网易2020校招笔试——算法平台开发工程师（提前批），这套题我到现在还记得几个关键点。当时看到岗位名字里带着“算法”两个字，第一反应是“完了，要考一堆机器学习推导”，结果真正坐到考场里才发现，这个岗位的算法和纯算法研究岗完全是两码事。它更看重的是你用工程手段把算法落地成平台能力的基本功，数据结构、计算复杂度、系统设计、甚至密码学和音视频处理都会掺一脚，范围比想象中宽得多。
这套笔试题型大概是：选择题、问答题、编程题三块，题量不算夸张，但覆盖面很广。如果你是准备投算法平台、基础架构、推荐引擎这类偏工程方向的岗位，或者想了解大厂校招笔试对“算法工程师”和“开发工程师”之间交叉地带到底考什么，这篇文章应该能给你一个比较完整的参考。我会把笔试涉及的知识点、答题思路、以及我踩过的坑一起梳理出来，尽量还原当时的做题体验。
1. 岗位认知：算法平台开发工程师到底在考什么
1.1 这个岗位和“算法工程师”有什么区别
很多人一看“算法”两个字就默认是机器学习岗位，这是最大的误解。算法平台开发工程师的核心职责，是把算法模型、数据处理流程、特征计算逻辑这些东西，封装成高效、稳定、可复用的平台服务。它既要有算法sense，更要有工程能力。所以笔试里会出现大量和数据结构、排序、字符串匹配、分布式计算、甚至加密算法相关的内容，一点都不奇怪。
我当时在选择题里就遇到了关于KMP算法next数组的计算题，给的模式串是"abacaba"这种级别。这种题在纯算法研究岗的笔试里相对少见，但在平台开发岗里很常见，因为它考的是你对基础算法的理解深度——你要能在脑子里面手算next数组，而不是只会调库。这个区别决定了你复习的重点：刷题不能只刷机器学习模型题，基础数据结构要占到七八成。
1.2 笔试题型与整体难度印象
从题型分布看，选择题占大头，大概覆盖了数据结构、算法复杂度、操作系统、网络、数据库、机器学习基础、密码学等。问答题主要考察方案设计思路，比如给你一个特征计算任务，让你设计一个离线计算流程。编程题一般有两到三道，难度梯度比较明显，第一题通常是保底题，后面会上难度。
整体难度中等偏上，但和互联网大厂通用开发岗的校招笔试相比，它的特点是“杂”。你可能会在同一张卷子里看到：KMP算法手算、堆排序的时间复杂度、粒子群算法的基本思想、图像锐化的拉普拉斯算子、PID控制里的三个参数作用、SM2/SM3算法的用途。这种跨领域的广度，其实就是算法平台岗位的真实工作状态——你要对接的业务方五花八门，什么方向的算法都可能要部署上线。
2. 笔试知识图谱：高频考点全景拆解
2.1 数据结构与基础算法：从KMP到堆排序
这一块是绝对的核心，随便翻一下历年的笔经和搜索热词就能发现，KMP算法、快速排序、堆排序、贪心算法、动态规划、Dijkstra、二分图HK算法、快速幂，这些都是高频词。我那天考到的模式串next数组计算题，就是KMP算法的经典变形。很多人平时写KMP都是背模板，真到让你手算next数组的时候容易懵，这里有个小技巧：next[i]可以理解为“模式串前i个字符组成的子串中，最长相等前后缀的长度”，把这个定义吃透，手算就快了。
排序算法也是必考，尤其是复杂度对比。冒泡排序O(n²)、快速排序平均O(n log n)、堆排序稳定O(n log n)，这些要像条件反射一样报出来。还有一点容易被忽略：堆排序虽然时间复杂度和快排一样，但常数项更大，实际工程里反而用得少，笔试选择题里经常会问“以下哪个排序算法在最坏情况下时间复杂度最优”，这类题就是在考你对复杂度推导有没有真正理解。
贪心算法和动态规划基本是编程题的常客。贪心题的核心是证明贪心策略的正确性，笔试一般不会让你写严格证明，但你要能说清楚每一步选择局部最优为什么能推导到全局最优。动态规划则要练到“看到题能快速定义状态和转移方程”的程度，背包问题、最长公共子序列、编辑距离这几个经典模型，考前一定要做到不用想就能默写。
2.2 机器学习与深度学习：从传统模型到CNN/Transformer
