企业官网建设流程全解析

春招实习这一路，我大概把能踩的坑都踩了一遍。写这篇面经的时候，我已经拿到了几个算法岗实习的offer，回头看看那段从简历石沉大海到面试被问到怀疑人生的日子，很多东西确实值得记录下来。标题就很直白，弱校本科生，算法岗，春招实习。这三个词放在一起，本身就带着一种不太容易的味道，但这篇文章想说的恰恰是，这条路虽然难，但不是走不通。以下内容全部基于我个人在春招期间的真实面试经历，按面试环节和时间线整理，每道题都尽量还原当时面试官问的方式，再附上我的复盘和后来补课得到的理解，希望对背景类似的朋友有点帮助。

1. 写在前面：弱校本科生到底难在哪，以及我是怎么准备的

先交代一下背景。我本科学校是双非，专业是计算机科学与技术，没有名校光环，没有顶会论文，实验室资源也一般。投算法岗春招实习之前，我一度很犹豫，因为身边几乎没有人走这条路，大家默认算法岗是985硕士的天下。但仔细想了一下，算法岗也分很多种，有做纯研究发paper的，也有做业务落地调模型的，后者对工程能力和动手能力的要求其实很高，本科学历虽然吃亏，但并不是完全没有机会。春招开始前大概三个月，我花了大量时间做两件事：刷题和整理项目。

刷题我主要用的是LeetCode和AcWing，按照高频考点去刷，一开始没有盲目追求题量，而是先保证每个类型的题目都能独立写出最优解。我之前听说过很多人说刷了三百题四百题，但我觉得刷题这东西，数量只是一方面，一遍两遍地重复更重要。我的策略是，先把数组、链表、二叉树、堆、栈这些基础数据结构吃透，然后上排序、二分、双指针、滑动窗口、DFS、BFS，最后再啃动态规划和图论。时间不够的情况下，优先保证核心题型足够熟练，冷门题型至少知道思路。

项目这块，我没有实习经历，主要靠的是自己做的两个项目，一个是基于公开数据集的推荐系统，另一个是一个自然语言处理相关的文本分类方案。这两个项目都不算惊艳，但好在我把每个细节都摸了一遍：数据怎么清洗、特征怎么构造、模型怎么选、评估指标怎么定、踩了什么坑、后来怎么改的。面试官问项目的时候，最怕的就是一问三不知，所以我把每个项目的每一个环节都写成文档，反复过了好几遍。

还有一个很重要的准备，就是面试复盘。我每面完一场，都会把面试官问的问题记下来，包括那些我当场没答出来的，然后回去翻书、查博客、补知识。这些复盘内容就成了我后面面试的弹药库。说句实在话，面经这东西，看别人的只是图个心理安慰，真正有价值的是你自己在面试现场被问到然后事后搞懂的那些题。

2. 算法题面经汇总：那些被问到手撕的代码题

算法题是算法岗面试里最硬核的一关，每个公司都在考，而且考得很直接，就是让你写代码。我面的公司里，有让你在在线编辑器里直接写的，也有让共享屏幕在本地IDE里写的，还有连写都不写，直接口述思路的。下面这些是我遇到的题目里比较典型的一些，按考点分类整理。

2.1 高频基础题：排序、二分、链表与数组操作

排序算法几乎是必考。我印象比较深的一次是面试官让我写快速排序，写完之后追加了一个问题：快排在什么情况下会退化成O(n²)，怎么优化。这就是典型的一题两问，代码写完还得说原理，当时我除了回答“基准值选得不好会退化”之外，还补充了随机选基准和三数取中的方案，面试官看起来比较满意。

还有一道让我手写冒泡排序的题目，我当时有点意外，因为太基础了。但面试官的后手问题是：这个排序稳定吗，为什么，它和插入排序相比谁更优。所以不要以为考得简单就是放水，恰恰是在这些简单题上能拉开差距。回答的时候一定要把“为什么”讲清楚，而不是背出代码了事。

二分查找也考过几次，考法比较灵活。一次是让我在一个有序数组中找目标值的第一个和最后一个位置，这就是LeetCode 34。另一次是让我实现一个求平方根的函数，要求精确到小数后若干位，这个是二分答案的经典应用，我用了浮点数二分的写法，然后用左右边界逼近。注意浮点数二分不能直接比较等于，要用精度范围去判断，这个细节面试官可能会有追问。

