饿了么算法岗笔试真题拆解：从KMP到KNN的考点与实战策略

2024年秋招那会儿我前后帮几个学弟学妹看过饿了么算法岗的笔试题自己也完整复盘过第二批的题目。说实话这批笔试的区分度很高不像有些厂子那样一套题库走天下饿了么的算法题明显带着“业务落地”的味道尤其是配送调度、流量预测、营销补贴这几个方向几乎每批都会换着花样出现。今天我就把第二批笔试的完整拆解、考点串联和实操思路整理出来给后面准备算法岗的同学做个参考。这篇文章不会只贴题目和答案我会把每道题背后的考点逻辑、答题节奏、以及平时刷题时容易忽略的盲区都讲清楚争取让你读完就能形成一套自己的应战框架。1. 笔试前先从岗位倒推考点1.1 饿了么算法岗笔试到底考什么很多同学拿到笔试链接第一反应是刷LeetCode这没错但远远不够。我从近两年的题目反推下来饿了么算法岗笔试的核心是“三件套”经典算法与数据结构、机器学习/深度学习理论、业务场景题。第二批尤其明显算法题占了约六成机器学习概念题约三成剩下的一成是开放性场景设计但后面这部分虽然题量少却很能拉开差距。先说算法题。它不会像竞赛那样考偏怪难的题目而是注重“在资源约束下求最优解”的思维。比如配送骑手路径优化、订单分配、优惠券凑单这类题本质都是贪心、动态规划、图论最短路的变形。再比如第二批次里出现过的“商品推荐排序”题表面是排序实质是考察你对排序稳定性、比较器设计、以及归并排序在外部排序中应用的理解。然后是机器学习部分。笔试不会让你手推复杂公式但会考概念辨析和场景应用。比如“在样本极度不平衡时以下哪个评价指标更可靠”这类选择题以及“给一个外卖点击率预测场景你会怎么构造特征”这类简答题。第二批的题目明显加重了召回、粗排、精排这一套推荐链路概念说明命题人有意在往实际业务上靠。最后是场景题。这一部分往往给一段业务描述比如“高峰时段运力不足如何调配”然后让你从算法角度给出解决方案。这类题没有标准答案但考官看得出你有没有真实业务 sense。平时如果只在LeetCode刷题面对这种题很容易懵。我建议提前去了解常见外卖平台的调度策略、运筹优化模型、以及业界常用的库存分配算法这些都是能直接用在答题里的弹药。1.2 第二批笔试的时间节奏与题型分布根据我们几个同学的反馈第二批笔试是在线双机位监控总时长约两个半小时题目分三个部分。第一部分是选择题大概十二道覆盖数据结构、机器学习基础、概率统计常识每道题建议控制在四分钟以内碰到不确定的不要死磕先标记跳过。第二部分是三道编程题难度由易到难分值却不一定递增有时候最后一题只是中等难度但前面的简单题分值很高所以千万别一上来就啃硬骨头。第三部分是简答/场景设计题通常两道一道偏算法原理一道偏业务应用。这里要注意的是答题时间分配。编程题我建议留足六十分钟简答题至少四十分钟。很多人失分不是因为不会而是时间没安排好最后一道简单的编程题反而没时间提交。我自己习惯的做法是拿到试卷先花五分钟通读全部题目在心里给每道题标注难度和预期耗时然后优先做选择题里最有把握的、编程题里最容易的确保“保底分”先拿到手。这里多说一句双机位的监考环境要求你提前调试好设备但更关键的是要习惯在“被注视”的状态下思考。建议平时刷题时也用计时器模拟真实环境手机架在侧面录屏既能复查自己的答题过程也提前适应压强下的手感。真到了考场不要反复抬头看时间这会打断思路设好每部分的大致闹钟点就足够了。2. 基础算法与数据结构考点拆解与刷题清单2.1 排序与高效查找笔试中的高频题排序是饿了么笔试非常稳定的出题点。第二批选择题里就有一道“对一批订单按优先级排序同时希望高优先级订单保持原有先后顺序应该选哪种排序算法”的题目答案是稳定排序。很多人在这里失分是因为压根没把排序稳定性当回事。讲通俗点稳定排序就像是排队时按“先来后到”再按“会员等级”调整同等级的人之间还保持着先来先到的顺序。不稳定排序则像直接把所有人按身高重新排不管之前的顺序个子相同的两个人位置可能互换。