗口。這里面動態(tài)規(guī)劃和貪心最難短期突破需要大量題目積累。準備時不要按難度刷題要按類型刷題。先刷同一類型十道題總結(jié)出共性套路再換下一個類型。做題時一定要寫出來并在本地跑測試用例只在腦子里想和真正跑通是兩回事。有些候選人筆試成績不錯但面試讓他現(xiàn)場寫代碼就緊張那是因為平時都在編譯器里跑沒練過白板寫代碼。建議面試前兩周每天用手寫板或者純文本編輯器寫三道題刻意練習無提示環(huán)境下組織代碼的能力。3. 機器學習與深度學習算法從原理到面試追問3.1 經(jīng)典監(jiān)督學習KNN、聚類與分類模型的選擇邏輯機器學習部分是算法工程師能力評估的重頭戲也是最容易看出“真懂還是假懂”的地方。拿 KNN 來說很多人只知道“找最近的K個鄰居投票”但一問“KNN 的三個能力方面”就懵了。KNN 其實涉及最近鄰搜索、距離度量、分類或回歸機制三個方面。最近鄰搜索可以用暴力法、KD樹、球樹等實現(xiàn)距離度量可以是歐氏距離、曼哈頓距離、余弦相似度分類是投票回歸是取平均。這三個方面理解透了才能解釋為什么 KNN 在高維空間效果不好——因為高維下距離度量趨于平均最近鄰和最遠鄰的差別越來越小。K-Means 聚類也是高頻考點。評估時我常問“K-Means 的K怎么選”候選人如果說用肘部法則我會繼續(xù)問“肘部法則的缺點是什么”當數(shù)據(jù)沒有明顯拐點時SSE曲線可能很平滑你需要結(jié)合輪廓系數(shù)、業(yè)務(wù)解釋性來定。還會問“K-Means 對初始點敏感怎么緩解”答案是多次隨機初始化選 SSE 最小的一次或者用 K-Means 進行初始化。這種追問的目的不是考倒人而是看候選人有沒有在真實項目中踩過坑。3.2 優(yōu)化算法梯度下降、模擬退火、粒子群、貪心與剪枝的適用邊界機器學習和深度學習的本質(zhì)都是優(yōu)化問題。面試時對優(yōu)化算法的考察從來不是只看你背了幾個公式而是看你知不知道在什么場景下用哪種優(yōu)化方法。梯度下降是最基礎(chǔ)的要分清批量梯度下降、隨機梯度下降和小批量梯度下降的區(qū)別。隨機梯度下降因為每步只用少量樣本計算梯度所以收斂過程會有噪聲但這個噪聲有時反而能幫助跳出局部最優(yōu)。這個特性就帶出了另一個考點為什么深度學習訓(xùn)練有時要用學習率衰減因為前期需要大步長探索后期需要小步長收斂。如果問題不滿足可導(dǎo)條件或者搜索空間非常復(fù)雜、梯度信息不可靠就可能用到模擬退火、粒子群這類元啟發(fā)式算法。模擬退火的核心是允許以一定概率接受更差的解而且這個概率隨著溫度降低逐漸減小。它的思想來自金屬退火本質(zhì)是“用隨機性換取跳出局部最優(yōu)的能力”。粒子群算法則是模擬鳥群覓食每個粒子根據(jù)自身歷史最優(yōu)和全局歷史最優(yōu)調(diào)整速度。面試時只要講清楚“這倆都是無梯度優(yōu)化算法適用于目標函數(shù)不可導(dǎo)、非凸、離散的場景”就算過了基礎(chǔ)關(guān)。貪心和剪枝經(jīng)常一起出現(xiàn)。貪心算法每一步都選當前最優(yōu)但局部最優(yōu)不一定等于全局最優(yōu)。剪枝是在搜索樹上提前砍掉不可能產(chǎn)生最優(yōu)解的分支。很多候選人在做組合優(yōu)化或搜索題時會混淆這兩個概念。其實貪心是一種策略剪枝是一個加速手段二者常配合使用。比如背包問題貪心不能保證最優(yōu)解但可以用貪心算出一個上界再結(jié)合分支限界和剪枝來求精確解。