尧图网站建设 
8月底收到OPPO秋招算法岗笔试邮件的时候我正在牛客上刷模拟题。切到赛码平台一看90分钟题型有单选、多选、简答和两道编程题题目质量不低而且和我之前刷的互联网大厂题库很不一样——里面居然出现了图像锐化算子、PID控制原理、音频重采样这些“很手机厂商”的题。当时我就意识到这场算法岗笔试不能只按LeetCode的套路准备得先把手机厂商的业务场景吃透。这篇文章把这套笔试题涉及的核心考点完整复盘一遍KMP的next数组怎么算、KL散度和ELBO会怎么考、Sobel和拉普拉斯算子背后的影像逻辑、PID和FOC为什么出现在手机厂商笔试里以及手撕代码题的常见套路和踩坑教训。准备投OPPO或者其他手机厂商算法岗的同学建议先读完再上考场。1. 这场笔试的底色手机厂商算法岗到底在考什么1.1 算法岗不是只有一个名字OPPO秋招的算法岗在官网申请时能看得很清楚不是笼统的“算法工程师”一个岗位而是分成影像算法、音频算法、机器学习/数据挖掘、控制算法、NLP算法、搜索推荐等多个子方向。虽然都叫算法岗笔试的考察重心差异很大。影像算法岗侧重点在图像处理、ISP流程、深度学习模型压缩与部署音频算法岗会考信号处理、滤波器设计、重采样和回声消除小布助手相关岗位偏向NLP和语音互联网服务方向则大量考察传统机器学习和深度学习基础硬件周边还会考控制算法比如充电电压电流控制、马达驱动。这也是为什么很多人在网上搜“OPPO算法岗笔试”的时候会觉得考点很杂。不是题目出得乱而是手机厂商的算法岗本身就是多线并行的。投递之前先看清楚自己报的是哪个子方向复习才有针对性。1.2 从业务线反推考点手机厂商的核心卖点是什么影像、快充、外观、系统流畅度。这些卖点背后对应的算法岗需求就非常清晰了影像超分、降噪、HDR、美颜、夜景增强涉及Sobel、拉普拉斯这些经典算子也涉及深度学习图像分类和生成模型。快充VOOC闪充的电压电流控制涉及PID这类的控制算法。马达线性马达的驱动与振动波形调校涉及FOC控制。音频通话降噪、扬声器音效、多设备协同涉及重采样和滤波器设计。小布助手语音唤醒、NLP对话、搜索推荐涉及Transformer、检索模型、用户画像聚类。智能制造手机产线的缺陷检测涉及工业异常检测算法。所以热词里出现“pid算法在crps psu power的作用”“音频重采样算法”“sobel算法”并不是网络搜索的偶然联想而是真实业务刚需。我印象最深的是一道简答题给了一小段快充电源控制场景问PID三个环节各自起什么作用。如果只看算法导论肯定懵但如果你知道OPPO做闪充就知道这道题考的就是控制环路的比例、积分、微分各自解决什么问题。1.3 线上笔试的真实体验2023年的线上笔试用的是赛码平台整体体验还算稳定。题型分布大致是20道选择填空覆盖数据结构、算法复杂度、机器学习基础5道多选题集中在深度学习和数学基础2道简答题通常是场景题最后2道编程题难度中等偏上。需要注意两点一是多选题的计分规则有些平台漏选给一半分有些选错直接0分开始前一定看清说明二是编程题不要求全部测试用例通过但能过部分就有分所以哪怕没完全做对也要把暴力解的代码交上去别留空。时间安排上选择题平均每题不到两分钟不会的果断跳过千万别卡在某一题上。我当时在KMP那道概念题上多花了几分钟后面编程题时间就有点紧这是个教训。2. 基础算法轮从KMP的next数组到贪心与模拟退火2.1 KMP与next数组一道题暴露定义不统一热词里专门有“在kmp算法中对于模式串p‘abacaba’其next数组next[i]定义为...”这道题在2023年秋招笔试中确实出现了而且很多人在网上讨论答案不统一。不统一的根源是next数组有两种常见定义。一种定义是next[i]表示模式串前i个字符或者说以i结尾的子串的最长公共前后缀长度另一种定义是next[i]表示第i位失配时应该跳转到的位置。两种定义算出来的结果不同笔试时必须先看清题目给的是哪一种。我按下标从0开始、next[i]表示p[0..i]这个子串的最长公共前后缀长度来计算i子串最长公共前后缀next[i]0a无01ab无02abaa13abac无04abacaa15abacabab26abacabaaba3所以按这个定义next数组是 {0, 0, 1, 0, 1, 2, 3}。计算方法是对每个位置i找出子串p[0..i]的所有前缀和后缀取相同的最大长度。比如i6时子串是“abacaba”前缀有a、ab、aba、abac、abaca、abacab后缀有a、ba、aba、caba、acaba、bacaba共同的是a和aba最大就是3。需要特别提醒如果把next定义为失配跳转位置通常从-1或0开始结果就完全不一样了。平时刷算法题的时候建议固定使用一种定义并理解清楚但真正笔试时一定要按题目给出的定义来不要下意识套模板。2.2 排序与快速幂看似送分实则埋坑笔试选择题里排序算法是高频考点。冒泡排序、堆排序、快速排序、归并排序的时间复杂度、空间复杂度、稳定性几乎每年都考。其中冒泡排序还会让写C实现这道题看着简单但边界条件容易出错。void bubbleSort(vectorint arr) { int n arr.size(); for (int i 0; i n - 1; i) { bool swapped false; for (int j 0; j n - 1 - i; j) { if (arr[j] arr[j 1]) { swap(arr[j], arr[j 1]); swapped true; } } if (!swapped) break; // 优化本轮无交换则已有序 } }冒泡排序最好情况O(n)最坏和平均O(n²)稳定。堆排序是O(n log n)不稳定笔试里通常考建堆过程和topK思路而不太会要求完整手写堆排序。快速幂是另一个高频考点。它本身不难但很多人不熟悉取模场景下的写法long long fastPow(long long a, long long b, long long mod) { long long res 1; while (b 0) { if (b 1) res res * a % mod; a a * a % mod; b 1; } return res; }笔试里快速幂通常会结合组合数取模、模逆元一起考。复习的时候别只背模板要理解它为什么能把指数降到O(log b)次运算二进制拆分把b表示成若干个2的幂的和a的对应幂次提前算好。2.3 图论题贪心、Dijkstra、二分图与Kahn排序基础算法轮里图论和贪心是编程题的主要来源。贪心算法最常见的是区间调度类问题。比如给定若干区间选择最多的互不重叠区间。解法是先按结束时间排序然后依次选择结束时间最早的区间。