在业务场景里比如外卖红包发放如果两个用户同一优先级我们往往希望先进入活动页的用户先拿到这时候稳定排序就很重要。常见的稳定排序有冒泡、插入、归并不稳定排序有选择、快速、堆排序。高效查找方面二分查找及其变种是笔试的常客。比如“在按时间排序的订单流中快速定位某时刻的所有有效订单”标准解法是两次二分分别找到大于等于目标时刻的下界和小于等于目标时刻的上界。需要注意边界条件和整数溢出很多人在leetcode上能AC但一到笔试环境就忘写mid left (right - left) / 2直接用(left right) / 2在数据量大时直接越界报错。我建议把二分查找的三种模板都熟练掌握找第一个等于目标的位置、找最后一个小于等于目标的位置、找第一个大于目标的位置。饿了么笔试里的二分题基本都是这三种模板的封装背后包一层业务描述而已。不要死记模板要明白每种写法中left和right的更新逻辑以及为什么while循环里用还是。我见过太多人把模板抄下来但一换场景就不知道left和right的初始值该怎么设。2.2 字符串匹配与KMP的next数组热词搜索里“KMP算法”出现了好几次“在KMP算法中对于模式串pabacaba其next数组”这类题目是经典考点。饿了么的题目很少直接考字符串匹配本身更多是借用KMP的思想考查“前缀函数”的理解。先补个基础KMP最核心的是next数组它记录了模式串每个前缀的“最长相等前后缀长度”。比如p abacaba手动推一遍前缀a没有真前后缀next[0]0ab最长相等前后缀长度为0aba前缀a和后缀a相等长度1abac没有长度0abaca前缀a和后缀a相等长度1“abacab”前缀ab和后缀ab相等长度2abacaba前缀aba和后缀aba相等长度3。所以next数组是 [0,0,1,0,1,2,3]。笔试中常会让你写这个推导过程或直接填空关键是理解它是在追求“匹配失败后模式串能右移多少位”而不是简单的“字符相等个数”。实际业务场景里KMP常被用在敏感词过滤、url匹配、内容去重中。饿了么的搜索框里用户输入“黄焖鸡米饭”系统需要快速匹配数据库中所有包含这个词的商家如果商家标签库很大朴素匹配效率就太低这时候KMP或AC自动机的价值就体现出来了。笔试中如果遇到这类题即使没有让你手写代码也要在答案里体现“我知道为什么朴素算法慢以及KMP通过预处理避免回溯”这个层次的理解。刷题建议把LeetCode上“实现strStr()”一题用KMP做一遍再手写一遍next数组的构建一定要做到闭着眼睛能写对。再进一步可以看AC自动机它是KMP在多模式匹配上的扩展在“商家黑名单词多对多匹配”场景下很常见。笔试一般不直接考AC自动机但理解它会让你的简历项目描述更有深度。2.3 贪心、动态规划与最短路径的典型场景这三类算法在饿了么笔试编程题中的出现频率极高而且几乎都是包了一层业务壳。比如“外卖员要送多个订单如何规划路线使总路程最短”就是旅行商问题的简化版n比较小时可以用状压DPn比较大时就要考虑贪心策略或最小生成树的近似解法。贪心算法我单独拎出来说因为它最容易出错。贪心本身不难理解难的是证明每一个局部最优能推出全局最优。笔试中很多题目只是让你写出贪心策略并不要求严格证明但你至少要在代码注释里写清楚“为什么能这样选”否则一旦出了问题很难调试。比如订单分配中的“最早截止时间优先”EDF策略它适用于所有订单处理时间相同的情况如果处理时间不同就得换用“最短处理时间优先”SPT。这些细节就是区分“背过模板”和“真正理解”的关键。动态规划在笔试题里主要考背包、区间DP和状态机DP三类。第二批里有一道“满减优惠券最优凑单”的题目本质就是01背包的变种。给你一组商品价格和满减门槛选择若干商品使总价刚好达到门槛且金额最小。这种题的关键是dp数组的定义dp[i][j]表示前i个商品能否凑出金额j。很多同学卡在“金额上限”的设定上直接把门槛当上限但实际要考虑订单总额超过门槛后优惠不再增加所以上限应该设为门槛加上最大单品价格。