3.3 序列與生成模型強化學習、ELBO與經(jīng)典算法脈絡(luò)當候選人簡歷上寫了生成模型或者強化學習項目面試評估就會進入更深的層次。比如 KL 散度與 ELBO 的關(guān)系這是理解 VAE 繞不開的點。VAE 的損失函數(shù)里為什么會出現(xiàn) ELBO因為真實后驗分布不可解我們需要用一個近似分布來逼近它通過最大化變分下界來間接最大化對數(shù)似然。ELBO 可以拆成重建項加 KL 項重建項保證生成的樣本接近輸入KL 項保證近似后驗接近先驗。能把這個公式推導(dǎo)一遍并能解釋為什么使用重參數(shù)化技巧才算真正理解 VAE。強化學習方面面試官會關(guān)心候選人能不能區(qū)分 value-based、policy-based 和 actor-critic。DQN 是 value-basedREINFORCE 是 policy-basedPPO 和 DDPG 屬于 actor-critic。我會追問“為什么 policy-based 方法更適合連續(xù)動作空間”因為連續(xù)動作空間里 argmax Q 的計算非常困難而策略網(wǎng)絡(luò)可以直接輸出動作分布。還會問“reward 怎么設(shè)計”見過太多人把 reward 設(shè)得過于稀疏導(dǎo)致訓(xùn)練半天學不會后來改成每一步都給予距離縮減的 reward收斂速度立刻上來了。這些經(jīng)驗不是靠背論文能得到的。3.4 深度學習工程常用庫llama.cpp與推理優(yōu)化入門近幾年算法工程師的能力評估里越來越重視工程部署能力尤其是大模型推理優(yōu)化。llama.cpp 經(jīng)常被提到它是個用 C/C 實現(xiàn)的 LLaMA 推理庫核心賣點是能在消費級 CPU 或 GPU 上跑量化模型。它的原理主要有兩層第一層是模型量化把 FP16 的權(quán)重壓成 int8 或者 int4大幅降低顯存和內(nèi)存占用第二層是內(nèi)存映射把模型權(quán)重映射到磁盤而不是一次性全部加載到內(nèi)存所以加載速度很快。對算法工程師來說了解 llama.cpp 的意義不是要你去改它的 CUDA 內(nèi)核而是理解“模型訓(xùn)練完之后還有一整套推理優(yōu)化鏈路”。我面試時會問“模型在 GPU 上跑得慢你會從哪些方面排查”好的候選人會答要看是否顯存不夠?qū)е陆粨Q、是否沒有開啟混合精度、batch size 是不是太小、有沒有用 TensorRT 或者 ONNX Runtime 做圖優(yōu)化。能答出這些說明他真的部署過模型。只會訓(xùn)練不會部署的候選人在大模型時代越來越吃虧。4. 工程能力與工具鏈從數(shù)學到可運行代碼的距離4.1 音頻重采樣、圖像銳化等信號處理算法背后的工程素養(yǎng)算法工程師的能力評估里除了機器學習傳統(tǒng)的信號處理和圖像處理算法也會被考察。音頻重采樣算法就是典型例子。比如音頻從 44.1kHz 轉(zhuǎn)到 16kHz直接隔幾個點取值顯然會有混疊噪聲。正確做法是先做低通濾波丟掉高于目標采樣率一半的頻率成分再插值采樣。這里涉及奈奎斯特采樣定理。我遇到過候選人以為重采樣只是簡單插值這就是對信號處理的基礎(chǔ)認知不到位。圖像算法同樣經(jīng)典。圖像銳化的拉普拉斯算法核心是用拉普拉斯算子提取圖像的高頻細節(jié)再把細節(jié)疊加回原圖從而增強邊緣。Sobel 算法則是用兩個卷積核分別求水平和垂直方向的梯度常用于邊緣檢測。面試時我可能會問Sobel 的卷積核為什么是 [?1,0,1; ?2,0,2; ?1,0,1]因為中間列權(quán)重更大是給離中心近的像素更高影響。