链表相关的题目里，我遇到的是反转链表和判断链表是否有环。反转链表我写了迭代版，面试官又问能不能用递归写，这个基本功得会，两种写法都要熟练。判断链表是否有环我用的是快慢指针，写完后面试官追加了一个问题：如果链表很长，快慢指针会不会有性能问题。这个就涉及到时间和空间复杂度分析了，答案是O(n)时间和O(1)空间，性能没有问题。

数组操作类的题目，我遇到过合并两个有序数组、移动零、最大子数组和。这几道都属于“看起来简单但写起来要稳”的题，考察的是边界条件处理能力。比如合并两个有序数组，我记得题目要求从后往前填充，这样可以避免覆盖原数组元素，这个思路如果之前没见过，现场想可能要卡一会。

2.2 字符串专题：KMP、回文与模拟题

字符串是算法岗面试的座上宾，尤其是KMP算法，几乎每一轮技术面都有可能被问到。我面试的时候确实被要求手写KMP的next数组。当时面试官给的模式串是类似"abacaba"这样的形式，要求写出next数组的求解过程。这里有个小坑，不同教材里next数组的定义不完全一样，有的从0开始，有的从-1开始，有的next[i]表示最长公共前后缀长度，有的表示失配后跳转的位置。我当时先和面试官确认了一下定义，然后按照next[i]表示“失配后模式串回退到的位置”这个口径来写，这样写出来就是-1、0、0、1、0、1、2这样的序列（从0下标开始，next[0] = -1）。

KMP的优化也值得注意。传统next数组在模式串出现连续重复字符时会造成多余比较，这时可以用nextval优化。我在一次面试中提到了这个点，面试官明显来了兴趣，追问了具体怎么优化，以及什么时候该用nextval。我的回答是，若p[i] == p[next[i]]，那么失配后跳转的位置还要继续往前跳，所以把next[i]更新为next[next[i]]，这样避免了重复匹配同一个字符。

字符串里我还遇到过一个回文串判断的题目，要求判断一个字符串能否通过删除最多一个字符变成回文串。经典的贪心思路，左右指针，遇到不相等时尝试删左边或删右边，递归判断即可。另外还有一道模拟类的字符串题，要求实现一个简单的规则解析器，类似把"a2[b3[c]]"展开成"abcccbccc"这种形式。这类题看着陌生，其实就是用栈模拟展开过程，当时我把数字和字符分开压栈，遇到']'就弹栈展开，有点绕但能写通。

2.3 数据结构与二叉树：遍历、路径与最近公共祖先

二叉树算是算法岗面试里出现频率比较高的数据结构了。前序、中序、后序遍历当然要能手写，而且还可能问非递归版本。我遇到一次面试官让我同时用递归和栈模拟两种方法写中序遍历，然后分析两者思路上的差异。递归版本的顺序是“左-根-右”，非递归版本需要用栈来模拟系统栈的行为，先把左子树一路压栈，弹栈访问根节点后再转向右子树，这个思考过程其实比背代码重要得多。

二叉树层级遍历也是高频题，我用队列实现，每一轮记录当前层的节点数，然后一次性处理完整个队列，这样就能按层输出。面试官追加的问题是：如果要求从下往上、从右到左输出每一层怎么办。这个本质就是把结果反转，或者调整遍历顺序，思路不难，关键是能不能快速反应过来。

二叉树的最近公共祖先（LCA）我遇到过一次，题目比较经典，递归判断左右子树是否包含目标节点。如果是二叉搜索树的LCA，就可以利用左小右大的性质直接迭代判断。我那次遇到的是普通二叉树，所以写了递归。面试官追问了时空复杂度，以及如果这棵树会频繁查询LCA，应该怎么预处理。我当时想到了用倍增法维护节点的祖先信息，但说了个大概，现场没完全说好，事后补课才真正弄明白倍增法的细节，这个是典型的“听过但没吃透”的教训。

路径类题目我还遇到过一个，求二叉树中所有根到叶子路径上节点值之和为某个目标值的路径。就是DFS加回溯，维护当前路径节点列表，到叶子节点时判断路径和是否等于目标值。这个题比较常规，但考察的是代码的严谨性，比如什么时候把结果加入答案、什么时候回溯。