最短路径方面Dijkstra算法是基础但笔试更喜欢考察带负权边的场景也就是Bellman-Ford或SPFA。在外卖场景里“骑手从商家到用户中间可能经过多个取餐点”每条边的权重如果是“预计耗时”理论上是正的但如果把“等待时间惩罚”考虑进去可能出现负权边建模。这时候Dijkstra就失效了需要有负权边处理的敏感度。笔试中出现这类题往往就是暗示你要用SPFA或Bellman-Ford。2.4 树、堆与剪枝笔试中的隐蔽考点树的结构在饿了么笔试中很少直接考“二叉树遍历”更多是出现在索引结构、哈夫曼编码和并查集相关的题目里。热词里提到的“堆排序算法”“剪枝算法”值得展开聊聊。堆排序笔试爱考的是“在一堆数中快速找到Top K”而不是完整排序。场景是“从十万个商家中找出评分最高的十个”正确解法是维护一个大小为10的小顶堆遍历时如果当前元素比堆顶大就弹出堆顶并插入新元素。这样时间复杂度是O(n log k)空间复杂度O(k)。很多人一上来就全排序虽然也能通过小数据量测试但在大数据量下必然超时。笔试环境里输入规模写得很清楚一万以上就应该警觉不要用暴力解法。剪枝算法在笔试中多以“回溯剪枝”的形式出现。比如“给定一组优惠券找出所有组合中金额最接近满减门槛的方案”如果直接枚举所有组合复杂度是指数级这时在回溯过程中一旦发现当前组合金额已经超过门槛加最大单品价就可以直接剪掉。剪枝的本质是利用约束条件缩小搜索空间它不改变算法最坏复杂度但在平均情况下能极大提速。笔试时加不加剪枝可能决定你是否能通过大数据量的测试用例。另外并查集也是个容易被忽视的考点。外卖配送场景中“判断两个区域之间是否有骑手可以通行的路径”就可以用并查集做连通性判断。题目不会直接说“用并查集”而是描述成“有n个配送站和m条连通道路求最小需要增加几条道路使所有站点连通”。这个就是求连通分量个数减一并查集一行代码的事情。我遇到过不少同学看到“连通”两个字就想着用DFS/BFS但一旦图特别大、边特别多递归爆栈或者时间超限就麻烦了。3. 机器学习与深度学习笔试核心理论与实战结合3.1 经典模型原理KNN、聚类、强化学习、贝叶斯热词搜索里“KNN算法的应用能力包括哪三个方面”这类题目在饿了么笔试中出现了原题。KNNK近邻的三大核心要素是距离度量、K值选择、分类决策规则。距离度量常用欧氏距离或曼哈顿距离K值太小容易过拟合太大则模型过于平滑分类决策多数采用多数投票但加权投票往往效果更好。在外卖的业务场景里KNN可以用于“相似口味用户推荐”将用户的历史点餐记录作为特征向量找最相似的K个用户把他们喜欢的但当前用户没点过的菜品推荐出来。笔试题如果给你一个用户特征表和一个新用户特征向量让你用KNN预测他可能点哪类餐品实际上就是要你完成特征标准化、距离计算、K值选择这三个步骤。这里有个容易忽略的坑特征标准化很重要。如果特征之一是“价格”范围是20到80而另一个特征“月点餐次数”范围只有1到10价格特征会主导距离计算导致KNN结果失真所以必须先做z-score归一化或min-max归一化。聚类算法方面K-Means是重点但笔试不会考公式推导而是考“K值如何选择”和“如何评估聚类效果”。外卖场景中对配送区域做聚类把距离相近的订单归为同一批次配送K值就是“同一时间准备几个配送批次”。评估指标常用轮廓系数它同时考虑簇内紧密度和簇间分离度。如果笔试里问“手肘图怎么画”本质上就是画出不同K值对应的代价函数值找拐点。强化学习在生活服务平台的应用越来越多饿了么笔试也偶有涉及比如“用强化学习做动态定价”或“骑手路径规划”的场景题。核心概念要理解状态、动作、奖励、策略、价值函数。不要被“Q-learning”“策略梯度”这些名词吓住笔试题一般只考概念辨析。举个例子“骑手当前位于A点周围有订单B和C选择先送B还是先送C”状态就是骑手位置和订单信息动作就是选择送哪一个奖励就是送达后的准时率或用户满意度。