秋招季又把算法岗面试题刷屏了翻到这份小米2018秋招算法工程师问答题合集时我停下来认真看了一遍。说实话虽然时间过去了几年但里面的考点放在今天依然非常能打KMP的next数组、排序算法复杂度推导、机器学习模型手推、深度学习中的反向传播、还有粒子群、模拟退火这类优化算法基本覆盖了算法工程师面试的核心版图。这篇文章我想以这份合集为入口结合我这些年面试候选人和自己备考的经验把里面的考点逐层拆开讲清楚每个知识点为什么会被反复拿出来问以及现场怎么回答才不翻车。不管你是准备校招、跳槽还是单纯想把底子打牢这份拆解都值得认真看看。1. 这份合集到底在考什么1.1 基础算法与数据结构是绝对核心看完整份合集第一感受是小米的算法工程师面试对基本功的考察真的是不留情面。KMP、堆排序、快速幂、Dijkstra、贪心、二分图、剪枝这些都是计算机专业课程里最核心的内容。为什么不直接考深度学习框架或者调参技巧因为基础算法考察的是一个人解决未知问题的底层能力。框架每年都在变模型结构层出不穷但KMP的next数组怎么构造、堆排序的建堆复杂度为什么是O(n)这些几十年都不会变。数据结构方面数组、链表、栈、队列、树、图、堆、哈希表几乎是轮着被考了个遍。尤其是KMP算法从合集中的题目密度来看几乎成了必考题。模式串pabacaba的next数组计算这道题我在面试中也经常问候选人。原因很简单大多数人都知道KMP的大体思路但能现场把next数组准确算出来的人不到三成。这不是死记硬背能过关的考点它要求你真正理解“最长相等前后缀”这个概念。1.2 机器学习与深度学习原理并重合集里另一个明显特征是机器学习、深度学习相关的题目占了很大比重。聚类算法、KNN、XGBoost、强化学习、卡尔曼滤波、ELBO推导基本覆盖了传统机器学习到深度学习的核心路径。这和小米业务的特点有关从手机系统到IoT设备从电商推荐到智能制造算法工程师要面对的场景极其多样所以对候选人在机器学习各个分支的涉猎广度是有要求的。值得注意的是合集里的机器学习题目很少停留在“用哪个库、调什么参”的层面更多是让你从原理上解释K-means为什么能收敛、XGBoost相比GBDT到底改进了什么、KL散度与ELBO之间是什么关系。这类题目在面试中非常能筛选人因为真正用过模型的人很多但能从头推导原理的人很少。我在面试中见过不少候选人项目里用LightGBM用得飞起但一问到XGBoost的二阶泰勒展开和正则项设计就支支吾吾了。1.3 秋招算法岗的隐性筛选逻辑抛开具体的题目这份合集还透露了一个信息算法岗的秋招本质上是一场大规模筛选筛掉的是“只会调包”和“只会刷题”的人留下的是真正理解算法本质的人。小米的面试流程中算法题和原理题交错出现目的就是通过多轮考察判断你在压力下能否保持清晰的思维逻辑。这一点我深有体会。很多候选人准备面试时只刷LeetCode模型推导完全没看结果算法题轻松写出来了机器学习原理一问就露馅。反过来只背推导不看代码的人也过不了手撕代码的关卡。这套组合拳打下来靠临时抱佛脚基本不可能过关它考察的是你过去几年有没有在系统地积累。2. 核心考点逐题拆解2.1 KMP算法next数组到底怎么算合集中那道“对于模式串pabacaba其next数组”的题目我单独拿出来讲。很多人栽在这道题上核心原因是next数组有两种定义一种表示“当前字符前的子串的最长相等前后缀长度”另一种表示“失配时应跳转到的位置”。两者之间有细微差别面试时如果没和面试官确认定义很容易各说各话。按最常见的定义next[i]表示前i个字符组成的前缀子串中最长相等前后缀的长度我们来手算“abacaba”i0通常设为-1作为哨兵值。i1子串为a没有真前后缀next[1]0。i2子串为ab前缀a后缀b不相等next[2]0。i3子串为aba前缀有a、ab后缀有a、ba。最长相等的是a长度1next[3]1。i4子串为abac前缀a、ab、aba后缀c、ac、bac没有相等的前后缀next[4]0。i5子串为abaca前缀a、ab、aba、abac后缀a、ca、aca、baca。最长相等的是a长度1next[5]1。i6子串为abacab前缀a、ab、aba、abac、abaca后缀b、ab、cab、acab、bacab。最长相等的是ab长度2next[6]2。i7子串为abacaba前缀a、ab、aba、abac、abaca、abacab后缀a、ba、aba、caba、acaba、bacaba。最长相等的是aba长度3next[7]3。所以这个版本的next数组是[-1, 0, 0, 1, 0, 1, 2, 3]。