这种题的证明思路是交换论证笔试简答或面试里会问“为什么贪心是对的”。Dijkstra算法是图论里的必考内容。笔试编程题如果出“给定加权无向图求起点到终点的最短路”标答基本就是堆优化Dijkstravectorint dijkstra(int n, vectorvectorpairint,int graph, int s) { vectorint dist(n, INT_MAX); dist[s] 0; priority_queuepairint,int, vectorpairint,int, greater pq; pq.push({0, s}); while (!pq.empty()) { auto [d, u] pq.top(); pq.pop(); if (d dist[u]) continue; for (auto [v, w] : graph[u]) { if (dist[u] w dist[v]) { dist[v] dist[u] w; pq.push({dist[v], v}); } } } return dist; }注意点Dijkstra不能处理负权边稠密图用朴素O(n²)稀疏图用堆优化O((nm)log n)。笔试里数据范围通常会暗示该用哪种。二分图HK算法和Kahn排序更多是概念题。Kahn算法是拓扑排序的经典实现维护入度为0的节点队列依次取出并减少邻居入度。DC3算法是后缀数组的O(n)构造算法笔试基本不会让你手写但选择题里可能会问“以下哪个算法能在O(n)时间内构造后缀数组”。2.4 粒子群和模拟退火考的是“知道不知道”粒子群算法和模拟退火算法这两类元启发式优化算法在互联网大厂笔试里出现频率不高但手机厂商和智能制造相关岗位会考因为产线调度、参数调优、路径规划这些场景真的会用到。粒子群算法的核心是每个粒子有位置和速度记录个体最优pbest和全局最优gbest迭代更新v w·v c1·r1·(pbest - x) c2·r2·(gbest - x) x x v其中w是惯性权重c1是自我认知因子c2是社会认知因子。笔试题可能直接问w增大对搜索的影响w越大全局探索能力越强w越小局部开发能力越强。模拟退火算法的关键是Metropolis准则新解比当前解好一定接受新解更差以概率exp(-ΔE/T)接受。温度T越高接受差解的概率越大早期不容易陷入局部最优随着温度下降接受劣解的概率减小最终收敛。这类题答题时做到三步讲清灵感来源粒子群来自鸟群觅食模拟退火来自金属退火讲清核心步骤讲清适用场景。不需要写完整代码但要把关键公式和参数含义写出来。3. 机器学习与深度学习轮KL散度、ELBO与模型细节3.1 KL散度为什么永远是考点KL散度也叫相对熵是机器学习笔试里绕不开的基础概念。公式是KL(P||Q) Σ P(x) log(P(x)/Q(x))它是用来衡量两个概率分布之间差异的度量但它不是一个真正的距离。这个“不是距离”的点经常在选择题里出现。KL散度不满足对称性KL(P||Q)不等于KL(Q||P)也不满足三角不等式。为什么KL散度这么重要因为深度学习的很多目标函数都能跟它扯上关系交叉熵损失本质上就是KL散度加上一个常数项VAE的损失函数里有KL散度强化学习PPO算法也用KL散度来限制新旧策略的差异。笔试题可能会给两个简单的离散分布让手算KL散度。比如P {0.5, 0.5}Q {0.9, 0.1}算KL(P||Q)。这种题要会算而且要会判断结果是否大于等于0。KL散度的非负性一般用Jensen不等式证明笔试简答里如果问“为什么KL散度非负”可以答因为log是凹函数所以E[log(X)] ≤ log(E[X])。另外注意有的题目用log2底有的用自然对数ln算出来的数值不同但判断大小关系不受影响。3.2 ELBO与变分推断VAE推导的得分点热词里“kl elbo算法原理详解”基本就是冲着VAE和变分推断去的。ELBOEvidence Lower Bound证据下界是变分推断的核心概念。推导逻辑大致是我们要算后验分布p(z|x)但很难直接求。于是找一个容易计算的分布q(z|x)去近似它。对log p(x)做变形log p(x) ELBO(q) KL(q(z|x) || p(z|x))其中ELBO(q) E_q[log p(x|z)] - KL(q(z|x) || p(z))因为KL(q(z|x) || p(z|x)) ≥ 0所以log p(x) ≥ ELBO(q)。这意味着最大化ELBO等价于最小化KL(q(z|x) || p(z|x))也就是说让近似的后验分布尽量接近真实后验分布。在VAE里ELBO的两项通常被解释为重构损失和正则项。E_q[log p(x|z)]鼓励模型从隐变量z重构出真实数据xKL(q(z|x) || p(z))约束隐变量分布接近先验分布通常是标准正态分布。笔试考法常见是给一个VAE的损失函数表达式问前一项和后一项分别是什么含义。或者是问“变分推断中为什么用ELBO而不是直接优化KL散度”答案是ELBO是log p(x)的下界可以直接计算梯度优化而KL(q||p)里的p(z|x)是未知的。3.3 KNN的三个应用能力与聚类算法热词里有一条“knn算法的应用能力包括哪三个方面”这个题很典型。KNN就是K近邻算法它的三个核心应用能力是分类找到样本的K个最近邻用多数投票决定类别。回归找到样本的K个最近邻对标签取平均或加权平均。缺失值填充/异常检测用最近邻的取值估计缺失值或者根据到邻居的距离判断是否异常。这是标准答案简答题可以直接这样写再每个方向补一句解释。KNN的思路本身简单但笔试常考它的特点非参数方法、训练时没有显式学习过程、预测时计算量大、对特征尺度敏感所以通常需要标准化。聚类算法也是常客。K-Means是最基础的笔试题可能给出几个二维点要求手动迭代一次K-Means算聚类中心变化。步骤是随机初始化K个中心把每个点分给最近的中心然后重新计算每个簇的中心直到收敛。K-Means对初始值敏感、对离群点敏感这也是考点。在手机厂商场景里聚类更多用于用户分群、语音/图像特征聚类、异常检测中的先验建模。工业异常检测算法在产线质检场景里很重要常见思路包括重构误差法用自编码器重构正常样本重构误差大的判为异常、特征距离法提取正常样本特征看目标样本特征与正常特征集合的距离、以及PatchCore这类基于记忆库的方法。3.4 从图像分类到强化学习新模型与新范式的选择题深度学习部分的选择题经常涉及基础模型和最新进展。2023年前后EVA-02这类视觉Transformer增强模型出现在热词里笔试题不会深挖模型细节但会考“视觉Transformer和CNN的核心区别是注意力机制”“图像分类模型的发展脉络”这类概念。强化学习今年在热词里也频出。强化学习的基本要素是状态、动作、奖励、策略、价值函数。