虽然岗位偏工程，但机器学习和深度学习的基本概念还是会考，占比大概在20%到30%。搜索热词里出现的大量机器学习、深度学习、强化学习、聚类算法、KNN、XGBoost，说明这个方向的考点很固定。KNN的考点包括三个能力：分类、回归、异常检测，有一个热词问“KNN算法的应用能力包括哪三个方面”，其实就是这个。XGBoost则要注意它和GBDT的区别，比如二阶泰勒展开、正则项、列采样这些细节。
深度学习方面，CNN的卷积计算过程、池化层作用、激活函数对比是选择题高频。图像分类算法、目标检测里的anchor机制、损失函数设计这些也偶尔出现。我记得有一道选择题是问Softmax和Sigmoid在多头分类场景下的选择，思路是：二分类用Sigmoid，多分类用Softmax，但多标签分类还得用Sigmoid，这个坑很多人会掉进去。
强化学习的考点一般是基础概念，比如策略梯度、Q-learning、状态价值函数和动作价值函数的区别。别看平台开发不直接做强化学习，但网易这类公司内部确实有强化学习平台，所以笔试考一两个基础题也正常。
2.3 工程算法：图像、音频、控制、密码学
这一块是算法平台开发岗笔试的特色，也是很多人在复习时最容易忽视的。搜索热词里有图像锐化的拉普拉斯算法、Sobel边缘检测、音频重采样算法、PID算法、MPPT算法、FOC算法、卡尔曼滤波、SM2/SM3/SM4/ZUC国密算法，这些都是工程属性很强的算法方向。
图像方面，拉普拉斯算子是一个二阶微分算子，用于图像锐化，Sobel算子是一阶微分算子，用于边缘检测，两者常常对比考。音频重采样算法则是典型的平台侧算法问题，比如要理解线性插值、多相滤波这些重采样方法的基本思路。控制算法里，PID三个参数的作用是基础中的基础：比例项P负责快速响应，积分项I消除稳态误差，微分项D抑制超调。你不需要会写完整的控制代码，但要在选择题里准确判断参数变化对系统的影响。
密码学这块特别能体现“平台”属性。算法平台经常要处理数据加密传输，所以SM2（非对称）、SM3（哈希）、SM4（对称）、ZUC（序列密码）这些国密算法的用途和区别值得认真过一遍。还有SSL证书的弱哈希算法问题，这个考点来自CVE-2005-4900，本质是SHA-1已被证实存在碰撞攻击风险，在配置HTTPS时应该避免使用弱哈希签名，笔试喜欢考这种实际安全配置问题。
2.4 优化算法与搜索：粒子群、模拟退火、剪枝
这类算法在平台开发笔试里出题频率中等，但一旦出现，就是区分度很高的题。粒子群算法（PSO）和模拟退火算法（SA）都是启发式优化算法，共同点是用于求解传统梯度下降难以解决的全局优化问题。选择题可能会问你“粒子群算法中，惯性权重w的作用是什么”，答案就是控制粒子飞行速度对当前速度的继承程度，w越大全局搜索能力越强，w越小局部搜索能力越强。
剪枝算法主要出现在搜索相关问题里，也有可能在编程题里作为优化手段。比如井字棋的Minimax算法实现，就必然要配alpha-beta剪枝才能高效运行，这个题目在热词里出现了，说明笔试对博弈搜索的考察也不算冷门。如果编程题考到这类问题，你要能在代码里实现递归搜索，并在递归函数中维护alpha和beta两个剪枝边界，这个能力是可以提前练出来的。
规则引擎的RETE算法也值得一提，它经常出现在搜索热词里，是平台工程里做规则匹配的核心算法。RETE算法的核心思想是利用规则结构的共享性，将规则编译成网络，避免每次匹配都全量扫描事实集合。这种题目一般以问答题或选择题形式出现，考的是你能否说清楚事实匹配过程，如果能画出一个简单的RETE网络结构图，就非常加分。
3. 编程题实战：拿到题之后怎么一步步解
3.1 阅读题目与复杂度预估：先定算法再动手
编程题不是上来就写代码，我习惯先把题目里给的数据范围圈出来。比如输入数组长度n是10^5级别，那O(n²)的暴力算法基本就可以放弃了，得想O(n log n)甚至O(n)的解法。这种“先估复杂度再定算法”的流程，能帮你避免写了一个超时代码然后全盘返工。
接下来判断题型：是贪心、动态规划、二分查找、图论还是字符串匹配？根据题型选择刷题模板。例如看到“求最小步数”，优先想DP或BFS；看到“求最大收益”，优先想贪心或DP；看到“判断图是否连通”，优先想并查集。这一步熟练程度，取决于你考前刷题的覆盖面。