如果你能在答案里把马尔可夫决策过程的五元组写清楚基本上就拿到大部分分数了。朴素贝叶斯也是热词里出现的考点。它基于条件独立假设虽然这个假设在现实中很少严格成立但在文本分类场景下依然很能打。外卖评价的情感分析就可以用朴素贝叶斯把评论文本拆成词袋P(好评|词) P(词|好评)P(好评)/P(词)最后比较好评和后差评的后验概率。笔试中如果给你一组词频表让你判断某条评论是正面的还是负面的记住用拉普拉斯平滑处理零概率问题很多人因为忽略了这一项直接算错。3.2 优化器、损失函数与过拟合问题深度学习理论在第二批笔试里的占比不低而且命题风格偏“概念辨析场景选择”。比如“训练一个点击率预估模型时样本正负比1:99以下哪个损失函数更合适”答案是focal loss或带权重的交叉熵而不是普通的交叉熵。这是因为极度不平衡时模型会倾向把所有样本预测为负类准确率看似很高实际毫无用处。关于优化器笔试常考SGD、Momentum、AdaGrad、RMSProp、Adam的优缺点。最常选的答案是Adam因为它结合了Momentum和RMSProp的优点自适应学习率且对超参数不敏感。但要注意最近的研究和业务实践表明在很多推荐系统场景下SGD配合合理的学习率调度反而泛化更好。如果笔试题问“以下哪种优化器可能带来更好的泛化性能”不要条件反射选Adam要结合题目给的场景判断。另一类问题是“梯度消失”怎么解决答案涉及ReLU激活函数、BatchNorm、残差连接。需要知道为什么sigmoid容易导致梯度消失因为sigmoid导数最大值只有0.25多层连乘后就趋近于0。过拟合问题在外卖预测场景中非常常见。比如预测未来一小时某个区域的订单量如果用过于复杂的模型可能在训练集上表现完美但到了周末特殊天气时预测完全失真。笔试常考“以下哪些方法可以缓解过拟合”选项包括增加数据量、正则化L1/L2、Dropout、早停、数据增强。这里要注意L1和L2的区别L1趋向于产生稀疏权重相当于特征选择L2趋向于让权重整体变小但不会为0。在推荐系统的LR模型里用L1正则化可以直接把不重要的特征权重压成0从而减少线上推理时的特征数量。3.3 深度学习框架与模型部署常识饿了么作为互联网公司算法笔试里偶尔也会出现框架相关题目比如TensorFlow和PyTorch的区别、模型的导出与上线流程。这类题不算难但如果你完全没接触过很容易在选择题上丢分。核心知识点包括动态图和静态图的区别PyTorch是动态图调试方便适合研究TensorFlow 2.x也默认动态图但生产部署常会用tf.function转静态图加速。模型上线时会走ONNX或TensorRT进行推理优化笔试题会问“以下哪个不是模型压缩技术”答案是“数据增强”则不对正确答案可以是知识蒸馏、量化、剪枝、低秩分解。深度学习在饿了么的应用场景其实非常广泛。图像算法用于菜品图片识别比如用户上传一张美食照系统识别出是“宫保鸡丁”还是“鱼香肉丝”NLP算法用于评论情感分析和搜索词意图识别语音算法用于骑手和客服的通话质检。热词里有一堆图像相关算法比如“图像锐化的拉普拉斯算法”“Sobel算法”“图像分类算法”说明这一块也是笔试常考的范畴。理解Sobel算子其实就是一个卷积核横竖两个方向的梯度卷积核分别提取边缘的横向特征和纵向特征。后面如果再考图像分类大概率会用ResNet或EfficientNet做主干网络结合业务场景做微调。笔试考察深度学习不会让你现场写模型结构但会问“当训练loss不下降时可能是什么原因”或“如何解决收敛慢的问题”。这类问题考查的是排错能力答案是多样化的学习率过大或过小都是主要原因其次是数据没有做归一化、初始化方式不当、梯度消失。你在刷题时不要只看单一答案要建立排查思路从损失函数本身到前向传播、反向传播逐步去debug。3.4 从热搜算法看笔试出题趋势PID、卡尔曼滤波、图像算法这次的热词列表很有意思既有经典算法也有偏门算法比如PID、卡尔曼滤波、BM25、EVA-02、DC3、XGBoost。