上周刚在线上完成了蔚来汽车2024秋招算法岗的笔试趁热打铁把整个复盘写下来。这次笔试整体给我的感受是范围广、代码题有一定区分度、机器学习细节考得比想象中细而且明显带着车企业务特点。如果你也是冲着算法岗去的下面这些内容应该能帮你少走不少弯路。不管你是主攻CV、NLP还是传统机器学习方向这篇复盘覆盖了题型分布、高频考点、解题思路和避坑经验适合正在备战秋招或准备实习笔试的同学参考。1. 笔试整体情况与考察方向先说大家最关心的整体框架。蔚来算法岗的笔试采用线上平台作答总时长在120分钟左右题量不算特别大但单题思考量不小。如果平时刷题不够快时间会相当紧张。整体题型分为四类单选题、多选题、编程题和简答/设计题其中单选和多选覆盖了数据结构、机器学习、深度学习基础编程题则偏向经典LeetCode中高难度题目最后一个简答题往往结合业务场景考察算法选型和方案设计能力。1.1 笔试流程与题型分布我这次遇到的题型大致如下给大伙列个表参考题型数量分值占比考察重点单选题15题左右30%数据结构、机器学习基础、深度学习概念多选题5题左右15%算法原理细节、模型评估、边界情况编程题2题30%经典算法实现、数据结构应用、复杂度优化简答/设计题1-2题25%业务场景建模、算法选型、方案落地这个分布很典型既考察基础功底又看重工程实现能力和业务理解。尤其要提醒的是蔚来作为整车厂背景的科技公司算法岗位不只是互联网推荐、搜索那套还涉及自动驾驶感知、融合定位、电池管理、智能座舱等多个方向所以笔试里偶尔会出现一些与传统互联网大厂不一样的题目比如传感器数据处理、状态估计、控制算法等。如果准备时只盯着纯互联网题库刷可能会有点措手不及。1.2 算法岗笔试的命题逻辑很多人会问车企算法岗笔试到底想筛什么人我的理解是它要的不是只会调包调参的选手而是具备扎实算法功底、能快速建模并写出高效代码的人。笔试中反复出现的排序算法、KMP、Dijkstra这类基础题本质上是在检验你有没有形成完整的知识体系。尤其是KMP算法热词里能看到关于模式串 pabacaba 的 next 数组讨论这种题就非常经典属于“会者不难难者不会”的分水岭题。另一方面机器学习算法、深度学习算法相关题目比重不低多选和简答里经常出现模型评估、损失函数设计、梯度消失等细节问题。这要求你在复习时不能只背结论要能推公式、能手写核心代码。蔚来这类公司对算法的落地能力很看重所以笔试里如果出现“给定一个业务场景请设计算法方案”这种题目其实是考察你能不能把理论转化成可执行的工程方案。2. 核心算法知识点拆解既然要备战算法岗笔试核心算法知识点必须扎实。我按照自己在笔试中遇到的题目和平时复习的总结把核心考点分成三类数据结构与基础算法、机器学习与深度学习基础、智能优化与业务相关算法。每类都值得展开讲讲。2.1 数据结构与基础算法排序、KMP、Dijkstra数据结构这块排序算法是绝对的重点。笔试选择题喜欢考不同排序算法的复杂度、稳定性、适用场景比如快速排序平均O(n log n)但最坏O(n²)归并排序稳定但需要额外空间堆排序原地但常数较大。不要只背结论要能写出归并排序的合并过程也要能解释为什么快速排序在实际中通常比其他O(n log n)算法更快。KMP算法是另一个高频考点特别是next数组的计算。以模式串 pabacaba 为例它的 next 数组需要根据最长相等前后缀来推导通常初始化 next[0] -1然后逐位匹配。笔试中可能让你手算 next 数组也可能让你写代码实现KMP匹配过程。我建议你一定要理解next数组的构造原理而不是死记代码。KMP的核心思想是当发生不匹配时利用已匹配部分的对称信息跳过不必要的比较保证主串指针不回退从而将时间复杂度降到O(nm)。Dijkstra算法也是常见考题尤其适合出编程题。经典的Dijkstra解决单源最短路径问题朴素实现时间复杂度O(n²)用优先队列优化后降到O((nm)log n)。笔试中如果题目给的是稀疏图一定要想到堆优化版本否则很容易超时。我这次就遇到一道类似的图论题幸好提前复习了邻接表加优先队列的写法否则现场手搓会很痛苦。2.2 机器学习与深度学习高频考点机器学习部分是拉开差距的关键。