2.4 图论与搜索：DFS、BFS、拓扑排序与最短路

图论的题目在实习面试里出现的频率不如前面那些高，但一旦出现就挺考验人。我遇到过一个求岛屿数量的题目，就是二维网格里1表示陆地，0表示水，问有几个连通的陆地板块。这题本质是连通块计数，用DFS或者BFS都能做，关键是访问标记的处理，别重复遍历，也别漏遍历。我当时写的是DFS，每发现一个陆地就把它所属的整个连通块标记为已访问，然后计数加一。面试官追问了空间复杂度，如果网格特别大，递归会不会栈溢出，这个就得注意，DFS的递归深度跟连通块大小有关，极端情况下可能爆栈，这时候可以改成显式栈或者BFS。

拓扑排序也考过一次，场景是课程表先修关系判断能不能修完所有课程。这就是判断有向图是否存在环的问题，用Kahn算法维护入度为0的节点队列，每弹出队列就对邻接节点的入度减1，如果最后处理的节点数不等于总节点数，就说明有环。这个算法思路不算难，但写起来要细心，邻接表要建对，入度数组要更新对。

最短路径我遇到的是Dijkstra算法。面试官没有直接让我写完整代码，而是让我讲思路，然后针对某个细节追问：如果边权有负数，Dijkstra还能用吗，为什么，应该改用哪个算法。这就是在考底层原理，答案是Dijkstra基于贪心每轮确定一个最短距离的节点，有负权边的时候贪心失效，需要用Bellman-Ford或SPFA。这题我答上来了，因为我之前专门把最短路径类算法的原理对比过一遍。

二分图相关的算法虽然面试时没有被直接要求手写，但我自己准备过匈牙利算法和HK算法，后来在一次面试的闲聊环节被问到“你了解哪些匹配算法”的时候派上了用场。算法岗面试除了写题，也会考察知识广度，知道一些经典算法的名字和适用场景，偶尔会有意外收获。

2.5 动态规划：背包、区间DP与状态设计

动态规划是我面试里遇到的最多的类型之一，也是我花时间最多的部分。最长递增子序列考过，我用的是O(n²)的DP思路，面试官追问能不能优化到O(n log n)，这就涉及到耐心排序的贪心加二分的做法，维护一个tails数组，每个元素表示当前长度的递增子序列的最小末尾值，然后用二分找到插入位置。

背包问题我遇到过一次，是一个“子集和能否达到目标值”的变体，本质是0-1背包，用一维滚动数组优化空间。当时面试官问了一个从没遇到过的问题：如果每个物品可以用无限次，状态转移方程应该怎么改。这就是从0-1背包变完全背包，遍历顺序从倒序变成正序，我当时解释了一下为什么顺序变化会导致同一个物品被多次取用，面试官点头了。

还有一个区间DP的题目让我印象深刻，是经典的“戳气球”问题。这个题我当时没写出来，只想到了递归的思路，但状态定义一开始想错了。面试结束后我花了一天时间专门把区间DP的题目刷了一遍，才算真正理解了为什么这类题要先枚举区间长度，再枚举左端点，再枚举分割点。这个经历让我明白了，面试题答不上来不代表这件事就结束了，把它学会，后面的面试才有意义。

2.6 贪心、排序检索与搜索策略题

贪心算法的题目，我遇到过一个会议室安排问题，就是给定若干时间段，问最多能安排多少个不重叠的会议。经典解法是按结束时间排序，然后贪心地选择结束时间最早且不与之前冲突的会议。这题的证明思路是“替换法”，贪心选择的方案可以通过交换操作替换成某个最优解而不改变结果，理解了这个证明思路，同类题目都能串起来。

搜索策略里，面试官问过“有哪些常见的剪枝策略”。我结合自己刷搜索题的经验，回答了几类：可行性剪枝、最优性剪枝、重复状态排除、启发式排序，以及位运算状态压缩。面试官接着问我有没有用过模拟退火算法或者粒子群算法。这个就有点超纲了，我只是了解过原理，没有实践过。我如实说了，然后简单讲了一下模拟退火的核心思想，就是在搜索过程中以一定概率接受劣解来跳出局部最优，温度逐渐下降，接受概率逐渐减小。面试官也没有为难我，说明诚实交代自己不会，并且能把知道的一部分讲出来，比硬编一个答案要好。