这个计算过程背后有个很容易被忽略的直觉next数组的递增每次最多加1因为新增一个字符最多只能让最长相等前后缀长度增加1。理解了这个性质你就明白了为什么KMP的匹配过程是线性的。面试时如果你能把这个性质讲出来面试官对你的评价会明显不一样。2.2 排序算法背复杂度没用要会推导合集里关于排序算法的题目非常多冒泡排序、堆排序、还有排序算法底层实现细节。面试官问排序算法并不是真的想知道冒泡排序怎么写而是想考察你有没有理解排序的本质。最常被追问的三个问题快速排序的最坏情况什么时候出现、堆排序的建堆过程为什么是O(n)、归并排序的空间复杂度能否优化到O(1)。先说堆排序的建堆复杂度为什么是O(n)。很多人的直觉是n个元素逐个插入堆中每次插入是O(log n)所以建堆是O(n log n)。但实际建堆是从最后一个非叶子节点开始向下调整sift-down每个节点调整的代价和它的高度成反比——越靠近叶子节点的节点数量越多但它们需要下移的层数越少。对这个求和高度为h的节点最多有n/2^(h1)个每个节点调整代价至多为(h1)最终求和收敛于O(n)。这个推导在面试中很加分。再说快速排序的最坏情况。当每次选择的pivot都是当前区间的最小值或最大值时分区极度不平衡递归深度为n时间复杂度退化为O(n²)。常见的优化方法包括随机选取pivot、三数取中法、在子区间足够小时切换插入排序。合集中的题目问到了排序算法的选择问题什么场景用什么排序这需要结合数据规模、数据分布、稳定性要求和空间限制来答背标准答案是没有用的。2.3 机器学习模型从原理到推导的完整链路合集中机器学习相关的题目几乎都是“说一下原理”这种开放式问法。聚类算法、KNN、XGBoost、强化学习、卡尔曼滤波都涉及到了。这类题目的答题策略我总结为“三层递进法”。第一层一句话说清模型在解决什么问题。比如K-means是在做无监督聚类目标是把n个样本划分到k个簇中使得簇内平方误差最小。第二层讲清模型的优化策略。K-means是交替优化固定簇中心分配样本E步固定样本划分更新簇中心M步。这个过程保证目标函数单调不减所以算法必然收敛到局部最优。第三层讲透模型的局限性。K-means的k值需要预先指定对初始中心敏感对非凸簇效果差。能把这一层讲透说明你真的用过这个模型而不只是背过课件。XGBoost的考察也是一样的逻辑。光说“XGBoost比GBDT效果好”是远远不够的。面这里我会重点讲两个点第一XGBoost在目标函数上做了二阶泰勒展开而GBDT只用了一阶梯度信息所以XGBoost能更精确地逼近真实损失第二XGBoost在目标函数中加入了正则项叶子节点数和叶子权重平方和这是从结构上防止过拟合而GBDT主要靠shrinkage和子采样来控制。这两点讲清楚面试官基本就能确认你真正理解XGBoost了。3. 备考实操把题目变成自己的弹药3.1 三步复习法刷题、推导、复述面对这样一份内容密集的问答题合集最容易犯的错误就是贪多嚼不烂。我的建议是分三步走。第一步按合集里的分类把知识点模块化基础算法、数据结构、机器学习、深度学习、优化算法每个模块单独攻破。第二步每个知识点不仅要会做题还要能手推公式。比如KMP的next数组不能只在脑子里想一定要拿笔从第一个字符开始算一遍堆排序的建堆复杂度也要自己画图推一遍。第三步把你学到的知识用自己的话复述出来最好能对着镜子或者录音机讲一遍。前两步大部分人都能做到但第三步才是面试成败的分水岭。面试回答和看书写笔记完全是两码事。看书是输入面试是输出中间隔着一个“组织语言”的过程。如果平时没有练过口头复述到了面试现场很容易出现“脑子里知道答案、嘴上讲不清楚”的尴尬局面。3.2 模拟面试训练“边想边说”的能力我在准备面试时用过的一个非常有效的方法找一个小白朋友或者用手机录音给你出题你现场答题并录下来然后回放、复盘。这个过程能暴露很多问题一些你以为自己懂的知识点一开口就漏洞百出一些你觉得理所当然的术语在表达时突然卡壳。特别是手撕代码环节有一个技巧值得刻意练习写代码时一定要保持“边写边说”的状态。比如面试官让你实现一个快速排序你应该一边写一边解释这里我选择三数取中作为pivot是为了避免最坏情况这里我递归处理左半部分和右半部分。这样做的好处是面试官可以实时看到你的思路即使最终代码有bug他也能判断你的思路是对的只是实现上有小问题。相反如果你闷头写完再解释一旦有bug面试官只能看到一个错误的结果。3.3 一份可复用的算法面试复习清单结合这份小米的合集我梳理了一份可以直接照着准备的复习清单。基础算法部分KMP、Boyer-Moore、快速幂、Dijkstra、贪心、二分图匹配、剪枝、模拟退火、粒子群、PID、卡尔曼滤波。