这些不一定全在饿了么笔试中出现但能反映命题组的“出题素材库”范围。PID算法在自动控制里很经典它在外卖场景中的对应物是“运力调度系统”中的反馈控制。比如预测某区域需要20个骑手实际只有15个系统需要根据误差调整下一时段的运力投放。比例项负责快速响应、积分项消除稳态误差、微分项减小超调。对应到库存管理、定价策略中也是类似思路。当笔试题问到“实时调度如何根据反馈动态调整”如果你能提到PID思想的启发会让面试官觉得你有控制论视角。卡尔曼滤波看起来偏硬件信号处理它却和“订单量预测”、“ETA预估”有关联。卡尔曼滤波的核心是用“预测更新”两步递推可以高效融合多源观测数据。你不需要会推导公式但要理解它的应用场景当系统有噪声、状态无法直接观测时通过观测数据不断修正估计。在外卖ETA预估里系统有多条GPS定位信号和订单时间线的观测可以用卡尔曼滤波的思路做平滑。BM25算法是搜索排序里的经典算法属于“算法岗必知必会”的范畴。推荐、搜索、广告方向的同学一定要掌握它的公式和变体。但要注意外卖搜索里更多用“文本相关性业务权重”的组合排序BM25是相关性部分的核心。热词里还有“规则引擎Drools的Rete算法”这在风控和营销策略中很有用。凡是涉及规则匹配的模块如“满减活动命中”、“优惠券适用判断”背后基本都用了Rete算法来加速。笔试不会考Rete的实现细节但如果你能在场景题里提到这个词会是加分项。图像算法方面拉普拉斯算子做图像锐化、Sobel算子做边缘检测这些属于低层视觉的基础。“EVA-02分类算法”属于较新的视觉Transformer模型如果你能说出它在图像分类上的优势全局建模能力强、迁移学习效果好同样能显示出你对前沿技术的关注度。总的来说饿了么笔试不会只考“死”算法它更希望看到你能把算法和业务场景结合起来思考尤其关注外卖平台背后的匹配、调度、预测、搜索、推荐问题。4. 笔试实战复盘高频题型的完整解题思路4.1 代码题候选推荐排序问题第二批笔试的编程题第一题我记得很清楚是道典型的排序 特征加权题。大概意思是给定一批候选餐厅每个餐厅有评分、距离、人均价格、销量四个属性要求按“综合分”从高到低排序综合分 评分 * 0.5 - 距离 * 0.3 销量 * 0.2具体权重记不清了但结构类似距离越小综合分越高所以是负号。这道题看似简单但细节决定成败。第一属性归一化。如果评分是5分制、距离是公里数、销量是订单数直接代入加权公式距离和销量会主导结果评分几乎没用。正确做法是先做min-max归一化再分别乘以权重。这里要小心归一化需要在全体数据上做不能逐个做否则会破坏数据相对关系。第二浮点数精度问题。综合分如果保留两位小数排序可能不稳定最好直接用浮点数排序最后输出时再格式化。第三排序稳定性如果综合分相同题目要求按餐厅id从小到大输出那就需要在排序时指定次级排序规则。这类题我觉得最值得注意的就是“归一化”的时机。很多同学刷LeetCode习惯了“输入即用”但笔试里给的原始数据往往不能直接喂给算法。平时刷题时遇到“两个以上特征加权”的题一定要先思考是否需要统一量纲。这不是智商题而是工程习惯的考查。实际业务里推荐系统里做特征工程时第一步就是量纲统一这一步做不好后面模型再强也白搭。4.2 代码题外卖配送路径规划第二道编程题我记得是“骑手最少走多少距离能送完所有订单”。题意抽象出来是给定n个送餐点坐标骑手从起点出发需要经过所有送餐点再回到起点求最短路径。这就是旅行商问题的简化版n大概在12以内看到这个规模基本就能确定要用状态压缩动态规划。状压DP的核心是定义dp[mask][i]mask表示已经访问过的节点集合i表示当前所在的最后节点。状态转移方程为dp[mask][i] min(dp[mask_without_i][j] dist[j][i])其中j遍历所有在mask中且不等于i的节点。