2.7 手撕代码的小技巧与注意事项

手撕代码环节，除了题目本身，有几个细节非常影响面试观感。首先，写代码之前先和面试官确认一下输入输出格式和边界条件，比如数组长度、值的范围、是否为空，这些确认过程能让面试官看到你的工程意识。其次，动手写代码的时候，变量命名尽量有意义，不要全是i、j、k，偶尔用用left、right、index这类的单词，代码会干净很多。第三，写完之后主动说一遍时间复杂度和空间复杂度，如果还有优化空间，自己提出来比面试官提醒要好得多。最后，写完代码不要急着说“写完了”，先自己顺着代码逻辑跑一个简单例子，能当场发现大部分低级错误。

3. 机器学习与深度学习理论面经：八股文的正确打开方式

算法岗面试里的理论问题，和学校里考名词解释完全不一样。面试官会更喜欢用“场景+追问”的方式考察你对原理的理解深度。我整理了我在面试中被问到的一些代表性的问题，按主题分类写在这里。

3.1 经典机器学习：回归、树模型与SVM

让我比较意外的是，实习面试里传统机器学习的内容反复出现，尤其是决策树和集成学习。面试官问过：XGBoost和GBDT的区别是什么，XGBoost做了哪些优化。我当时的回答是：XGBoost在GBDT的基础上做了二阶泰勒展开，用了正则化项来控制模型复杂度，支持列采样，并且在特征分裂点的寻找上做了并行化处理。面试官接着问，为什么二阶信息比一阶信息更好。我的理解是，二阶梯度蕴含了一阶梯度变化趋势的信息，对目标函数的近似更精确，因此每一步的提升方向更准。

SVM也被问到过几次。经典问题是：SVM的损失函数是什么，为什么要用合页损失，以及软间隔中的C参数有什么作用。合页损失在置信度大于1且分类正确时损失为0，而小于1时会有线性惩罚，这样既保证了分类正确，又保证了足够大的分类边界。C参数控制着对误分类样本的惩罚力度，C越大，模型越不愿意容忍错误，可能过拟合；C越小，模型泛化能力可能更好但也可能欠拟合。这些回答如果离开公式直接讲直觉，会让面试官觉得你只背了结论，最好还是在脑子里形成那个几何图像再回答。

逻辑回归是我被问到最多的问题之一。面试官问过：逻辑回归的损失函数为什么用交叉熵而不是均方误差。这个问题要从优化角度回答，交叉熵损失关于参数的梯度里含有预测误差项，而均方误差的梯度里还含有sigmoid导数的因子，当预测值接近0或1的时候，梯度会变得非常小，导致收敛速度极慢。

聚类算法里，K-Means被问过：初始点怎么选，K值怎么确定。我当时提到了K-Means++和肘部法则。面试官还追问了K-Means对异常值敏感为什么，我当时回答是因为平方误差里异常点会产生大距离误差，从而拉偏簇中心。这块后来我也复习了DBSCAN这类基于密度的算法，因为面试官后面问了一句“如果数据分布不是球形怎么办”，从K-Means切换到DBSCAN来回答就很自然。

3.2 深度学习基础：CNN、激活函数、梯度消失与网络结构

深度学习的内容也是重头戏。CNN的问题从基础到进阶都有，常见的有：卷积的感受野怎么计算、参数共享有什么用、为什么堆叠小卷积核能替代大卷积核。最后一问我当时有点卡壳，后来想明白了，两个3x3卷积堆叠的有效感受野是5x5，参数数量却比单个5x5卷积少，并且中间多了一层非线性变换，表达能力更强，这也是VGGNet设计的核心思想之一。

激活函数的问题也几乎每场必考。面试官会问：ReLU和sigmoid相比有什么优势，ReLU有哪些缺点，怎么缓解。ReLU的优势是计算简单、正区间梯度恒为1、能减缓梯度消失，但缺点是负区间输出恒为0，可能导致某些神经元永远不激活，也就是Dead ReLU问题，缓解方案包括使用Leaky ReLU、PReLU或者像ELU这样的替代版本。

梯度消失和梯度爆炸的原理我也被问到过。回答这类问题，要先从反向传播的链式法则出发，说明梯度是连续相乘的结果，如果每层乘子都小于1，多层相乘后梯度会指数级变小，如果都大于1则会指数级增长。缓解手段包括合理的权重初始化、使用Batch Normalization、调整激活函数、使用残差连接以及梯度裁剪。残差连接在如今的大模型里也无处不在，它让梯度可以走一条“高速公路”直接传回浅层，解决了深层网络难以训练的问题。