常见的考点包括KNN算法的核心思想和距离度量方式、贝叶斯分类器的原理、决策树的信息增益和基尼指数、支持向量机的间隔最大化、逻辑回归的损失函数和梯度推导等。这些听起来基础但多选择题会挖很多细节。比如KNN的“三个能力”包括分类、回归和密度估计很多人只知道分类漏掉其他两个就吃亏了。集成学习也是重头戏。随机森林、GBDT、XGBoost的区别和联系经常考尤其是GBDT为什么使用负梯度拟合残差、XGBoost在目标函数中加入了正则项避免过拟合这些概念要能说清楚。我备考时专门整理了一个表格对比Bagging和Boosting笔试时遇到相关多选题思路会清晰很多。深度学习方面CNN的卷积核计算、感受野计算、池化层的作用、RNN的梯度消失问题、Transformer的自注意力机制都是高频考点。特别是最近两年大模型热度高Transformer相关的题越来越多Self-Attention的公式、为什么需要位置编码、Multi-Head的作用要非常熟悉。我这次笔试里单选和多选都出现了注意力机制相关题目如果只是听过概念而没有真正理解Q、K、V的点积计算很难快速选出正确答案。另外强化学习算法也有可能出现尤其是智能驾驶领域常用到强化学习做决策规划。高频考点包括马尔可夫决策过程、策略梯度、DQN、PPO等。虽然不一定会手推完整公式但至少要能说明这些算法的基本流程和应用场景。2.3 智能优化与业务相关算法车企算法岗与传统互联网算法岗最大的区别在于候选人大概率会遇到一些与物理世界交互相关的算法题。比如粒子群算法原理、模拟退火算法、贪心算法、PID算法、卡尔曼滤波算法等。这些算法在路径规划、参数调优、传感器融合、电机控制等场景里非常常见。粒子群算法PSO是一种基于群体智能的随机优化算法核心是每个粒子根据自身历史最优位置和群体历史最优位置来更新速度与位置。笔试中如果出简答题可能要你描述算法流程并说明参数如惯性权重、学习因子的作用。模拟退火算法则要先理解Metropolis准则即以一定概率接受更差解从而跳出局部最优在离散优化和连续优化里都有应用场景。PID算法虽然是控制领域的经典算法但在算法岗笔试里出现也不奇怪尤其是蔚来这样涉及整车控制、电驱控制、电池热管理的公司。你至少要能写出PID控制公式u(t) Kp·e(t) Ki·∫e(τ)dτ Kd·de(t)/dt并解释比例、积分、微分三个环节各自的作用。卡尔曼滤波也很重要它通过预测和更新两个步骤将传感器噪声和模型误差统一处理是自动驾驶状态估计的基石。这些看似“非主流”的算法恰恰可能成为你拿下面试的加分项。3. 实操案例典型笔试题的解题思路光说知识点太空了这部分我结合这次笔试和平时刷题积累拆解几个典型题型的解题思路。尽量还原我当时是怎么分析、怎么一步步写出方案的。3.1 手撕代码题从暴力到最优解手撕代码题通常有两道一道偏数据结构一道偏算法思维。第一道往往是你很熟悉的题型但会稍微变形用来考察你是否真正理解原理而不是背模板。比如我遇到一道要求实现KMP模式匹配的题主串和模式串长度都在10^5级别如果直接用暴力匹配最坏时间复杂度O(nm)一定会超时所以必须上KMP。我当时现场又推导了一遍next数组的构建逻辑本质上就是模式串自己跟自己匹配用一个while循环维护当前最长相同前后缀的长度遇到不匹配时回退到前一个next值。建议你考前一定把KMP这种“背模板容易忘记边界”的算法多默写几遍笔试时才能条件反射。再比如Dijkstra如果第一反应就是朴素的O(n²)写法在数据量大时很危险。我这次就用到了优先队列优化具体思路是维护一个数组dist记录起点到每个节点的最短距离初始化为无穷大起点为0。每次从堆中取出当前距离最小的节点u遍历u的所有邻接边如果经过u到达v比当前dist[v]更小就更新dist[v]并将新距离push进堆。这种写法的复杂度是O((nm)log n)在稀疏图上几乎能秒过。另一个高频题是TopK问题。如果题目要求最大K个数可以用小顶堆维护当前最大的K个数堆顶就是这K个数中最小的每次遇到更大的就替换。这样时间复杂度O(n log k)空间O(k)是最优解。