1. 一份几年前的笔试卷为什么今天还值得复盘先说明白一个前提我手里并没有网易2018校招人工智能工程师笔试的原卷扫描件网上流传的所谓真题大多是考生回忆版碎片化严重。但这并不妨碍我们认真聊这个话题——因为对于准备AI岗位校招笔试的人来说那份卷子到底考了什么、为什么这么考、背后想筛选什么样的人远比题目本身更有价值。2018年前后正好是人工智能岗位校招开始批量化的节点。那会儿深度学习框架已经从学术圈扩散到工业界TensorFlow、PyTorch刚在工程侧站稳脚跟各大互联网公司开始成体系地设立AI算法岗。网易这一批笔试的出现相当于给整个行业提供了某种标准动作的参照数学基础、机器学习核心算法、深度学习原理、工程实现能力这几块几乎成了此后所有AI校招笔试的通用骨架。即便放到今天去看你翻开任何一家大厂的AI算法岗笔试卷考察的大逻辑依然逃不开这套东西。所以这篇文章不是让你去找原题背答案而是帮你把这类笔试的命题思路、考点分布、做题策略、坑点教训一次性捋清楚。适合谁看正在准备校招的应届生想从后端、前端转AI岗的工程师以及刚带团队、需要帮新同学梳理笔试考察点的技术Leader。看完你至少能回答三个问题这类笔试到底考什么每一块为什么存在考场上怎么分配时间和精力才能拿高分。2. 去掉人工智能这层滤镜笔试其实在考这四件事很多人第一次看到人工智能工程师笔试卷这几个字会觉得题目一定高深莫测全是前沿论文里的公式。实际接触过你会发现考卷的出题逻辑相当朴素它要确认你有足够扎实的基础不至于进了团队后连梯度推导都要现查资料。拆开来看这类笔试的常考板块基本落在四个象限里。2.1 数学基础线性代数、概率统计和最优化数学这块是AI算法岗笔试的硬门槛也是刷人最狠的地方。线性代数部分常考矩阵乘法、特征值分解、SVD的几何意义、正定矩阵的判断概率统计偏重条件概率、贝叶斯公式、极大似然估计、常见分布的性质最优化则集中在凸函数判断、梯度下降的收敛性分析、拉格朗日乘子法求解约束问题。看起来都是课本内容但考法很实际——不会直接让你背公式而是给一个训练中的具体场景让你判断某个操作对应哪个数学工具。举个例子题目给出一个损失函数问你当参数更新步长过大时训练loss振荡可能的原因是什么考点就落在学习率、梯度方向、二阶导数之间的关系上。它考的不是你会不会算而是你能不能把数学概念翻译成训练过程里的现象。2.2 机器学习经典算法从理论推导到边界条件机器学习部分通常覆盖线性回归、逻辑回归、决策树、SVM、朴素贝叶斯、聚类、PCA、集成学习这些经典算法。你可能觉得校招笔试不会考得太深但恰恰相反命题人最喜欢在这种地方挖坑。比如问逻辑回归和线性回归的区别表面答案是一个用于分类一个用于回归深入一点的考点是逻辑回归的损失函数为什么用交叉熵而不是均方误差SVM的核函数什么时候选择高斯核决策树分裂时信息增益和信息增益比的差异在哪里这些题目不要求你重新实现一遍算法但要求你真正理解算法的适用边界、推导过程和优化动机。有经验的面试官一眼就能看出你是背的公式还是真懂原理。备考时建议把每个经典算法的推导过程在白纸上至少手推一遍从目标函数出发到梯度求解到代码实现到可能出现的问题形成一条完整的链条。2.3 深度学习的模型结构和训练细节深度学习是AI岗笔试的区分度所在。2018年前后的卷子已经覆盖CNN、RNN/LSTM、损失函数设计、优化器对比、正则化手段这些内容。到今天Transformer、自注意力机制、预训练模型更是常客。但无论年份怎么变命题人喜欢考察的点很集中各种网络层的输出维度怎么算感受野的计算方式为什么RNN容易梯度消失而LSTM能缓解BatchNorm在训练和推理时的行为差异Dropout在训练和测试时的处理方式注意力机制的Q/K/V分别是什么这类题目有一个共同特征不给你代码环境只给你笔和纸让你把实现细节写清楚。这实际上是在模拟你需要不依赖框架接口就能理解模型内部发生了什么的能力。实践里有些同学跑PyTorch跑得很溜但一问forward过程里每个张量的shape经过这个层之后变成什么样就卡壳——这就是典型的框架调用能力强、原理理解弱笔试恰好能把这块筛出来。2.4 编程题数据结构与代码工程化能力编程题是几乎所有技术岗笔试的必备环节AI岗也不例外。考察范围并没有跳出经典算法题的框架数组、链表、栈、队列、二叉树、动态规划、贪心、字符串处理。但AI岗的编程题有个倾向——偶尔会结合机器学习场景比如手写KNNk近邻算法的预测函数、实现一个简单的逻辑回归训练过程、用Python写一个数据切分的函数。这类题目不仅考代码能力还顺带考察你对算法流程的熟悉程度。