在大模型知识点上，我被问过Self-Attention的原理和Transformer的结构。自我感觉这块准备得相对充分，我把Q、K、V三个矩阵的来源，缩放点积注意力的公式，以及为什么除以根号d_k避免点积结果过大进入softmax饱和区都讲了一遍。面试官追问了位置编码的作用和为什么Transformer需要位置编码，这是因为Attention本身不包含顺序信息，词序变化后输出会完全一样，所以必须靠位置编码把位置信息注入输入序列。在面向大模型应用的团队里，还会追问一些和推理、部署相关的问题，这块我实践不多，主要靠看资料了解过一些。

3.3 模型评估、过拟合与样本不平衡问题

模型评估这一块，我被问过精确率、召回率、F1、AUC的含义和适用场景。尤其在正负样本极不平衡的情况下，准确率会严重失真，这时候更适合用AUC或者PR曲线来评估。面试官追问：AUC为什么对样本不平衡不敏感。AUC只依赖排序结果，不依赖预测值绝对值，所以正负样本比例改变时，如果模型对样本的排序基本不变，AUC的变化就不会太大，这和准确率判定的方式是完全不同的。

过拟合的识别和解决也是标准问题。我通常会分几个层次回答：数据层面可以扩充数据、做数据增强；模型层面可以降低模型复杂度、加正则化、做Dropout；训练层面可以用早停法、交叉验证、简化特征集。面试官如果追问为什么Dropout能防止过拟合，可以从集成学习的角度回答，每个batch训练的是不同的子网络，最终是无数子网络的集成效果，所以泛化能力强。

样本不平衡问题，面试官问过：如果正样本只占1%，你怎么训练分类模型。我回答了几个方向：一是重采样，做过采样或者欠采样；二是修改损失函数，比如给少数类样本分配更高的权重，或者用Focal Loss；三是用异常检测的思路处理，当成单类分类问题；四是评估时改用PR曲线和AUC这些对不平衡不敏感的指标。这个问题的回答尽量体现出你有实际处理过，而不是只会背名词。

3.4 大模型与前沿方向：Attention、Transformer、蒸馏与量化

算法岗实习面试已经绕不开大模型了，尤其是一些做AI平台或者应用型团队，会直接问你对大模型训练和推理的理解。我面试中遇到的一个有代表性的问题是：训练一个LLM大概包括哪些阶段，以及每个阶段在干什么。经典的答案是预训练、监督微调SFT、基于人类反馈的强化学习RLHF或DPO、推理部署这几个阶段。虽然是八股，但每个阶段后面都能展开很多细节，面试官如果感兴趣会一直往下追问。

还有一次被问到知识蒸馏的原理。我的回答是，用一个大模型或教师模型去指导一个小模型或学生模型，让学生模型拟合教师模型的输出分布，而非硬标签，这样能学到教师模型在类别间模糊关系上的软信息，使得小模型在保持推理速度的同时逼近大模型的效果。面试官追问了蒸馏的温度参数怎么设置，这要从softmax的软化效果来回答，温度越高，输出分布越平滑，软化程度越高，携带的相对关系信息也越丰富。

参数量评估、模型量化和推理加速这些内容也有被问到。量化这块，我简单回答过把FP16或者FP32的权重用INT8表示，减少显存占用，加快推理速度，但同时可能会掉点，需要用校准数据做量化感知训练或训练后量化。我对这个方向了解不深，面试时表达得比较保守，也主动说了自己目前还在学习阶段，面试官没有继续深挖。

4. 项目经历面试细节：少讲模型，多讲思考和取舍

项目环节是很多简历上没有实习经历的本科生的救命稻草。但也正是这一环，最容易暴露问题。我的经验是，项目讲解的套路其实是可以设计的，而且一定要从“解决什么问题”出发，而不是从“我用了哪些模型”出发。