很多人先全部排序再取前K个O(n log n)虽然也能过但在笔试中往往不是最优解会暴露算法功底不够扎实。3.2 场景应用题算法选型与方案设计简答题的典型套路是给你一个具体业务场景让你设计算法方案。这类题没有唯一正确答案核心是考察你的分析思路、算法选型和工程落地意识。我遇到的一道题是在停车场自动泊车场景中车辆需要规划一条从当前位置到目标车位的无碰撞路径请设计算法方案。这种题千万别只写一句“用A*算法”面试官想看的是你能拆解问题、考虑约束、权衡不同方案。我当时分了几步来回答先把问题抽象成路径规划问题输入是高精地图或占有栅格地图输出是一系列离散路径点。第一步做全局规划用A或Dijkstra在栅格地图上搜索粗路径Dijkstra能保证最优但搜索范围大A加了启发式函数能更快收敛。第二步做局部规划考虑车辆运动学约束可以用Reeds-Shepp曲线生成可行驶曲线或者用模型预测控制MPC对局部轨迹进行平滑和避障。第三步讲讲如何处理动态障碍物比如用时间维度扩展或引入速度空间采样。最后补充工程落地的考虑比如计算耗时、地图分辨率、传感器噪声如何影响算法效果。如果你还能提一嘴在某些场景下也可以用粒子群算法或模拟退火算法做路径点的优化让路径更平滑这就能展示你算法知识面的广度。但一定要注意算法选型必须有逻辑依据不能为了炫耀而堆砌算法面试官一眼就能看出你是真懂还是在背名词。3.3 公式推导题经典模型的计算细节除了代码和方案设计部分笔试还会出现公式推导题尤其是机器学习基础部分。比如让你推导逻辑回归的梯度更新公式或者让你计算一个简单贝叶斯模型的后验概率。逻辑回归的推导是必背内容先写出似然函数 L(w) ∏ P(y_i|x_i;w)取对数得到对数似然然后对每个参数 w_j 求偏导最终梯度形式为 ∑(y_i - p_i)x_ij。要注意的是p_i 1/(1exp(-w^T x_i))这个sigmoid函数的导数性质是推导的关键。推导时千万别把符号搞错我之前就曾在这里翻过车。另外KL散度和ELBO在近年笔试中出现频率明显上升尤其是涉及变分推断或者生成模型时。KL散度的定义是 D_KL(P||Q) ∑ P(x) log(P(x)/Q(x))它衡量两个分布的差异但不满足对称性也不满足三角不等式。ELBO则是变分推断中用来近似最大化对数似然下界的核心概念与KL散度配合使用log P(x) ELBO D_KL(q(z)||p(z|x))。如果笔试中给你两个分布让你求KL散度你要会写出计算过程并化简。这些公式推导题看似枯燥实际上是在筛选基础扎实的候选人。准备方式也很简单把所有常用算法的损失函数推导过程自己手推两遍推完之后你会发现很多考题即使不会做也能靠直觉排除错误选项。4. 常见问题与答题技巧这部分我想聊聊笔试现场的一些实战经验。很多人刷了很多题但笔试分数不理想往往不是因为不会做而是因为时间分配不合理或者踩了太多隐藏的坑。4.1 时间分配与答题顺序我建议的答题顺序是先快速浏览一遍所有题目标记出自己最有把握的编程题和计算题然后优先做这部分把基础分稳稳拿住。单选题和多选题虽然分值不大但不能掉以轻心因为多选少选不得分的情况很常见。我通常会花20到25分钟做完选择填空留至少60分钟给两道编程题最后20分钟写简答题。这个节奏保证了我即使编程题第二道只能写暴力做法也有时间把思路和部分代码写上尽量拿分。很多人习惯按顺序答题结果在计算量大的选择题上卡了20分钟挤占了编程题时间。这是一个很常见的失误笔试一定要学会“跳过和止损”遇到卡壳超过3分钟的题立刻跳过回头再补。而且现代笔试平台一般支持代码自动保存跳题不会丢数据放心跳。4.2 编程题的边界条件与性能优化编写代码题错误往往是边界条件和性能问题。比如输入数组可能为空、节点数可能为0、模式串长度大于主串等。我这次就遇到过排序场景里输入为1个元素的边界情况不少考生没考虑导致结果错误。平时刷题时一定要养成写代码之前先想边界的习惯把空值、单元素、全相同元素、溢出等场景都过一遍。性能优化方面除了选择合适的数据结构和算法还要注意语言的选取。比如Python在某些大常数高复杂度的场景下可能比C慢很多。笔试平台通常支持多种语言选自己最熟练、执行效率尽量高的语言。