這些細節(jié)不需要天天用但一旦項目里遇到圖像預(yù)處理你能說清楚原理才能正確選參數(shù)。4.2 規(guī)則引擎與Rete算法推薦系統(tǒng)之外的工程場景很多人覺得算法工程師只做機器學習模型實際上在一些風控、反作弊、工單自動處理場景里規(guī)則引擎仍然扮演重要角色。Drools 規(guī)則引擎的底層是 Rete 算法它的核心思想是把規(guī)則條件構(gòu)造成一個網(wǎng)絡(luò)讓事實對象在網(wǎng)絡(luò)上匹配時能共享中間結(jié)果。這樣當大量規(guī)則和大量事實需要匹配時不需要每條規(guī)則都從頭掃描一遍事實集合。我在評估候選人時會問一個實際問題如果你的業(yè)務(wù)里有一百條規(guī)則每條規(guī)則有多個條件用戶一條條發(fā)起請求怎么保證匹配性能如果不知道 Rete 算法候選人會說用規(guī)則列表循環(huán)遍歷知道 Rete 的人會想到把規(guī)則條件拆成節(jié)點建立 alpha 網(wǎng)絡(luò)和 beta 網(wǎng)絡(luò)利用共享子條件減少重復(fù)計算。雖然大多數(shù)算法工程師不一定直接寫規(guī)則引擎但理解這種“空間換時間”的思路能體現(xiàn)出工程化思維的成熟度。4.3 加密哈希算法與合規(guī)意識SM2/SM3/SM4、弱哈希修復(fù)算法工程師不能只懂模型還得懂點安全算法和合規(guī)知識。現(xiàn)在很多系統(tǒng)要求使用國密算法比如 SM2 非對稱加密、SM3 哈希算法、SM4 對稱加密。面試時我不會問你具體數(shù)學細節(jié)但我會問你的系統(tǒng)里密鑰怎么存數(shù)據(jù)簽名用什么哈希候選人如果答“用 MD5 做簽名”我就要扣分。因為 MD5 已經(jīng)不適合安全場景容易產(chǎn)生碰撞。曾經(jīng)有個候選人提到他處理過一個線上告警SSL 證書使用了弱 hash 算法CVE-2005-4900當時他的第一反應(yīng)是重新簽發(fā)證書把簽名算法從 SHA-1 換成 SHA-256。這件事本身不難但能反映出候選人有沒有安全意識。算法工程師寫出來的代碼往往要處理用戶數(shù)據(jù)如果你不關(guān)心加密算法強度不關(guān)心數(shù)據(jù)在傳輸和存儲過程中是否安全能力評估一定會被扣分。4.4 調(diào)試與排查從小算法到線上服務(wù)的定位思路工程能力最終的落腳點是“能不能快速定位問題”。我面試時喜歡出一個場景題線上推薦服務(wù) CT R 下降了5%你怎么排查常見的回答是“看模型是否重新訓(xùn)練了”“看特征是否缺失”“看數(shù)據(jù)分布是否變化”。這些都對但不夠系統(tǒng)。我會引導(dǎo)候選人講出完整的排查鏈路先確認監(jiān)控指標是否穩(wěn)定然后看日志里有沒有異常報錯再看請求量和延遲是否異常然后比對模型輸出分布和特征分布最后看是否最近上線了新代碼或新數(shù)據(jù)。這個鏈路走一次大部分問題都能定位。對于手寫代碼的問題我的建議是三步調(diào)試法第一步構(gòu)造最小復(fù)現(xiàn)用例把數(shù)據(jù)規(guī)?？s小到能肉眼算出來的程度第二步在關(guān)鍵路徑上加打印或斷點逐段驗證中間結(jié)果第三步和基準實現(xiàn)做對比看差異出現(xiàn)在哪。這套方法無論你寫的是排序算法還是復(fù)雜的圖算法都適用。候選人能不能清晰描述自己的調(diào)試過程也是評估工程能力的重要參考。