这里有个常见的备考误区只刷LeetCode忽略手推代码的能力。笔试环境通常在网页编辑器里没有IDE的自动补全和调试工具你对API的记忆程度、对边界条件的处理习惯、写代码的整洁度都会被放大。平时练习时就应该给自己设置限制在不查文档的情况下用白板或纯文本编辑器完成一道完整的题目。3. 考场上的真实情况时间分配和丢分陷阱很多人备考时只关注题会不会做忽略了能不能在有限时间内做完做对。校招笔试的题量和时间设置通常是经过计算的目的是让大部分人做不完。这时候时间分配策略和临场心态就成了区分高分和普通分的关键变量。3.1 不会做的题先跳但要有标记我见过不少人在笔试时和一道难题死磕结果后面的简单题全没时间看。最稳妥的策略是拿到试卷从头到尾快速扫一遍把题目按会做、需要想想、完全没思路三档分类。先做会做的再做需要想想的最后尝试完全没思路的。每道题上停留的时间不超过允许总时间除以题目数量的1.5倍。有一个实操技巧遇到卡壳的题不要完全清空思路先在草稿纸上写下你想到的突破口和卡住的点等后面做完其他题再回来时这些笔记能帮你快速回到状态而不是重新开始思考。我的经验是笔试中回看的效率损失很大但带着笔记回看几乎无损耗。3.2 推导题别只写结果过程分很关键很多AI岗笔试题要求手推公式或画计算过程。有些同学习惯只写最终答案觉得过程不重要。实际上笔试阅卷虽然有标准答案但涉及推导的地方过程分往往比结果分更多。哪怕最后结果算错了只要关键步骤是对的也能拿到大部分分值。反过来只写一个正确结果却没有过程有些阅卷方会默认你是蒙的。我建议在推导过程中养成几个习惯使用规范的数学符号、标明每一步变化的依据比如根据链式法则可得、在关键节点写上为什么这样做。这不仅是写给阅卷人看的也是帮你自查逻辑是否闭环的方式。3.3 编程题先写伪代码再补细节编程题的坑通常不在算法本身而在实现细节。边界条件、输入为空、数据量超出预期——这些不是在编辑器里看出来的而是靠平时练习积累出来的条件反射。考场上我习惯先花两分钟把整体思路的伪代码写在草稿纸上理清主流程后再动手写正式代码。这样即使最终代码没写完阅卷方也能看到你的解题思路是正确的有步骤分。还有一个细节笔试时的网络环境和代码编辑器经常会有延迟或自动保存的Bug写完一段就手动点一次保存不要等到最后统一保存。这个操作无法提高成绩但能防止意外丢代码。4. 一个可复用的备考路线从打基础到模拟实战聊完考什么和怎么考再讲重点怎么准备。我不太建议直接埋头刷题尤其不建议上来就刷论文和前沿框架因为这类岗位笔试的考察重心是基础能力和逻辑思维不是对最新论文的掌握程度。按阶段准备更高效。4.1 第一阶段以推导能力为核心的系统复习这一阶段的任务是把数学基础和机器学习/深度学习的核心知识点一个不落地过一遍并且每一个算法都要做到手推。推荐的方法是用刷题写推导笔记组合看书看课是一方面更重要的是拿起笔把每个算法在纸上手推一遍。复习顺序建议是线性代数与矩阵论 → 概率统计与随机过程 → 最优化基础 → 经典机器学习 → 深度学习核心模型。每一章结束之后用思维导图整理知识点之间的关系。这套流程跑下来大概需要4到6周每天保证3小时以上。如果你之前没有系统学过机器学习请把这个时间放宽到8周。这里推荐几本当时帮助很大的参考书周志华的《机器学习》俗称西瓜书、Ian Goodfellow的《深度学习》花书第1到第11章、李航的《统计学习方法》前几章。数学基础薄弱的先补矩阵论和概率论不要硬啃公式密集的内容。4.2 第二阶段以项目复盘为核心的工程化准备笔试虽然不考项目但备考时不能只看书。为什么因为笔试中有相当一部分应用题考验的是你对模型在真实场景下表现的理解这些经验只有动手做过才能积累。我的建议是在复习的过程中穿插两个小项目不用很大但要完整。比如自己实现一个图像分类模型从数据处理、模型搭建、训练调参到评估全流程走一遍。重点不是跑出一个高分模型而是记录下每个环节遇到的问题数据不均衡怎么办、过拟合如何缓解、学习率怎么调整。这些经验在笔试中遇到模型训练loss不下降你会怎么排查这类题目时直接就能用上。没有亲手调参经验的人只能靠猜测去答题写出来的答案往往缺少具体细节阅卷人一眼就能看出来。4.3 第三阶段以模拟笔试为核心的冲刺练习笔试前两周进入冲刺阶段。这个阶段的任务是完整的模拟卷训练、LeetCode高频题复习、时间分配演练。找一套完整的AI算法岗位笔试卷严格按照考试时间模拟一次中间不能查资料、不能暂停。结束后认真复盘做错的题把相关知识点重新复习一遍。模拟笔试至少要做三次。