初始条件是dp[1 start][start] 0最终答案是min(dp[(1n)-1][i] dist[i][start])。这个题的难点不在DP本身而在两点一点是距离的计算如果坐标是经纬度不能用简单的欧氏距离应该用Haversine公式另一点是“必须经过所有点”的顺序约束如果题目里还有“某些订单必须先取餐后送达”的限制那就变成了带优先约束的TSP不能用普通状压DP直接解需要先把约束关系建个图做拓扑排序后再DP。我当时也提醒学弟妹这类题在笔试中出现时多半会给你二维坐标、用整数表示不要想复杂了直接用欧氏距离就好。但如果你在注释里写“如果用经纬度应使用Haversine公式”反而可能会让阅卷人觉得你考虑周全。写代码时先用double存距离再转成int注意四舍五入。另外mask的遍历顺序要保证从小的状态递推到大的状态常见实现是外层循环mask从1到(1n)-1内层循环枚举当前last和下一步要走的节点。4.3 机器学习场景题新店铺销量预测简答题里有一道是“新入驻的外卖店铺没有历史数据如何预测接下来一周的销量”。这道题表面是考机器学习实际上是在考“冷启动问题”的解法思路。我见过不少同学上来就说“用XGBoost训练一个模型”然后就没有然后了。要拿高分至少应该从数据、特征、模型、评估四个层面来展开。数据层面新店铺没有自身历史数据但可以用同品类、同商圈、同价位带的其他店铺数据作为参照。这就是迁移学习中的“从相关领域借力”思想。特征层面可以分几类店铺静态特征包括品类、价格区间、评分、营业时长商圈特征包括周边人口密度、竞争店铺数量、平均单量时段特征包括工作日/周末、节假日、天气。这些特征拼在一起就能组成一个相对完整的冷启动样本。模型层面可以用一个分层方案。先训练一个基模型输入是所有店铺的历史订单数据学习“特征到销量”的映射然后对新店铺用其近邻店铺的销量做校准。这本质上就是“全局模型 局部校正”的思路。也可用矩阵分解或协同过滤思想把店铺看成item用户看成user但冷启动时没有交互记录所以内容特征要作为辅助信息加入。评估层面不能只用MAE或RMSE要结合业务视角看“预测误差的容忍度”。如果预测销量偏差20%会影响食材备货还是仅影响营销预算分配不同用途对误差的敏感度不同。回答时如果能提到“预测结果要服务于决策场景不同场景对误差容忍度不同”会让面试官觉得你有业务判断力。这道题的最佳作答结构是先指出冷启动的本质是数据稀疏再给出“利用邻近店铺数据 丰富特征 分层模型”的框架最后说明评估和迭代方案。这样即使代码没有很细致思路也很完整得分自然高。4.4 答题顺序与时间分配策略整个笔试过程我最想强调的就是“审题、定策略、执行、复盘”这套节奏。拿到题目不要急着写代码先花三分钟把题目读懂画出关键约束和数据规模。输入规模能决定算法选型比如n是10^5O(n^2)必挂n是100O(n^2)也可以用。饿了么的笔试不会太为难人n的约束一般会明确写出它就是提示你用哪种算法。答题顺序上我的建议是先做选择题因为它们快、能攒基础分再做第一道编程题通常最简单然后跳过看起来很复杂的题先做第二道、第三道里容易拿分的部分简答题放在编程题之后因为简答是“写了就有分”编程题是“AC了才有分”从性价比来说简答更稳定。举例来说如果最后只剩20分钟还有一道中等难度的编程题和一道简答题没写我会果断放弃编程题把简答题框架写满。为什么因为简答题只要按数据、特征、模型、评估四个方面展开至少能拿到六成以上的分编程题如果没AC可能一分都没有。这是很现实的选择题。除非你非常有把握在10分钟内把编程题写对否则不要赌。另外有个小技巧笔试平台支持本地IDE编译的话先在本地跑通测试用例再复制到网页提交。如果平台不支持本地运行也要先在草稿纸上手动模拟一遍小样例防止逻辑漏洞。很多错误并不复杂比如数组下标越界、边界条件没处理手动跑一遍就能避免。5. 备战建议与避坑指南5.1 倒计时一个月的高效刷题方法如果你准备时间只有一个月不要盲目刷题。