5. 算法工程師能力評估的實操框架與面試準備5.1 怎么給自己做能力體檢如果你想評估自己是否達到某個級別建議畫一張能力自評表用1到5分給自己打分。維度自評項1分3分5分數(shù)據(jù)結(jié)構(gòu)手寫常見排序/搜索能寫冒泡能寫快排時間復(fù)雜分析能寫堆排/歸并并說明穩(wěn)定性模型原理梯度下降推導(dǎo)知道公式能推導(dǎo)參數(shù)更新過程能解釋不同優(yōu)化器差異項目經(jīng)驗獨立負責過算法模塊做過特征工程完整上線過模型主導(dǎo)過多個項目迭代表達能力講清楚技術(shù)方案照本宣科能結(jié)合業(yè)務(wù)講取舍能畫圖并應(yīng)對追問這個表不一定適用于所有人但通過自評你能快速發(fā)現(xiàn)自己最薄弱的環(huán)節(jié)。我見過不少人平時刷題很多但自評表里“項目經(jīng)驗”只有2分原因是他從來沒有獨立完成過一個從數(shù)據(jù)到上線的閉環(huán)。這種情況下與其繼續(xù)刷題不如找個小需求自己動手做一遍比如搭一個新聞推薦或者圖像分類小系統(tǒng)。評估自己的目的是找方向而不是打分。5.2 簡歷項目與技術(shù)棧的匹配策略簡歷上的項目描述是面試官替你定能力區(qū)間的重要依據(jù)。很多候選人寫“使用深度學習實現(xiàn)了推薦系統(tǒng)”但沒有任何數(shù)字和細節(jié)。我會追問用戶量多少特征維度多少在線延遲要求多少訓(xùn)練數(shù)據(jù)多大模型的離線指標和線上收益分別是什么如果你在簡歷上寫不出這些面試現(xiàn)場也大概率答不好。我建議項目描述采用“背景-方案-結(jié)果”三段式。背景要寫清楚業(yè)務(wù)痛點方案要寫出算法選型和關(guān)鍵設(shè)計比如“用召回雙塔模型特征包括用戶行為序列和Item側(cè)靜態(tài)特征負樣本采樣策略是曝光未點擊”結(jié)果要量化比如“CTR相對提升3.2%服務(wù)延遲P99低于50ms”。這樣的項目描述能極大降低面試官的追問難度也說明你有工程閉環(huán)意識。5.3 面試官考察的潛臺詞從評估表反推準備重點作為面試官我在評估候選人時會用一張內(nèi)部評估表分數(shù)項包括“問題定義”“算法選型”“代碼實現(xiàn)”“方案權(quán)衡”“溝通表達”。你可以從這張表反推準備重點。問題定義潛臺詞是“你能不能搞清楚要做什么”面試官會用一個開放式業(yè)務(wù)題來測。算法選型潛臺詞是“你能不能根據(jù)數(shù)據(jù)量和算力約束選擇合適算法”而不是什么玄學熱門選什么。代碼實現(xiàn)潛臺詞是“你有沒有真的寫過代碼”而不是只講思路。方案權(quán)衡潛臺詞是“你知道這個方案的缺點嗎”比如用深度學習雖然準但可解釋性差用規(guī)則引擎雖然快但維護成本高。溝通表達潛臺詞是“你能不能和業(yè)務(wù)方講清楚你的方案”。所以面試準備不能只刷題。建議每次準備一個項目時都先寫一段兩分鐘的電梯陳述把背景、方案、結(jié)果講清楚再準備五個“為什么”為什么用這個算法為什么不用別的為什么這個指標為什么這個閾值為什么這個效果。你能把這五個為什么答清楚面試成功率會高很多。6. 常見問題與避坑指南6.1 只會調(diào)包源碼沒看過怎么補現(xiàn)在很多框架太成熟了sklearn一行代碼就能訓(xùn)模型但這也讓一批候選人陷入“只會調(diào)包”的尷尬。面試官一問 KMeans 里面具體怎么計算距離、怎么更新簇心就答不上來。我的建議是挑一個最常用的算法花一個周末把源碼讀一遍。