策略梯度方法的核心思想是直接对策略进行梯度上升提高高回报动作的概率。PPO算法里用KL散度限制新旧策略的差异防止更新步子太大导致性能崩坏。笔试里强化学习不会考得太深一般就是选择题给出几个算法问哪个不是强化学习算法或者问reward shaping的作用。掌握基本概念就够了不用去细推PPO的裁剪目标函数除非你投的岗位明确做RL方向。4. 业务场景题影像、音频、快充与搜索里的算法考法4.1 图像算法Sobel、拉普拉斯与锐化背后的ISP逻辑在手机影像算法岗的笔试里Sobel算子和拉普拉斯算子属于基础中的基础。它们都不是深度学习内容而是传统图像处理里的边缘检测和锐化工具但在ISP流程里依然有位置比如用于边缘增强、夜景细节提取。Sobel算子有两个卷积核分别检测水平边缘和垂直边缘Gx [[-1,0,1],[-2,0,2],[-1,0,1]] Gy [[-1,-2,-1],[0,0,0],[1,2,1]]计算每个像素的梯度幅值通常近似为|Gx| |Gy|也可以取平方和的平方根。Sobel相比单纯的梯度算子加了加权平均抗噪能力更好一些。拉普拉斯算子是一个二阶微分算子常用卷积核是[[0,1,0],[1,-4,1],[0,1,0]]或者带对角线的版本[[1,1,1],[1,-8,1],[1,1,1]]图像锐化的基本公式是锐化结果 原图 系数 × 拉普拉斯结果。这样做能让边缘对比度增强画面显得更清晰。手机拍照里的“清晰度”调优很多就是从这类算子起步的。笔试如果出简答题可以这样答Sobel算子计算一阶梯度突出边缘位置拉普拉斯算子计算二阶梯度对边缘敏感且对噪声更敏感所以实际应用中通常先做平滑再去锐化。如果允许写伪代码可以用Python思路# 拉普拉斯锐化伪代码示例 import numpy as np from scipy import signal laplacian_kernel np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]]) lap signal.convolve2d(gray_img, laplacian_kernel, modesame) sharpened gray_img - lap # 中心为负时用减想拿高分要能说清楚“为什么锐化要加边缘信息”以及“在手机夜景模式下直接拉高锐化会放大噪声”——这是实际调优中常见的坑。4.2 音频重采样从信号处理角度拆解音频重采样算法会出现在音频算法岗的试卷里但在通用算法岗的简答题里也出现过毕竟做手机不可能不处理音频。重采样就是从44.1kHz转到48kHz这类采样率转换。原理上可以分两步理解上采样先插值增加采样点数。比如44.1kHz转48kHz需要先插值到一个公倍数再抽取。抽取按新采样率取点。直接抽取会导致频谱混叠所以抽取之前必须经过低通滤波器去掉采样率变化后超出奈奎斯特频率的部分。最简单可演示的方法是线性插值目标采样点落在两个源采样点之间用线性插值计算。但实际工程里会用多相滤波器polyphase filter效率更高。笔试题如果问“为什么重采样后会有质量损失”可以从滤波器的非理想特性、量化误差、以及重采样链路上多次插值抽取带来的累积误差这几个角度回答。这里多说一句OPPO做音频算法的同学日常会涉及通话降噪、立体声录制、扬声器保护等等重采样只是音频链路里很小的一个环节但笔试拿它当“场景题”很合适因为它能区分懂信号处理和不懂信号处理的人。4.3 PID和FOC手机厂商才爱考的控制算法热词里“pid算法在crps psu power的作用”看上去很拗口其实就是问PID在电源CRPS电源、PSU供电单元功率控制里的角色。OPPO做闪充快充充电头里的电压电流控制环路离不开PID。位置式PID控制公式u(k) Kp·e(k) Ki·Σe(i) Kd·(e(k) - e(k-1))其中e(k)是当前误差。比例项P按当前误差大小输出控制量让系统快速靠近目标积分项I消除稳态误差因为只要误差一直存在积分项就会不断累积微分项D抑制误差变化速度防止超调和震荡。笔试简答可能会问如果充电电流出现稳态偏差应该调大哪个参数答案是增加Ki如果系统响应太慢优先调大Kp如果存在震荡考虑增加Kd。FOC磁场定向控制在OPPO的线性马达驱动场景中会出现。FOC的核心是对三相电流做坐标变换先是Clarke变换把abc三相坐标系变到αβ静止坐标系再做Park变换变到dq旋转坐标系。在dq坐标系下d轴和q轴的电流可以解耦控制常用策略是id0控制让q轴电流完全对应电磁转矩。笔试考FOC通常是概念题问Clark变换和Park变换的作用分别是什么。需要注意的是控制算法一般不会出现在通用算法工程师的试卷里更多是出现在硬件相关的算法岗位上。如果简历里写了马达驱动、充电控制相关的项目考前一定要把这些概念准备好。4.4 搜索、推荐与规则引擎BM25、聚类与Rete这几项更多对应OPPO的互联网服务方向比如ColorOS里的应用商店搜索、主题商店推荐、浏览器信息流。BM25是文本检索里的经典打分函数。公式可以记成每个查询词的权重乘以词频饱和度因子再叠加文档长度归一化。笔试可能只要求解释它在做什么对每个出现在文档中的查询词计算它对文档相关性的贡献词频越高贡献越大但不会线性增长文档越长词频的贡献会被惩罚防止长文档天然占便宜。聚类的主要作用是做用户分群、物品召回。比如把用户按行为特征聚类成几个群体然后在每个群体里做协同过滤比全局计算相似度效率更高。K-Means在推荐系统里的应用很广。Rete算法是规则引擎Drools的核心。笔试题可能会问“Rete算法的原理和事实匹配过程”回答框架是Rete把规则条件拆成原子条件构建Alpha网络和Beta网络。事实进来后先经过Alpha网络做单条件匹配结果保存到alpha memory然后在Beta节点完成多条件连接匹配中间结果缓存下来。这样新增事实时不需要对全部规则重新匹配只用处理受影响的部分因此适合大量规则和频繁更新的场景。这几块内容不需要深入源码但概念层面要能讲清楚“输入是什么、过程分几步、优点是什么”。4.5 井字棋与Minimax博弈题的入门姿势热词里“井字棋minimax算法实现详解”非常形象——笔试不会真让我写一个完整游戏但Minimax作为博弈树搜索算法在简答题和编程题里都有可能出现。Minimax假设对手永远选最不利于己方的走法。当前玩家最大化自己的收益对手最小化你的收益。树的叶子节点是胜负或平局得分回传时交替取max和min。如果加上Alpha-Beta剪枝可以大幅减少搜索节点数量。笔试考Minimax通常是给一个简单的博弈树让你标注每个节点的值。做题要点从叶子向上奇数层取最大偶数层取最小取决于谁走棋。