数据结构部分数组、链表、栈、队列、堆、二叉树、图、哈希表、并查集、线段树。机器学习与深度学习部分KNN、K-means、决策树、随机森林、GBDT、XGBoost、逻辑回归、SVM、朴素贝叶斯、PCA、神经网络、反向传播、CNN、RNN、LSTM、Transformer、强化学习基础Q-learning、DQN。每个知识点对照四个层次自查能不能一句话说清它的核心思想能不能写出它的公式或伪代码能不能推导它的时间复杂度或收敛性能不能说出它的两个局限性或常见优化方法四个层次都能答上来这个知识点才算真正过关。我面试过不少候选人很多人卡在第三层和第四层之间就是所谓的“会用但不懂”。4. 踩坑实录与避坑经验4.1 常见问题速查表我把面试中高频翻车的情况整理成了一个速查表表格里的每一项都是我和身边同学、同事真实踩过的坑。踩坑场景错误表现正确做法被问KMP的next数组背模板但不会现场推导从最长相等前后缀定义出发逐步计算并说明定义版本差异手撕快排pivot选取不当导致最坏情况主动说明使用随机pivot或三数取中并解释原因被问XGBoost和GBDT区别只说“XGBoost更快更准”从二阶泰勒展开、正则项、列采样三个层面结构化回答被问K-means初始化不知道k-means讲清随机初始化的缺陷和k-means的改进思路被问模型过拟合只回答“加正则化、加数据”分模型类型说决策树剪枝、神经网络dropout、集成学习子采样这个表格提到的每个点背后都是一次面试的深刻教训。特别是K-means初始化这个问题我见过太多候选人只背了K-means的流程完全不知道还有k-means这种初始化方法一旦被深挖就露怯。4.2 面试中的细节陷阱除了知识本身面试中还有很多容易被忽视的细节。第一个是代码的边界条件。手撕算法题时空数组、单元素数组、整型溢出的情况一定要考虑。我在面试候选人时最怕看到代码逻辑大方向正确但输入为null或者长度为0时直接崩了。这种情况我会直接判定为“代码能力不足”因为边界处理是工程师的基本素养。第二个是算法复杂度的表述。很多人习惯说“这个算法的复杂度是O(n)”但不说明n指代什么。在面试现场n是数组长度还是字符串长度必须说得清清楚楚。还有一个高频细节某个算法在平均情况下的复杂度是O(n log n)但最坏情况是O(n²)这两者必须分开说否则面试官会认为你概念不清。第三个是面对不会的题目时的态度。我必须强调面试官不是神仙他完全预料到你有不会的题。遇到不会的题正确的策略是先静下心把你已经掌握的信息说出来分析题目中有哪些线索可以用然后向面试官确认你的理解是否正确。这个过程本身就能展现你的问题分析能力。反之如果直接说“我不会”或者沉默三分钟基本等于放弃这次面试了。4.3 复盘方法论把每一次失败变成经验秋招季刷题和面试最忌讳的是面试完就抛之脑后。我每场面试面完当天晚上一定会做一次完整复盘流程很固定先把所有被问到的问题记录在文档里然后给每个问题标注掌握程度分“能秒答”“需要思考”“完全不会”三档最后针对“需要思考”和“完全不会”的问题当天必须找到标准答案并整理成笔记。这个习惯让我在后来的面试中受益极多。因为面试官问的问题往往有很强的相似性尤其是基础算法和机器学习原理换汤不换药。你今天在一家公司被问住的KMP变形题明天大概率会在另一家公司遇到差不多的版本。每一次面试都是一次精准的查漏补缺关键是你有没有把这面镜子用好。另外复盘时我会刻意记录面试官追问的路径。比如面试官让我讲快速排序然后追问“最坏情况什么时候出现”、“怎么优化”、“还有没有其他稳定性的排序做法”这些追问顺序本身就是一条极好的知识串联线索。下次复习的时候我会顺着这条追问链重新过一遍知识点比死记硬背效率高得多。5. 写在最后我对这份老合集的看法小米2018年的这份算法工程师问答题合集放在今天来看内核依然没有过时。原因很简单算法工程师这个岗位外部环境不断在变但考察的核心能力永远是那么几样——对基础算法的熟练度、对机器学习原理的深入理解、面对未知问题时的拆解能力、以及把思路清晰表达出来的沟通能力。这些东西不会因为某个新框架的出现而改变。我个人在实际准备面试时的一个深刻体会是不要把面试题当成“要应付的考试”而是把它当成一次系统性查漏补缺的机会。每一道你答不上来的题都指向你知识体系里一个具体的缺口。补上一个缺口你的能力就扎实一分这比多做几个项目更有长期价值。最后分享一个小技巧不管你在哪个平台刷到这类问答题合集不要只收藏不行动。最好的使用方式是拿到题目后先不看任何答案自己写一遍解答再对照标准答案逐条核对。这一步的收获比看十遍别人的解析都大。备考没有捷径但每一步踩实的路最后都会反映在offer的厚度上。