如果数据规模在10^5量级Python配合合理算法通常够用但如果到10^6甚至更高建议优先考虑C或Java。我认识一个朋友明明算法思路正确却因为用Python写了一个O(n²)的遍历超时被卡掉十分可惜。4.3 易错点与避坑指南这里总结几个我备考和实战中踩过的典型坑KMP的next数组有不同定义版本有的以-1起始有的以0起始。考试时一定要看清题目定义最好是先用自己的理解写一套固定模板再套用避免混淆。排序算法稳定性是选择题常客但要特别注意快速排序是不稳定的堆排序也是不稳定的而常见的稳定排序有归并排序、插入排序、冒泡排序和基数排序。别把“平均O(n log n)的算法都稳定”这种错误结论。机器学习中过拟合和欠拟合的识别通常看训练误差和验证误差之间的关系。如果训练误差低但验证误差高是过拟合解决办法有正则化、数据增强、dropout、降低模型复杂度等如果两者误差都高是欠拟合需要增强特征或换更复杂的模型。粒子群算法原理里有个容易记混的点速度更新公式包含三个部分第一项是惯性项控制粒子延续之前运动方向第二项是认知项让粒子飞向自身历史最优位置第三项是社会项让粒子飞向群体最优位置。考试时如果写公式别漏了惯性权重 w也别把两个学习因子 c1、c2弄混。PID算法里的符号和单位容易混淆尤其是积分项是误差累积微分项是误差变化率两者方向不同。简答题中只要能把公式和每个环节的含义正确写出来基本就能拿分。4.4 如何利用搜索引擎和面试复盘这一点是我特别想分享的。笔试结束后千万别答完就扔。用搜索引擎查一查自己没把握的题目尤其是那些看似偏门的知识点比如“音频重采样算法”“图像锐化的拉普拉斯算法”“规则引擎Drools的Rete算法实现原理”等。这些热词看起来很散但背后其实能映射到一个企业算法团队平时会接触的真实业务。比如音频重采样算法在语音交互场景会用拉普拉斯算子常用于图像锐化边缘检测Rete算法在规则引擎里用于高效模式匹配。你多去了解这些“边缘知识”不仅是为了笔试更是在为面试中的深度追问做储备。面试复盘也很有用。笔试完后紧接着可能是一轮面试面试官可能会问到你笔试里某道题的思路你如果说一句“我当时是这么分析的”然后补充改进方案会加分很多。哪怕笔试没有通过复盘题目也能帮你找到知识盲区下次遇到类似题型就不会再犯错。5. 个人复盘与备考心得最后这部分不是套路化的总结而是我自己在备考和这次笔试过程中积累的真实体会希望能给正在准备的小伙伴一些启发。5.1 我踩过的坑我最大的教训是前期过度沉迷刷偏难怪题反而忽略了基础概念的深入理解。蔚来笔试的选择题里很多都是“基础概念换了个问法”比如让你判断某个排序算法是否稳定、某个损失函数是否可微、某个优化算法是否会陷入局部最优。这些内容在刷题网站里很难遇到但在实际笔试里非常常见。后来我调整了复习节奏每天刷题的间隙都抽出半小时快速过一遍机器学习基础理论像决策树剪枝、SVM核函数、CNN感受野计算这些反复看看推导和常见问题效果显著。另一个坑是公式推导准备不充分。以前我觉得笔试大概不会考手推公式结果这次就遇到了KL散度和ELBO相关的问题。当时只能写出大概框架不够精细。回来后我把LR、SVM、朴素贝叶斯、EM算法、变分推断等核心推导都重新推了一遍虽然这次笔试已经结束但这些积累在后来的面试中派上了很大用场。5.2 给明年考生的建议如果你打算明年冲新能源车企的算法岗我的建议是第一从暑假开始就系统复习数据结构和经典算法排序、KMP、Dijkstra、贪心、动态规划这些模块必须形成肌肉记忆。第二机器学习基础要重视推导不要只停留在调包层面。第三多了解一些传统互联网不常考但与智能硬件、车联网相关的算法比如PID、卡尔曼滤波、粒子滤波、规划控制算法这会让你在候选人中更有辨识度。第四每周安排两次限时模拟笔试训练时间分配和抗压能力真实考场上心态稳不稳差距非常大。笔试只是拿到offer的第一关技术深度、工程能力和业务理解的综合表现才能决定最终结果。我个人在实际操作中深刻体会到算法岗笔试真正的分水岭往往不在于“难”而在于“广”和“细”。如果你能把高频基础算法吃透再适当拓展一点交叉领域的知识就已经比大多数候选人更有优势了。祝各位接下来的笔试和面试顺利。