如果写出伪代码核心是递归def minimax(node, depth, maximizing): if depth 0 or node.is_terminal(): return node.evaluate() if maximizing: return max(minimax(child, depth-1, False) for child in node.children) else: return min(minimax(child, depth-1, True) for child in node.children)井字棋本身搜索空间小适合当例题笔试看到这类题不要慌本质就是深搜回溯。5. 手撕代码题几个高频题型的实打实套路5.1 在线笔试平台与输入输出处理在线笔试的编程题难点往往不是算法本身而是输入输出。赛码、牛客这些平台的题目输入是标准输入输出是标准输出和本地IDE里写main函数读文件不一样。第一件事是掌握多组输入的处理。很多题会写“给定多组测试数据每组第一行是n”需要用while(cinn)或者while(scanner.hasNext())循环读取。第二件事是确认数据范围如果n达到10^9就要警惕int溢出除法、模运算、中间结果全部用long long。还有一个小建议正式笔试开始前先花2分钟建好本地的代码模板包括常用的头文件、快读函数、一堆STL的引入。赛码是支持本地编译的把模板提前写好能省不少时间。5.2 TopK与堆排序一个模板打天下TopK问题是笔试里出现频率极高的编程题。给一个无序数组找出第K大的数或者最大的K个数。解法可以是排序O(n log n)、快排partitionO(n)平均、小顶堆O(n log K)。笔试环境里最稳妥的是小顶堆因为不容易写错而且代码量小vectorint topK(vectorint nums, int k) { priority_queueint, vectorint, greaterint minHeap; for (int x : nums) { minHeap.push(x); if ((int)minHeap.size() k) minHeap.pop(); } vectorint res; while (!minHeap.empty()) { res.push_back(minHeap.top()); minHeap.pop(); } return res; }原理是维护一个大小为K的小顶堆堆顶永远是堆里最小的元素。每来一个新元素放进堆里如果堆大小超过K就弹出堆顶这样堆里始终保留当前遇到的最大K个数。这个套路背后其实就是堆排序的核心操作——堆化。如果题目进一步问“这个堆的建堆复杂度是多少”要能答出来只对前K个元素建堆是O(K)后续每个元素pushpop的操作是O(log K)整体O(n log K)比排序更快。5.3 Dijkstra堆优化图论题的标答模板图论题里最常出现的就是最短路。题目描述通常很直白有N个城市、M条路、求从城市1到N的最短时间。直接用堆优化Dijkstra就行。我在前面给过代码这里补充几个容易踩的坑图是稀疏还是稠密N很大、M不大的时候必须用邻接表存图不要用邻接矩阵。堆里存的是pair距离, 节点距离放第一个因为pair默认按第一个元素排序。用if (d dist[u]) continue;跳过过期的堆节点这个剪枝不能省。如果题目带负权边Dijkstra就不能用了要考虑Bellman-Ford或SPFA但秋招笔试里出现负权边的概率不高优先保证Dijkstra熟练。5.4 快速幂与组合数取模数论题的基本功赛码和牛客的编程题里数论题不算多但组合数取模是常客特别是结合动态规划的时候。组合数C(n, k)的值可能非常大题目会要求对1e97取模输出。关键点有两个一是用逆元计算组合数时n的范围如果小于1e6而且要求大量组合数可以提前预处理阶乘和逆元二是如果n很大1e9级别就要用Lucas定理。笔试一般考不到Lucas那么深但快速幂是必备的因为逆元计算要用它。long long mod 1e9 7; long long modInv(long long a) { return fastPow(a, mod - 2, mod); }费马小定理模数是质数时a的逆元是a^(mod-2)这个知识点在组合数取模题里高频出现。5.5 时间复杂度的估算与面试官视角做编程题之前先看数据范围n ≤ 10^5O(n²)大概率超时得想O(n log n)n ≤ 10^3O(n²)可以接受n ≤ 10^7基本只能O(n)线性扫一遍。这能帮你快速判断该用什么算法。面试官或出题人看的是“你能否独立分析问题、选择合适算法、写干净代码”。所以编程题别一上来就写先想暴力怎么做暴力复杂度是多少能不能用哈希表、堆、二分、并查集优化把思考过程写进注释里即使最后没完全过阅卷时也能看到思路。6. 备考优先级与我的踩坑复盘6.1 按目标岗位分配复习精力目标岗位复习优先级通用算法岗搜索/推荐/机器学习数据结构与算法、机器学习基础、深度学习基础、推荐系统/搜索影像算法岗图像处理算子、卷积神经网络、ISP基础、图像分类、模型部署音频算法岗信号处理基础、滤波器设计、重采样、麦克风阵列、音频编解码控制算法岗PID、FOC、卡尔曼滤波、仿真建模、C语言编程NLP/语音算法岗Transformer、BERT、文本分类、语音唤醒、ASR基础我的建议是别把大量时间花在冷门算法上。DC3、HK算法这类掌握概念就行真正能拉开差距的是基础算法的熟练度和对业务场景的理解。选择题里大量考察的是“最基础的结论”比如快排不稳定、K-Means对初始值敏感、KL散度不对称这些只要复习到位就能拿分。6.2 我在这次笔试中的三个教训第一个教训是KMP的next数组浪费了太多时间。题目明明给了定义我还是下意识用了刷题时习惯的定义算出来跟选项对不上又回头重算白白损失了5分钟。笔试里定义不统一的算法题很常见务必先读题给的公式。第二个教训是编程题的数据类型。手撕Dijkstra时我以为N不超过10^5距离用int就够了结果测试用例里路径总长超过int边界溢出导致部分用例WA。后来凡涉及距离、乘积、累加的题一律用long long这个习惯也影响了我后续所有笔试和面试。第三个教训是多选题的“宁缺毋滥”策略。有些平台多选题多选了会倒扣分只看正确选项个数给分这时候不确定的选项就不要选。我一开始按“全部选对才得分”的习惯漏选了几个导致2道多选0分。开始前一定看清计分规则。6.3 给下一届的建议如果你现在正准备投手机厂商的算法岗我给几条实操建议第一把手机厂商的业务拆开看。影像、音频、充电、马达、小布助手每个方向对应的算法栈都不一样挑自己熟悉的1-2个方向重点准备。投递时不要海投所有算法 OPPO算法岗笔试复盘：从KMP到PID，手机厂商算法考点全解析