4.1 怎么讲项目才能不露怯

我自己的项目讲法分成四步：背景、问题、方案、结果。背景是说这个项目解决什么场景下的什么问题，比如推荐系统是给用户推荐可能感兴趣的物品，文本分类是把客服消息自动分成几个大类。问题是指在这个场景下真正棘手的是什么，比如数据稀疏、类别不均衡、冷启动怎么解决。方案部分要讲清楚你用了什么方法以及为什么选这个方法，这里一定要解释“为什么”，这是面试官最看重的部分，可以说数据量小所以选了轻量模型，或者线上有延迟要求所以要控制特征数量和模型复杂度。结果部分要给出可量化的指标，比如准确率提升了多少，响应时间降到多少，或者和哪些baseline比较过。

我当时讲推荐系统项目的时候，面试官追问的问题是：协同过滤和矩阵分解的区别是什么，你的方案里为什么没直接用深度学习模型。这两个问题恰好都是我的思考盲区，之前我更多是照着一篇开源方案复现，没有仔细推敲过背后的取舍。后来我补了课：协同过滤直接使用用户物品交互矩阵计算相似度，矩阵分解则是把交互矩阵分解成用户和物品的低维隐向量，利用隐向量内积来预测，泛化性更强，冷启动问题依然存在但可以通过内容特征辅助缓解。至于为什么不用深度学习模型，要从数据量和可解释性两个角度回答，数据规模不足时复杂模型容易过拟合，而且工业界很多场景对可解释性有强需求。

4.2 面试官最爱追问的几个“坑”

项目环节最容易被追问的有几类问题：数据从哪里来、数据量多大、特征怎么构造、模型结构是什么、超参怎么调的、评估指标为什么选这个、有没有线下线上不一致的问题。这些问题其实都是考察你是不是真的做过项目，而不是背了个demo。

其中“特征怎么构造”是最容易被问到的。我的经验是，要讲清楚特征的类型和它对应的业务含义，比如用户历史行为序列特征、时间衰减特征、交叉特征。如果讲师说“我用了一个embedding”，面试官很可能追问embedding是怎么训练出来的、维度怎么确定的、冷启动怎么解决。我当时被问到“embedding维度怎么确定”时确实楞了一下，因为我只是照搬了论文里的64维，没有想过去验证。后来我补了一课，理解到embedding维度本质上是一个超参，和词表大小、样本量、任务复杂度都有关，可以先从较小的维度开始，通过验证集效果来调整，不必盲目追求大维度。

“有没有做过A/B测试”也是高频问题。如果项目只是离线实验，就得坦诚说明离线评估和线上真实效果的差异，同时可以提一下如果上线会怎么设计实验，包括流量划分、实验周期、显著性检验这些。这个问题我没法造假，就老实说没有上线条件，但给出了一个实验方案，面试官也表示认可。

4.3 弱校本科生没有实习经历要怎么包装项目

包装这个词听起来有点贬义，但其实不是让你造假，而是把已有的经历用更好的方式呈现出来。如果没有实习经历，就尽量自己做一两个完整项目，项目不一定要多高级，关键是闭环：数据获取、数据清洗、特征工程、模型训练、评估、分析思考，全套走完。哪怕用的都是公开数据集，也能证明你有独立做事情的能力。

在简历上，项目部分不需要写太多废话，突出你做的事情和量化结果就行。我见过很多简历写“负责xx系统的开发”，没有结果也没有细节，这种描述在筛选阶段几乎等于没有。好的写法是“基于xx数据集，设计xx特征，实现xx模型，将准确率从88%提升到92%，并通过xx方法解决了类别不均衡问题”，一眼看过去就有画面感。

面试的时候，还可以主动把项目往职位方向上靠。比如面的是搜索推荐方向的算法岗，就多讲推荐系统项目里的排序、召回、用户行为建模细节。面的是大模型应用方向，就多讲文本处理、Prompt设计、模型微调相关的内容。方向匹配度在面试里是隐形的加分项。

5. 面试流程复盘：从一面到HR面，每轮在考什么

春招实习的流程大体都差不多，简历筛选、技术一面、技术二面、HR面，有些公司还会有笔试和加面。我这里按我经历的流程环节，把每一轮的特点和考察重点说一下，大家可以根据这个框架来调整自己的准备重心。

5.1 技术一面：基础与项目为主，算法题为辅

技术一面通常是未来和你同团队的工程师或者技术骨干来面，考察的重点是基础能力和项目真实性。我当时的一面绝大多数是从两三个基础题开始的，比如问讲一下HashMap的实现原理、TCP三次握手为什么是三次、进程和线程的区别。这些是计算机基础，算法岗也躲不掉，所以复习的时候别只盯着算法和机器学习，计算机网络、操作系统、数据库的基础也是要过一遍的。