然后进行边界条件推演：输入为空怎么办？只有一个元素怎么办？数据有重复怎么办？这些边界case往往是笔试题里隐藏的得分点，也是很多人挂掉的原因。我在平时刷题时就养成了一个习惯，写完代码先自己构造几个边界用例测一遍，再提交。
3.2 代码实现细节：边界条件与性能坑
代码实现阶段，我一般用Python，因为它写起来快，适合在笔试时间内快速验证思路。但要注意几个性能坑：
- 递归深度。Python默认递归深度大概1000，遇到深层DFS，用递归直接爆栈，要改成显式栈或迭代写法。
- 列表拼接。频繁使用list.insert(0, x)或列表的+拼接，在数据量大时会有O(n)开销，积累起来很致命。这种情况可以用deque或直接从尾部倒序处理。
- 字符串处理。Python字符串不可变，大量拼接会反复创建新对象，改用join或列表收集再join会快很多。
代码风格上也有一点经验：变量名可以短但不建议用a、b、c这种无意义命名，用idx、cnt、res这类有语义的短词，既省时间又不容易把自己绕晕。
3.3 一个典型真题的完整思路
我拿一道形式比较常见的题来拆解。题目大意是：给定一个由小写字母组成的字符串s和一个模式串p，找出s中所有p的“变形词”起始下标。所谓变形词，就是字符组成相同但顺序可以不同的子串。
这道题第一反应是滑动窗口加词频统计。维护一个长度为len(p)的窗口，用字典统计窗口内字符频次，和p的字符频次对比，一样就记录起始下标。复杂度O(n×26)，在n较大时也够用。
但这里有一个优化点：不需要每次重新统计整个窗口，可以在窗口滑动时只更新离开和进入的字符频次。这种“增量更新”的思想，在平台开发岗的真实工作中非常常见，因为实时特征计算、流式统计基本都是这个套路。笔试写代码时用上增量更新，代码执行效率肉眼可见地提升，面试官看到注释也能知道你理解了这个优化点。
实现时要注意的点是：当窗口滑动时，如果要加入的字符是新字符，直接添加；离开的字符频次减到0，要把它从字典里删掉，否则后面比较字典长度会出错。这个细节我印象特别深，因为第一次写的时候，忘了删掉频次为0的键，导致窗口明明不匹配却因为字典键数量相同被判成匹配，白白挂了一个case。
4. 选择题与问答题：平台开发方向的工程化考点
4.1 算法平台相关的工程问题
选择题和问答题里，会有一部分特别“工程化”的内容，和算法本身关系不大，但和平台开发强相关。比如数据管线的设计：给你一个每天千万级的特征计算任务，要求产出T+1的离线特征表，问你会怎么设计调度流程。这种题没有绝对标准答案，但要能体现出对任务拆分、失败重试、数据幂等这些工程概念的理解。
规则引擎的RETE算法在这个板块很容易出现。问答题可能会让你描述RETE算法的匹配过程：首先根据规则构建RETE网络，包含α节点和β节点，然后输入事实集合，事实首先在α网络中进行单条件匹配，匹配成功的部分进入β网络进行多条件连接，连接过程中会缓存中间结果，这就是RETE算法提升匹配效率的关键。能把这个过程讲清楚，比背十个算法题的代码都有用。
还有一类问答题是关于算法部署的。比如“请设计一个模型在线推理服务，要求支持多模型部署、版本灰度、QPS压测”。这种题可以用标准思路回答：模型仓库管理模型文件与版本，推理服务加载模型并暴露HTTP接口，通过注册中心做服务发现，用负载均衡分发请求，用容器编排平台管理资源。只要逻辑清晰、步骤完整，就能拿到大部分分数。
4.2 计算题与概念辨析
计算题部分比较典型的是让你对比各种排序算法的复杂度、稳定性，或者计算KMP算法的时间和空间复杂度。KMP的时间复杂度是O(m+n)，空间复杂度O(m)，m是模式串长度，这个要记熟。另外，快速排序在平均情况下的比较次数和交换次数可能会被拿出来算，这需要你对快排的过程有直觉，单纯背复杂度公式会吃亏。