8月底收到OPPO秋招算法岗笔试邮件的时候我正在牛客上刷模拟题。切到赛码平台一看90分钟题型有单选、多选、简答和两道编程题题目质量不低而且和我之前刷的互联网大厂题库很不一样——里面居然出现了图像锐化算子、PID控制原理、音频重采样这些“很手机厂商”的题。当时我就意识到这场算法岗笔试不能只按LeetCode的套路准备得先把手机厂商的业务场景吃透。这篇文章把这套笔试题涉及的核心考点完整复盘一遍KMP的next数组怎么算、KL散度和ELBO会怎么考、Sobel和拉普拉斯算子背后的影像逻辑、PID和FOC为什么出现在手机厂商笔试里以及手撕代码题的常见套路和踩坑教训。准备投OPPO或者其他手机厂商算法岗的同学建议先读完再上考场。1. 这场笔试的底色手机厂商算法岗到底在考什么1.1 算法岗不是只有一个名字OPPO秋招的算法岗在官网申请时能看得很清楚不是笼统的“算法工程师”一个岗位而是分成影像算法、音频算法、机器学习/数据挖掘、控制算法、NLP算法、搜索推荐等多个子方向。虽然都叫算法岗笔试的考察重心差异很大。影像算法岗侧重点在图像处理、ISP流程、深度学习模型压缩与部署音频算法岗会考信号处理、滤波器设计、重采样和回声消除小布助手相关岗位偏向NLP和语音互联网服务方向则大量考察传统机器学习和深度学习基础硬件周边还会考控制算法比如充电电压电流控制、马达驱动。这也是为什么很多人在网上搜“OPPO算法岗笔试”的时候会觉得考点很杂。不是题目出得乱而是手机厂商的算法岗本身就是多线并行的。投递之前先看清楚自己报的是哪个子方向复习才有针对性。1.2 从业务线反推考点手机厂商的核心卖点是什么影像、快充、外观、系统流畅度。这些卖点背后对应的算法岗需求就非常清晰了影像超分、降噪、HDR、美颜、夜景增强涉及Sobel、拉普拉斯这些经典算子也涉及深度学习图像分类和生成模型。快充VOOC闪充的电压电流控制涉及PID这类的控制算法。马达线性马达的驱动与振动波形调校涉及FOC控制。音频通话降噪、扬声器音效、多设备协同涉及重采样和滤波器设计。小布助手语音唤醒、NLP对话、搜索推荐涉及Transformer、检索模型、用户画像聚类。智能制造手机产线的缺陷检测涉及工业异常检测算法。所以热词里出现“pid算法在crps psu power的作用”“音频重采样算法”“sobel算法”并不是网络搜索的偶然联想而是真实业务刚需。我印象最深的是一道简答题给了一小段快充电源控制场景问PID三个环节各自起什么作用。如果只看算法导论肯定懵但如果你知道OPPO做闪充就知道这道题考的就是控制环路的比例、积分、微分各自解决什么问题。1.3 线上笔试的真实体验2023年的线上笔试用的是赛码平台整体体验还算稳定。题型分布大致是20道选择填空覆盖数据结构、算法复杂度、机器学习基础5道多选题集中在深度学习和数学基础2道简答题通常是场景题最后2道编程题难度中等偏上。需要注意两点一是多选题的计分规则有些平台漏选给一半分有些选错直接0分开始前一定看清说明二是编程题不要求全部测试用例通过但能过部分就有分所以哪怕没完全做对也要把暴力解的代码交上去别留空。时间安排上选择题平均每题不到两分钟不会的果断跳过千万别卡在某一题上。我当时在KMP那道概念题上多花了几分钟后面编程题时间就有点紧这是个教训。2. 基础算法轮从KMP的next数组到贪心与模拟退火2.1 KMP与next数组一道题暴露定义不统一热词里专门有“在kmp算法中对于模式串p‘abacaba’其next数组next[i]定义为...”这道题在2023年秋招笔试中确实出现了而且很多人在网上讨论答案不统一。不统一的根源是next数组有两种常见定义。一种定义是next[i]表示模式串前i个字符或者说以i结尾的子串的最长公共前后缀长度另一种定义是next[i]表示第i位失配时应该跳转到的位置。两种定义算出来的结果不同笔试时必须先看清题目给的是哪一种。我按下标从0开始、next[i]表示p[0..i]这个子串的最长公共前后缀长度来计算i子串最长公共前后缀next[i]0a无01ab无02abaa13abac无04abacaa15abacabab26abacabaaba3所以按这个定义next数组是 {0, 0, 1, 0, 1, 2, 3}。计算方法是对每个位置i找出子串p[0..i]的所有前缀和后缀取相同的最大长度。比如i6时子串是“abacaba”前缀有a、ab、aba、abac、abaca、abacab后缀有a、ba、aba、caba、acaba、bacaba共同的是a和aba最大就是3。需要特别提醒如果把next定义为失配跳转位置通常从-1或0开始结果就完全不一样了。平时刷算法题的时候建议固定使用一种定义并理解清楚但真正笔试时一定要按题目给出的定义来不要下意识套模板。2.2 排序与快速幂看似送分实则埋坑笔试选择题里排序算法是高频考点。冒泡排序、堆排序、快速排序、归并排序的时间复杂度、空间复杂度、稳定性几乎每年都考。其中冒泡排序还会让写C实现这道题看着简单但边界条件容易出错。void bubbleSort(vectorint arr) { int n arr.size(); for (int i 0; i n - 1; i) { bool swapped false; for (int j 0; j n - 1 - i; j) { if (arr[j] arr[j 1]) { swap(arr[j], arr[j 1]); swapped true; } } if (!swapped) break; // 优化本轮无交换则已有序 } }冒泡排序最好情况O(n)最坏和平均O(n²)稳定。堆排序是O(n log n)不稳定笔试里通常考建堆过程和topK思路而不太会要求完整手写堆排序。快速幂是另一个高频考点。它本身不难但很多人不熟悉取模场景下的写法long long fastPow(long long a, long long b, long long mod) { long long res 1; while (b 0) { if (b 1) res res * a % mod; a a * a % mod; b 1; } return res; }笔试里快速幂通常会结合组合数取模、模逆元一起考。复习的时候别只背模板要理解它为什么能把指数降到O(log b)次运算二进制拆分把b表示成若干个2的幂的和a的对应幂次提前算好。2.3 图论题贪心、Dijkstra、二分图与Kahn排序基础算法轮里图论和贪心是编程题的主要来源。贪心算法最常见的是区间调度类问题。比如给定若干区间选择最多的互不重叠区间。解法是先按结束时间排序然后依次选择结束时间最早的区间。