一面里项目环节占的比重比较大，面试官会非常仔细地追问项目里的细节，力求确认这个东西确实是你自己做的。除了项目，一面还喜欢问一道中等难度的算法题或者机器学习基础题。我遇到的一道题是实现一个LRU缓存，这是经典题目，用哈希表加双向链表实现，面试官还追问了为什么用双向链表而不是数组。另一个我印象深刻的题是给我一个场景，让我设计一个推荐策略，这已经是偏方案设计的题目了，需要从召回、粗排、精排、重排的链路里选一部分来讲。

5.2 技术二面：方案设计、发散思维与底层原理

二面一般是团队负责人或者更资深的人来面，侧重点会从“会不会”转向“能不能做事情”。二面的问题更开放，比如“如果给你一个大规模文本数据集，你会怎么构建一个分类系统”“对于新上线的特征，你怎么评估它有没有效果”。这类问题没有标准答案，考察的是解决问题的思路。我当时遇到的一个问题是：如果推荐系统里物品发生冷启动，除了基于内容的方法，还能怎么做。我回答了利用用户行为序列构造伪交互、利用图神经网络做热启动传播、以及用探索策略把新物品曝光给部分用户拿到反馈后再介入。面试官没有说这个答案“对”或“错”，反而顺着我的思路继续聊了下去，这让我感觉到，二面更像是在看你适不适合在这个团队工作。

二面还喜欢问底层原理。比如问过Transformer里的Layer Normalization为什么比Batch Normalization更常用，尤其是序列长度经常变化的时候。回答时要讲清楚BN在batch维度上统计均值和方差，序列变长变短或者batch较小时统计不稳定；LN则在单样本内部做归一化，和序列长度无关，所以更稳定。这个答对了之后，面试官明显对我深入原理的态度比较认可。

5.3 HR面：谈薪、意愿与稳定性

HR面虽然不像技术面那么硬核，但翻车概率也不低。HR面主要考察的是求职意愿、沟通能力、稳定性，以及你对公司和团队是否有基本了解。有一个问题几乎必问：你还投了哪些公司，目前进展怎么样。这个问题回答要有策略，既不能只说“只投了你们一家”，显得没有竞争力，也不能高调地把自己说成offer收割机，显得随时会跑路。比较稳妥的说法是“还有两三家在进行中，但贵司是我很倾向的方向”，然后再具体说为什么倾向。

另一个HR常问的问题是“你的职业规划是什么”。这个问题我一开始回答得比较大而空，被HR继续追问“具体到两年内你希望达到什么水平”之后才意识到，人家问的不是宏大理想，而是你对自己的定位有没有想清楚。后来我的回答变成了：两年内先把算法的落地流程走通，熟悉特征工程、模型训练、上线部署、评估迭代的整个闭环，能独立负责一个子方向的迭代优化。这样听起来就更具体、更可信。

HR面还会问一些压力测试问题，比如“你觉得你最大的缺点是什么”“如果导师布置的任务很重，你怎么平衡”。这类问题建议提前准备几个合适的答案，核心是真实而不致命，并且要给出改进的行动方向，不要让面试官觉得你止步于自我批评。

5.4 笔试与在线测评准备要点

春招笔试有相当一部分是在线编程题，模式通常是在牛客网或者公司自己的平台。我的经验是，在线笔试比面试手撕代码更考验熟练度，因为时间是连续的，题目数量多，你不能在一道题上磨太久。笔试前最好提前熟悉平台的操作方式，比如输入输出的读取方式、有没有代码自动补全、能不能编译调试，这些看起来不起眼的细节，在考场上能省下很多时间。

笔试题目里，贪心、二分、动态规划、图论、字符串这几种类型出现频率很高。我的做题策略是：先扫一遍所有题目的难度，把自己最有把握的题先做完，拿到保底分，再回头啃难题。不要在一道题上花超过20分钟，做不出来先跳过，把能拿的分全部拿到才是笔试的核心目标。有些公司笔试里还会有选择题，考察机器学习基础、操作系统、网络等基础知识，这部分需要平时积累，短时间突击效果有限。