比如 sklearn 的 KMeans 源碼重點看 init 方式、迭代終止條件、如何處理空簇。不用把每個細節(jié)都讀懂但至少要知道官方實現(xiàn)里有哪些你平時沒用到的參數(shù)它們?yōu)槭裁创嬖凇Ｗx源碼之后再去做一個小實驗手寫一個簡單的 KMeans和 sklearn 的結(jié)果對比看看哪些地方會影響結(jié)果。這個實驗做完你對聚類算法的理解會上升一個臺階。同理手寫一個不帶自動求導(dǎo)的兩層神經(jīng)網(wǎng)絡(luò)你才能理解鏈式法則在反向傳播里具體怎么運作。調(diào)包沒有錯錯的是只會調(diào)包不理解原理。6.2 算法原理懂但寫不出來怎么辦不少候選人理論功底不錯能講清楚原理但一讓他手寫代碼就卡殼。這種情況通常是因為平時只看不練。原理是“知道是什么”寫代碼是“知道怎么做”中間隔著一層刻意練習。比如你理解快速排序的分治思想但如果不知道 partition 怎么用雙指針交換代碼就是寫不出來。我的經(jīng)驗是準備面試前一個月每天抽出半小時在純文本編輯器里手寫一道常用算法題不補全、不提示、不依賴IDE。寫完之后和標準答案對比找出差異。這個過程不用刷很多題但一定要把“看到題目-想清楚步驟-寫代碼-調(diào)試通過”四個環(huán)節(jié)練熟。算法原理和代碼能力是兩條腿缺一條都走不遠。6.3 業(yè)務(wù)算法和學術(shù)算法如何平衡有些候選人特別癡迷學術(shù)前沿一上來就討論最新論文但落到具體業(yè)務(wù)時卻拿不出可落地的方案。學術(shù)界關(guān)注的是指標漲了多少業(yè)務(wù)側(cè)關(guān)注的是收益怎么樣、風險大不大、老板認不認。我在評估時會更看重候選人能不能在兩者之間找到平衡點用一個小而美的方案快速上線拿到效果再考慮是否引入更復(fù)雜的模型。比如冷啟動階段簡單的規(guī)則召回可能比復(fù)雜模型更實用因為數(shù)據(jù)不夠、訓(xùn)練成本高、收益不明顯。等數(shù)據(jù)積累到一定程度再上深度學習模型才是合理的。如果你正在準備算法工程師崗位建議在簡歷里至少體現(xiàn)一個“業(yè)務(wù)與技術(shù)結(jié)合”的項目。哪怕只是用線性回歸解決了渠道投放的ROI預(yù)估問題也說明你有業(yè)務(wù)思維。學術(shù)算法是養(yǎng)料業(yè)務(wù)算法是果實不能只囤養(yǎng)料不結(jié)果。6.4 評估周期與持續(xù)成長路徑算法工程師的能力成長不是一蹴而就的。如果按照三個月一個周期來看第一個月重點補數(shù)據(jù)結(jié)構(gòu)與經(jīng)典機器學習第二個月做一個小項目走通全流程第三個月復(fù)盤和總結(jié)輸出一篇技術(shù)筆記然后進入下一個循環(huán)。能力評估不是只發(fā)生在面試那一刻平時就要持續(xù)自評。我個人比較喜歡的一個做法是每年年底把所有做過的項目列出來每個項目寫清楚背景、行動、結(jié)果再標出當時最大的失誤。這個動作堅持兩三年以后你會很清楚地看到自己的成長曲線。能力評估這件事最終目的不是排名而是幫你找到下一個要補的短板。最后再分享一個實際體會算法工程師越往上走越拼“能不能把復(fù)雜問題講簡單”。面試時能把 KMP 的 next 數(shù)組用“失配后利用已匹配部分右移模式串”一句話講清楚的人通常代碼能力也不差。準備評估時不要只盯著刷題數(shù)量每隔一段時間強迫自己把最近學的東西講給朋友聽講不出來就再回去查資料。這個過程雖然慢但帶來的能力提升非常扎實。