这种题的证明思路是交换论证笔试简答或面试里会问“为什么贪心是对的”。Dijkstra算法是图论里的必考内容。笔试编程题如果出“给定加权无向图求起点到终点的最短路”标答基本就是堆优化Dijkstravectorint dijkstra(int n, vectorvectorpairint,int graph, int s) { vectorint dist(n, INT_MAX); dist[s] 0; priority_queuepairint,int, vectorpairint,int, greater pq; pq.push({0, s}); while (!pq.empty()) { auto [d, u] pq.top(); pq.pop(); if (d dist[u]) continue; for (auto [v, w] : graph[u]) { if (dist[u] w dist[v]) { dist[v] dist[u] w; pq.push({dist[v], v}); } } } return dist; }注意点Dijkstra不能处理负权边稠密图用朴素O(n²)稀疏图用堆优化O((nm)log n)。笔试里数据范围通常会暗示该用哪种。二分图HK算法和Kahn排序更多是概念题。Kahn算法是拓扑排序的经典实现维护入度为0的节点队列依次取出并减少邻居入度。DC3算法是后缀数组的O(n)构造算法笔试基本不会让你手写但选择题里可能会问“以下哪个算法能在O(n)时间内构造后缀数组”。2.4 粒子群和模拟退火考的是“知道不知道”粒子群算法和模拟退火算法这两类元启发式优化算法在互联网大厂笔试里出现频率不高但手机厂商和智能制造相关岗位会考因为产线调度、参数调优、路径规划这些场景真的会用到。粒子群算法的核心是每个粒子有位置和速度记录个体最优pbest和全局最优gbest迭代更新v w·v c1·r1·(pbest - x) c2·r2·(gbest - x) x x v其中w是惯性权重c1是自我认知因子c2是社会认知因子。笔试题可能直接问w增大对搜索的影响w越大全局探索能力越强w越小局部开发能力越强。模拟退火算法的关键是Metropolis准则新解比当前解好一定接受新解更差以概率exp(-ΔE/T)接受。温度T越高接受差解的概率越大早期不容易陷入局部最优随着温度下降接受劣解的概率减小最终收敛。这类题答题时做到三步讲清灵感来源粒子群来自鸟群觅食模拟退火来自金属退火讲清核心步骤讲清适用场景。不需要写完整代码但要把关键公式和参数含义写出来。3. 机器学习与深度学习轮KL散度、ELBO与模型细节3.1 KL散度为什么永远是考点KL散度也叫相对熵是机器学习笔试里绕不开的基础概念。公式是KL(P||Q) Σ P(x) log(P(x)/Q(x))它是用来衡量两个概率分布之间差异的度量但它不是一个真正的距离。这个“不是距离”的点经常在选择题里出现。KL散度不满足对称性KL(P||Q)不等于KL(Q||P)也不满足三角不等式。为什么KL散度这么重要因为深度学习的很多目标函数都能跟它扯上关系交叉熵损失本质上就是KL散度加上一个常数项VAE的损失函数里有KL散度强化学习PPO算法也用KL散度来限制新旧策略的差异。笔试题可能会给两个简单的离散分布让手算KL散度。比如P {0.5, 0.5}Q {0.9, 0.1}算KL(P||Q)。这种题要会算而且要会判断结果是否大于等于0。KL散度的非负性一般用Jensen不等式证明笔试简答里如果问“为什么KL散度非负”可以答因为log是凹函数所以E[log(X)] ≤ log(E[X])。另外注意有的题目用log2底有的用自然对数ln算出来的数值不同但判断大小关系不受影响。3.2 ELBO与变分推断VAE推导的得分点热词里“kl elbo算法原理详解”基本就是冲着VAE和变分推断去的。ELBOEvidence Lower Bound证据下界是变分推断的核心概念。推导逻辑大致是我们要算后验分布p(z|x)但很难直接求。于是找一个容易计算的分布q(z|x)去近似它。对log p(x)做变形log p(x) ELBO(q) KL(q(z|x) || p(z|x))其中ELBO(q) E_q[log p(x|z)] - KL(q(z|x) || p(z))因为KL(q(z|x) || p(z|x)) ≥ 0所以log p(x) ≥ ELBO(q)。这意味着最大化ELBO等价于最小化KL(q(z|x) || p(z|x))也就是说让近似的后验分布尽量接近真实后验分布。在VAE里ELBO的两项通常被解释为重构损失和正则项。E_q[log p(x|z)]鼓励模型从隐变量z重构出真实数据xKL(q(z|x) || p(z))约束隐变量分布接近先验分布通常是标准正态分布。笔试考法常见是给一个VAE的损失函数表达式问前一项和后一项分别是什么含义。或者是问“变分推断中为什么用ELBO而不是直接优化KL散度”答案是ELBO是log p(x)的下界可以直接计算梯度优化而KL(q||p)里的p(z|x)是未知的。3.3 KNN的三个应用能力与聚类算法热词里有一条“knn算法的应用能力包括哪三个方面”这个题很典型。KNN就是K近邻算法它的三个核心应用能力是分类找到样本的K个最近邻用多数投票决定类别。回归找到样本的K个最近邻对标签取平均或加权平均。缺失值填充/异常检测用最近邻的取值估计缺失值或者根据到邻居的距离判断是否异常。这是标准答案简答题可以直接这样写再每个方向补一句解释。KNN的思路本身简单但笔试常考它的特点非参数方法、训练时没有显式学习过程、预测时计算量大、对特征尺度敏感所以通常需要标准化。聚类算法也是常客。K-Means是最基础的笔试题可能给出几个二维点要求手动迭代一次K-Means算聚类中心变化。步骤是随机初始化K个中心把每个点分给最近的中心然后重新计算每个簇的中心直到收敛。K-Means对初始值敏感、对离群点敏感这也是考点。在手机厂商场景里聚类更多用于用户分群、语音/图像特征聚类、异常检测中的先验建模。工业异常检测算法在产线质检场景里很重要常见思路包括重构误差法用自编码器重构正常样本重构误差大的判为异常、特征距离法提取正常样本特征看目标样本特征与正常特征集合的距离、以及PatchCore这类基于记忆库的方法。3.4 从图像分类到强化学习新模型与新范式的选择题深度学习部分的选择题经常涉及基础模型和最新进展。2023年前后EVA-02这类视觉Transformer增强模型出现在热词里笔试题不会深挖模型细节但会考“视觉Transformer和CNN的核心区别是注意力机制”“图像分类模型的发展脉络”这类概念。强化学习今年在热词里也频出。