第一次主要是找感觉第二次重点优化时间分配第三次则是训练做完全部题的稳定性。有些同学觉得模拟不重要到真实考场上才发现自己3小时做不完题那时候再调整心态就晚了。编程题方面建议重点刷LeetCode的top100高频题尤其是数组、字符串、二叉树的遍历、动态规划入门题。刷题的时候要习惯用Python多数公司的主流选择并且手写输入输出处理部分因为笔试环境经常需要自己读入数据这部分在IDE里不会遇到不单独练一下很容易在考场上浪费大量时间。5. 从笔试卷说开去AI岗求职的系统性思考笔试只是求职环节里的一个节点但它能反映出的信息远不止分数本身。我从阅卷和招聘的角度分享几个被很多候选人忽略的细节。5.1 笔试成绩的下限效应与面试的联动很多公司不会因为笔试第一就免去技术面但笔试成绩通常会同步给面试官作为面试提问的参考依据。我在面试候选人时会特意翻一下笔试答卷如果一道考察基础推导的题答得很差那面试大概率会集中在这个方向多问几轮如果编程题代码风格混乱、变量命名随意那后续的工程能力考察会加码。笔试看似是一锤子买卖实际上是在为整个面试环节定基调。反过来如果你想在面试中有更大的主动权可以利用笔试卷面做内容预埋。比如你在推理题中写了一个很巧妙的解法面试时可以和面试官说笔试那道题我后来换了一个思路实现这既能展示你考后有反思也能把面试节奏往自己熟悉的方向引导。5.2 基础扎实但在项目细节上露馅的典型画像作为面试官我见过最遗憾的一类候选人笔试成绩很高但简历里的项目描述经不起追问。比如写了用BERT做文本分类准确率达到97%却说不清训练集和验证集的划分方式也不知道为什么调低学习率后准确率上升了。这类候选人往往笔试阶段花了很多时间刷题但忽略了简历里已经写下的技术内容也可能被考察。我的建议是备考期间同步把简历中每一个项目梳理一遍保证每个技术点都能展开讲清楚。经验是至少准备三个项目每个项目准备三个层面的提问项目要解决什么问题、技术选型的原因、如果重新做一遍会怎么改进。5.3 简历里那些能加分的隐形式能力很多同学觉得简历上写熟悉PyTorch就是加分项实际上所有候选人都会这么写。真正能拉开差距的是一些隐形式能力比如你对数据预处理环节的重视程度、对模型可解释性的思考、对离线评估和线上评估差异的理解、甚至是对部署和性能优化的关注。这些不一定直接出现在笔试卷面上但在简历描述和项目复盘里能透出来。举个例子简历里写使用BERT完成情感分析任务是入门水平写对比了BERT和Roberta在下游任务中的效果差异发现对长文本场景Roberta平均提升2.3个百分点同时推理时间增加了约15%最终根据业务场景选择了更轻量的方案就是有思考深度的水平。这类描述能向招聘方传递一个信号你不只会调用框架还理解工程中的权衡。6. 那些进考场前必须想清楚的策略问题最后单独讲几个策略层面的问题都是我在实际带人和帮学弟学妹复盘时反复强调的。6.1 选择做题顺序时先保住确定性分数笔试的通病是题量大、时间紧。我的做题顺序永远是计算简单、思路明确的选择填空 → 有把握的推导题 → 编程题里最熟悉的类型 → 没见过的灵活题。为什么要按这个顺序因为确定性分数是基本盘拿到手才能确保及格以上。灵活题可能想出来也就多5分但前面有一道简单推导题漏看了就白白丢了10分这个交换完全不划算。6.2 遇到没见过的题型怎么硬写出有效答案AI岗笔试题偶尔会出现一些在常规复习中没见过的新形式比如给一段伪代码让你分析时空复杂度或者给一个描述不完整的场景让你补充设计方案。这时候最忌讳的是空着不写。哪怕不能给出完整正确答案也要把自己能确定的思路写上去。比如题目问怎么判断一个模型是新类别还是噪声样本你就算不知道标准做法也应该从数据分布、特征空间距离、模型置信度这些方向展开分析。阅卷时这部分展现的是分析问题的能力不完全是知识储备。6.3 算力与框架的知识边界也要心里有数2018年的笔试已经涉及为什么训练ResNet需要那么多GPU资源这类资源计算问题。放到现在LLM大语言模型领域的显存估算、训练时长估算、模型参数量与激活量的计算也很可能出现在考题里。建议备考时掌握一套自己能现场推导的估算方式比如Transformer大模型显存占用怎么估算7B参数的模型用单张A100能不能推理训练时梯度检查点技术能省多少显存。这类题目考察的不是背数字而是你能否用工程思维做量级估算。我的个人体会是这类资源估算的能力恰恰是看起来会刷题和真正能干活之间的分水岭。笔试考场上的难题大多数是那种没有标准教材答案、但通过基本逻辑能推导出来的问题。多训练自己从基本原理出发推出现实答案的能力比背再多题库都有用。