概念辨析题里，“快速幂算法”是一个典型例子。快速幂的核心思想是把指数按二进制拆解，例如计算a^13，13的二进制是1101，所以a^13 = a^8 × a^4 × a^1，这样只需要log n次乘法。笔试可能会让你手算一个具体例子，也可能让你分析快速幂的时间复杂度O(log n)比朴素O(n)快在哪里。这类题你要能现场推一遍，而不是只记得结论。
另外，SSL证书弱哈希算法修复问题也常以概念辨析形式出现。题目可能会问“TLS证书签名算法使用SHA-1，应该怎么修复”，正确思路是：更换证书签名算法为SHA-256，并在服务器SSL配置中禁用SHA-1算法套件。这种题既考安全常识，也考你处理线上问题的能力。
5. 常见失分点与备考经验实录
5.1 时间分配与答题顺序
我那次笔试最大的教训就是时间分配不合理。选择题花太多时间纠结，导致后面编程题留的时间不够。后来我复盘得出一个规律：选择题每道题不要超过2分钟，认不出来就标记跳过，等所有题做完后再回来蒙。编程题反而是得分的大头，至少留出45分钟到60分钟，确保第一道简单题拿满分，第二道题至少通过部分case。
答题顺序上，建议先快速扫一遍所有题目，把编程题浏览一遍。有时候后面的大题会用到前面选择题里的一些概念，比如你把RETE算法的思路理解了，编程题里如果出现“规则匹配”场景，实现起来就顺理成章。考试和实际开发一样，先宏观后微观。
5.2 我踩过的坑与补救办法
踩坑一：KMP的next数组手算出错。原因是把next[i]和前缀函数混为一谈，实际上next数组的定义在不同教材里有细微差别，有的教材next[i]表示“前i个字符的公共前后缀长度”，有的表示“失配后应该回退的位置”。考试时一定要先看题目给的定义，按它的标准来计算，不能直接套背诵的模板。
踩坑二：排序算法复杂度记忆混乱。堆排序、快排、归并都是O(n log n)，但稳定性不一样。归并排序稳定，快排和堆排不稳定。考试时如果记混，选择题必错。我的补救办法是把这些特性整理成一张表，考前半小时过一遍，非常有效。
踩坑三：编程题超时。有一道题我用了O(n²)的双重循环实现，结果后面几个大数据量case全超时了。笔试和平时刷LeetCode不一样，LeetCode的测试样例相对温和，校招笔试更严格，考察的就是你能否在同样的时间限制内写出足够高效的算法。我的建议是，写完代码第一件事不是提交，而是看一眼数据范围，确复杂度没问题。
| 考点方向 | 高频题目形式 | 备考重点 |
|---|---|---|
| 数据结构与基础算法 | 手算next数组、排序复杂度对比 | 理解定义，能推导复杂度 |
| 机器学习与深度学习 | 概念选择、模型对比 | 掌握KNN、XGBoost、CNN基础 |
| 工程算法 | 图像、音频、PID、密码学 | 记清楚每种算法的核心参数与用途 |
| 优化与搜索算法 | 粒子群、模拟退火、剪枝 | 理解思想，能说出关键参数含义 |
| 平台工程 | RETE算法、数据管线、在线推理 | 梳理完整方案，体现工程思维 |
5.3 考前一周的高效冲刺策略
如果只剩一周，不建议再去学新算法，而是把已经掌握的知识巩固牢。我会这样做：每天刷一组组合选择题，以数据结构+机器学习+工程算法三块为主，保持手感。每天手写一道编程题，重点练滑动窗口、动态规划、图论最小生成树这类高频类型，不用追求难题偏题，把常见题型的模板写熟。
同时把之前整理的知识点表格拿出来反复看，尤其是一些容易混淆的算法细节，比如PID的积分项和微分项作用、KMP和BM算法的区别、粒子群和模拟退火的适用场景。这些细节往往能在选择题里帮你拿回2到3分，如果复习深度不够，笔试时就只能靠直觉蒙了。
我个人在考前还会专门看一遍密码学基础，把常见哈希算法和国密算法的用途理一遍，因为平台开发岗笔试真的很爱考这个。再就是看一遍网络基础里的HTTPS握手流程，因为这个流程和SSL证书算法绑定得很紧密，容易出综合题。
根据我的经验，这套笔试整体考的不是“你知道多少高深算法”，而是“你能不能在一个算法平台开发岗位的日常场景里，熟练运用各种算法和工程知识”。所以复习策略要广而精，不要钻牛角尖，该会的复杂度推导、代码实现、概念辨析一定要拿稳。