强化学习的基本要素是状态、动作、奖励、策略、价值函数。策略梯度方法的核心思想是直接对策略进行梯度上升提高高回报动作的概率。PPO算法里用KL散度限制新旧策略的差异防止更新步子太大导致性能崩坏。笔试里强化学习不会考得太深一般就是选择题给出几个算法问哪个不是强化学习算法或者问reward shaping的作用。掌握基本概念就够了不用去细推PPO的裁剪目标函数除非你投的岗位明确做RL方向。4. 业务场景题影像、音频、快充与搜索里的算法考法4.1 图像算法Sobel、拉普拉斯与锐化背后的ISP逻辑在手机影像算法岗的笔试里Sobel算子和拉普拉斯算子属于基础中的基础。它们都不是深度学习内容而是传统图像处理里的边缘检测和锐化工具但在ISP流程里依然有位置比如用于边缘增强、夜景细节提取。Sobel算子有两个卷积核分别检测水平边缘和垂直边缘Gx [[-1,0,1],[-2,0,2],[-1,0,1]] Gy [[-1,-2,-1],[0,0,0],[1,2,1]]计算每个像素的梯度幅值通常近似为|Gx| |Gy|也可以取平方和的平方根。Sobel相比单纯的梯度算子加了加权平均抗噪能力更好一些。拉普拉斯算子是一个二阶微分算子常用卷积核是[[0,1,0],[1,-4,1],[0,1,0]]或者带对角线的版本[[1,1,1],[1,-8,1],[1,1,1]]图像锐化的基本公式是锐化结果 原图 系数 × 拉普拉斯结果。这样做能让边缘对比度增强画面显得更清晰。手机拍照里的“清晰度”调优很多就是从这类算子起步的。笔试如果出简答题可以这样答Sobel算子计算一阶梯度突出边缘位置拉普拉斯算子计算二阶梯度对边缘敏感且对噪声更敏感所以实际应用中通常先做平滑再去锐化。如果允许写伪代码可以用Python思路# 拉普拉斯锐化伪代码示例 import numpy as np from scipy import signal laplacian_kernel np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]]) lap signal.convolve2d(gray_img, laplacian_kernel, modesame) sharpened gray_img - lap # 中心为负时用减想拿高分要能说清楚“为什么锐化要加边缘信息”以及“在手机夜景模式下直接拉高锐化会放大噪声”——这是实际调优中常见的坑。4.2 音频重采样从信号处理角度拆解音频重采样算法会出现在音频算法岗的试卷里但在通用算法岗的简答题里也出现过毕竟做手机不可能不处理音频。重采样就是从44.1kHz转到48kHz这类采样率转换。原理上可以分两步理解上采样先插值增加采样点数。比如44.1kHz转48kHz需要先插值到一个公倍数再抽取。抽取按新采样率取点。直接抽取会导致频谱混叠所以抽取之前必须经过低通滤波器去掉采样率变化后超出奈奎斯特频率的部分。最简单可演示的方法是线性插值目标采样点落在两个源采样点之间用线性插值计算。但实际工程里会用多相滤波器polyphase filter效率更高。笔试题如果问“为什么重采样后会有质量损失”可以从滤波器的非理想特性、量化误差、以及重采样链路上多次插值抽取带来的累积误差这几个角度回答。这里多说一句OPPO做音频算法的同学日常会涉及通话降噪、立体声录制、扬声器保护等等重采样只是音频链路里很小的一个环节但笔试拿它当“场景题”很合适因为它能区分懂信号处理和不懂信号处理的人。4.3 PID和FOC手机厂商才爱考的控制算法热词里“pid算法在crps psu power的作用”看上去很拗口其实就是问PID在电源CRPS电源、PSU供电单元功率控制里的角色。OPPO做闪充快充充电头里的电压电流控制环路离不开PID。位置式PID控制公式u(k) Kp·e(k) Ki·Σe(i) Kd·(e(k) - e(k-1))其中e(k)是当前误差。比例项P按当前误差大小输出控制量让系统快速靠近目标积分项I消除稳态误差因为只要误差一直存在积分项就会不断累积微分项D抑制误差变化速度防止超调和震荡。笔试简答可能会问如果充电电流出现稳态偏差应该调大哪个参数答案是增加Ki如果系统响应太慢优先调大Kp如果存在震荡考虑增加Kd。FOC磁场定向控制在OPPO的线性马达驱动场景中会出现。FOC的核心是对三相电流做坐标变换先是Clarke变换把abc三相坐标系变到αβ静止坐标系再做Park变换变到dq旋转坐标系。在dq坐标系下d轴和q轴的电流可以解耦控制常用策略是id0控制让q轴电流完全对应电磁转矩。笔试考FOC通常是概念题问Clark变换和Park变换的作用分别是什么。需要注意的是控制算法一般不会出现在通用算法工程师的试卷里更多是出现在硬件相关的算法岗位上。如果简历里写了马达驱动、充电控制相关的项目考前一定要把这些概念准备好。4.4 搜索、推荐与规则引擎BM25、聚类与Rete这几项更多对应OPPO的互联网服务方向比如ColorOS里的应用商店搜索、主题商店推荐、浏览器信息流。BM25是文本检索里的经典打分函数。公式可以记成每个查询词的权重乘以词频饱和度因子再叠加文档长度归一化。笔试可能只要求解释它在做什么对每个出现在文档中的查询词计算它对文档相关性的贡献词频越高贡献越大但不会线性增长文档越长词频的贡献会被惩罚防止长文档天然占便宜。聚类的主要作用是做用户分群、物品召回。比如把用户按行为特征聚类成几个群体然后在每个群体里做协同过滤比全局计算相似度效率更高。K-Means在推荐系统里的应用很广。Rete算法是规则引擎Drools的核心。笔试题可能会问“Rete算法的原理和事实匹配过程”回答框架是Rete把规则条件拆成原子条件构建Alpha网络和Beta网络。事实进来后先经过Alpha网络做单条件匹配结果保存到alpha memory然后在Beta节点完成多条件连接匹配中间结果缓存下来。这样新增事实时不需要对全部规则重新匹配只用处理受影响的部分因此适合大量规则和频繁更新的场景。这几块内容不需要深入源码但概念层面要能讲清楚“输入是什么、过程分几步、优点是什么”。4.5 井字棋与Minimax博弈题的入门姿势热词里“井字棋minimax算法实现详解”非常形象——笔试不会真让我写一个完整游戏但Minimax作为博弈树搜索算法在简答题和编程题里都有可能出现。Minimax假设对手永远选最不利于己方的走法。当前玩家最大化自己的收益对手最小化你的收益。树的叶子节点是胜负或平局得分回传时交替取max和min。如果加上Alpha-Beta剪枝可以大幅减少搜索节点数量。笔试考Minimax通常是给一个简单的博弈树让你标注每个节点的值。做题要点从叶子向上奇数层取最大偶数层取最小取决于谁走棋。