6. 常见问题与复盘技巧：我在春招里踩过的坑

最后这部分，我整理一些自己在春招过程中踩过的坑和总结出来的经验，不一定是面试题本身，但都很关键，希望你们不用再走一遍。

6.1 简历投递策略：海投还是精准投

我的经历是，第一波投递特别盲目，看到算法岗就投，结果很多简历石沉大海。后来复盘才发现，我没有把简历里的关键词和岗位要求对齐。比如有些岗位明确要求熟悉推荐系统，我就应该把推荐系统项目放在前面，并且突出相关的技术点。所有投递的岗位都共用一份简历，这其实是个误区，至少应该准备几份不同侧重点的版本，针对不同的岗位方向做调整。

投递渠道方面，除了常规的招聘网站和公司官网，找内推比海投效率高不少。内推可以让简历更快被看到，也让你有机会提前了解团队在做的事情。我第一轮没有找内推，吃了很多闭门羹，后来通过学长和论坛找到了一些内推码和微信渠道，面试机会明显变多了。如果你不认识任何内推渠道，也可以直接去开源社区里找一些公司的员工分享的技术文章，评论区往往能找到联系方式。

6.2 面试时间安排：不要在同一周堆太多的面试

我开始面试的时候犯了一个错误，就是把自己能约的所有面试都挤在一周内，结果前几场因为紧张表现不佳，面完之后又没时间复盘，后几场还在犯同样的错误。我的建议是，如果面试时间可以自己约，尽量隔开一到两天，每次面试完留出足够的复盘时间。复盘不要只记录题目，要把“我哪里答得不好”“面试官为什么追问这个”“如果再来一次我会怎么回答”都写下来，这些才是真正能让你成长的东西。

有一些面试会和笔试冲突，需要做好优先级选择。我当时的原则是，已经进展到面试流程的公司优先，笔试时间可以尝试申请调整；如果实在冲突，就把精力放在进度更接近拿offer的那个流程上。毕竟春招窗口有限，把时间花在最接近成功的地方，收益才最大。

6.3 心态管理：被挂是常态，复盘才是关键

算法岗的面试，尤其是弱校本背景，被挂是大概率事件。我统计了一下，自己春招期间投了四五十份简历，进面试的可能只有十分之一，面试通过率也不高。这里面的原因很多，有背景筛选的因素，也有自己准备不足的因素，但最忌讳的就是因为被挂就自我否定。

我分享一个对我很有帮助的做法：把每场面试都当成一次免费的一对一辅导。面试官愿意花半小时到一个小时来和我聊天，指出我知识体系里的漏洞，这其实是一种很高效的学习方式。被挂了之后，我会重点复盘那些答不上来的问题，把它们彻底搞懂，争取下一场面试遇到同类问题能回答得更完整。抱着这种心态，我后来的面试状态反而越来越松弛，通过率也慢慢上来了。

6.4 经典面试题速查表

为了让大家方便自测，我把春招里高频出现的一些问题做成了表格形式，大家可以拿来自查，看看哪些能流畅地答出来，哪些还需要补课。不要只背答案，试着说出背后的“为什么”。

6.5 复盘笔记怎么记才有价值

最后分享一个我觉得很重要的习惯，就是复盘笔记一定要按照“问题、回答、改进”三个维度去记，而不是简单地记录题目内容。我在春招期间的复盘笔记格式大致是这样的：问题是什么，我当时是怎么回答的，面试官的反馈是什么，我后来查资料得到的标准答案或更好的答法是什么。把这三个维度填清楚，一篇笔记才有复用的价值。我是用Markdown文档来维护这份复习笔记的，按公司和面试时间分了目录，每周会在面试结束后的晚上统一整理，不会拖到第二天。

说实话，这些笔记到最后面试结束也没有全部复习完，但整理笔记本身的过程就是一次深度复习。写到这里的很多东西，比如KMP的nextval优化、Dijkstra为什么不能处理负权、LN和BN的适用场景，我都是在复盘过程中才真正搞明白的。如果有人问我要一份面经，我觉得分享复盘笔记比分享面试题目列表更有用，因为面试题目是死的，但复盘思路是可以复用的。

最后说一点体会。弱校本科生找算法岗实习，难吗？难。但回头看，这个过程中真正让我成长的并不是拿到了哪个offer，而是自己把一个一个知识盲区补齐、把一场一场面试打下来的过程。如果你也在走这条路，希望这篇文章能帮你少走一点弯路，也希望你能在春招里等到适合自己的那个机会。