我见过太多人一天刷十道新题到考前啥也没记住。建议按“专题拆解 重复练习 错题复盘”的方式来做。第一个星期主攻数据结构数组、链表、栈、队列、哈希表、堆、树。每个数据结构都选几道经典题比如用栈实现队列、用堆找TopK、二叉树层序遍历、并查集判连通。目标是数据结构的基本操作熟练到条件反射的程度。第二个星期主攻算法排序、二分、双指针、滑动窗口、贪心、动态规划、回溯。动态规划是重点建议集中练“背包九讲”里的前几讲和“最长上升子序列”系列。第三个星期转向机器学习和深度学习理论把KNN、K-Means、朴素贝叶斯、逻辑回归、决策树、SVM、神经网络、CNN、RNN的原理都过一遍重点记忆损失函数、优化器、正则化、评估指标这些容易出选择题的点。第四个星期做整套模拟卷严格按笔试时间走练节奏感。刷题时我有个习惯每道题不管做没做出来都要在题号旁边标注“考核的知识点”“我的卡点”“本题涉及的场景化描述”。这三个信息比AC本身更重要。为什么因为笔试时你面对的往往是“包了壳”的业务题如果平时就能把“如何从长题干中抽象出真实考点”训练出来考场上就不会慌。5.2 常见问题与解决办法我在帮学弟学妹复盘时发现几个高频共性问题这里统一列出来。第一个问题是“编程题总差一个边界条件”。这往往是因为读题时没有认真看数据范围。比如n1时、数组为空时、目标值不在数组中时这些边界case一定要在编码前先列出来。我习惯在草稿纸上画一个小表格左边写输入右边写期望输出写完代码后逐一对照。第二个问题是“选择题纠结太久”。一道选择题浪费时间超过五分钟基本就是知识盲区再想也选不对。建议先标记等所有题做完后如有时间再回来蒙一个。裸考时蒙不代表瞎蒙可以用排除法四个选项里先排除明显错误的再从剩余选项里选“最像”的比如“提到业务场景的”、“提到数据处理的”往往是正确答案。第三个问题是“简答题写不出深度”。这本质上是缺乏业务场景积累不是突击能解决的。但有一个“急救”技巧背一套“数据-特征-模型-评估-上线监控”的万能框架。任何简答题都按这个框架回答即使具体内容不多结构完整也会让阅卷人觉得你有系统思考能力。就像写作文先搭好骨架再填血肉。第四个问题是“时间不够”。这背后往往是估算能力不足。平时刷题时每道题都计时知道自己大概什么速度笔试时就能预估整张卷子的耗时。如果你想在笔试中取得好成绩计时训练是必须的这不是可选项。考场上每做完一道题就看一下耗时对照自己定好的时间分配表发现有题超时太多果断跳到下一题。5.3 笔试结束后要做的三件事笔试结束不等于这个岗位的流程结束。很多同学交卷后就把这事抛在脑后等到收到面试通知才临时准备结果面试时被问到“你笔试时那道配送路径题怎么优化的”就愣住。所以我建议交卷后立刻做三件事。第一件回忆并记录题目。趁记忆还热着把自己能记住的题写在备忘录里附上自己的解法和不确定的地方。不要觉得没用面试官很喜欢问“你笔试时某道题的思路”这时你如果能清晰复盘会留下很好的印象。第二件针对笔试中暴露的薄弱点进行补漏。比如选择题里树的知识点错了一半说明这个模块不稳面试前至少再把二叉树的遍历、AVL、红黑树的概念过一遍。第三件准备“项目与算法”的关联话术。饿了么面试时除了深挖简历项目也会问“你平时怎么学习算法”“对工业界算法的了解”需要把笔试里遇到的业务场景题转化为自己的思考提前想好“如果让我重做我会怎么优化”。我个人的体会是笔试和面试是连贯的整体不是孤立的关卡。笔试是一面镜子照出你的知识盲区面试是放大镜会沿着你的盲区继续深挖。如果你只是在笔试前突击考完就松懈那你的知识盲区就会在面试中再次暴露。反过来如果你能抓住笔试的机会做一个全面自检把每个模糊的概念都查清楚面试时反而会觉得游刃有余。算法岗的竞争一年比一年激烈但机会始终留给那些把每一次考核都当成提升节点的人。最后再分享一个我给学生们的建议平时刷题、看原理时多问自己一句“这个算法在我的业务里能落在哪个环节”一旦你养成了这个习惯笔试里那些“为什么考这道题”的疑问也就会自动消失。