如果写出伪代码核心是递归def minimax(node, depth, maximizing): if depth 0 or node.is_terminal(): return node.evaluate() if maximizing: return max(minimax(child, depth-1, False) for child in node.children) else: return min(minimax(child, depth-1, True) for child in node.children)井字棋本身搜索空间小适合当例题笔试看到这类题不要慌本质就是深搜回溯。5. 手撕代码题几个高频题型的实打实套路5.1 在线笔试平台与输入输出处理在线笔试的编程题难点往往不是算法本身而是输入输出。赛码、牛客这些平台的题目输入是标准输入输出是标准输出和本地IDE里写main函数读文件不一样。第一件事是掌握多组输入的处理。很多题会写“给定多组测试数据每组第一行是n”需要用while(cinn)或者while(scanner.hasNext())循环读取。第二件事是确认数据范围如果n达到10^9就要警惕int溢出除法、模运算、中间结果全部用long long。还有一个小建议正式笔试开始前先花2分钟建好本地的代码模板包括常用的头文件、快读函数、一堆STL的引入。赛码是支持本地编译的把模板提前写好能省不少时间。5.2 TopK与堆排序一个模板打天下TopK问题是笔试里出现频率极高的编程题。给一个无序数组找出第K大的数或者最大的K个数。解法可以是排序O(n log n)、快排partitionO(n)平均、小顶堆O(n log K)。笔试环境里最稳妥的是小顶堆因为不容易写错而且代码量小vectorint topK(vectorint nums, int k) { priority_queueint, vectorint, greaterint minHeap; for (int x : nums) { minHeap.push(x); if ((int)minHeap.size() k) minHeap.pop(); } vectorint res; while (!minHeap.empty()) { res.push_back(minHeap.top()); minHeap.pop(); } return res; }原理是维护一个大小为K的小顶堆堆顶永远是堆里最小的元素。每来一个新元素放进堆里如果堆大小超过K就弹出堆顶这样堆里始终保留当前遇到的最大K个数。这个套路背后其实就是堆排序的核心操作——堆化。如果题目进一步问“这个堆的建堆复杂度是多少”要能答出来只对前K个元素建堆是O(K)后续每个元素pushpop的操作是O(log K)整体O(n log K)比排序更快。5.3 Dijkstra堆优化图论题的标答模板图论题里最常出现的就是最短路。题目描述通常很直白有N个城市、M条路、求从城市1到N的最短时间。直接用堆优化Dijkstra就行。我在前面给过代码这里补充几个容易踩的坑图是稀疏还是稠密N很大、M不大的时候必须用邻接表存图不要用邻接矩阵。堆里存的是pair距离, 节点距离放第一个因为pair默认按第一个元素排序。用if (d dist[u]) continue;跳过过期的堆节点这个剪枝不能省。如果题目带负权边Dijkstra就不能用了要考虑Bellman-Ford或SPFA但秋招笔试里出现负权边的概率不高优先保证Dijkstra熟练。5.4 快速幂与组合数取模数论题的基本功赛码和牛客的编程题里数论题不算多但组合数取模是常客特别是结合动态规划的时候。组合数C(n, k)的值可能非常大题目会要求对1e97取模输出。关键点有两个一是用逆元计算组合数时n的范围如果小于1e6而且要求大量组合数可以提前预处理阶乘和逆元二是如果n很大1e9级别就要用Lucas定理。笔试一般考不到Lucas那么深但快速幂是必备的因为逆元计算要用它。long long mod 1e9 7; long long modInv(long long a) { return fastPow(a, mod - 2, mod); }费马小定理模数是质数时a的逆元是a^(mod-2)这个知识点在组合数取模题里高频出现。5.5 时间复杂度的估算与面试官视角做编程题之前先看数据范围n ≤ 10^5O(n²)大概率超时得想O(n log n)n ≤ 10^3O(n²)可以接受n ≤ 10^7基本只能O(n)线性扫一遍。这能帮你快速判断该用什么算法。面试官或出题人看的是“你能否独立分析问题、选择合适算法、写干净代码”。所以编程题别一上来就写先想暴力怎么做暴力复杂度是多少能不能用哈希表、堆、二分、并查集优化把思考过程写进注释里即使最后没完全过阅卷时也能看到思路。6. 备考优先级与我的踩坑复盘6.1 按目标岗位分配复习精力目标岗位复习优先级通用算法岗搜索/推荐/机器学习数据结构与算法、机器学习基础、深度学习基础、推荐系统/搜索影像算法岗图像处理算子、卷积神经网络、ISP基础、图像分类、模型部署音频算法岗信号处理基础、滤波器设计、重采样、麦克风阵列、音频编解码控制算法岗PID、FOC、卡尔曼滤波、仿真建模、C语言编程NLP/语音算法岗Transformer、BERT、文本分类、语音唤醒、ASR基础我的建议是别把大量时间花在冷门算法上。DC3、HK算法这类掌握概念就行真正能拉开差距的是基础算法的熟练度和对业务场景的理解。选择题里大量考察的是“最基础的结论”比如快排不稳定、K-Means对初始值敏感、KL散度不对称这些只要复习到位就能拿分。6.2 我在这次笔试中的三个教训第一个教训是KMP的next数组浪费了太多时间。题目明明给了定义我还是下意识用了刷题时习惯的定义算出来跟选项对不上又回头重算白白损失了5分钟。笔试里定义不统一的算法题很常见务必先读题给的公式。第二个教训是编程题的数据类型。手撕Dijkstra时我以为N不超过10^5距离用int就够了结果测试用例里路径总长超过int边界溢出导致部分用例WA。后来凡涉及距离、乘积、累加的题一律用long long这个习惯也影响了我后续所有笔试和面试。第三个教训是多选题的“宁缺毋滥”策略。有些平台多选题多选了会倒扣分只看正确选项个数给分这时候不确定的选项就不要选。我一开始按“全部选对才得分”的习惯漏选了几个导致2道多选0分。开始前一定看清计分规则。6.3 给下一届的建议如果你现在正准备投手机厂商的算法岗我给几条实操建议第一把手机厂商的业务拆开看。影像、音频、充电、马达、小布助手每个方向对应的算法栈都不一样挑自己熟悉的1-2个方向重点准备。投递时不要海投所有算法