春招那阵我基本是宿舍、图书馆、自习室三点一线简历改了十几版LeetCode刷了三百多道牛客上的面经翻到凌晨一点多才睡但真正拿到算法岗实习offer的那一刻心里其实没有想象中那么激动更多的是一种终于被验证了的踏实感。我是普通二本的学生计算机专业没有顶会论文没有大厂实习连保研资格都没有。去年春招算法岗实习季我一共投了37家收到笔试通知21家进入面试8家最终拿了3个offer包括一个中厂的核心算法组和一个大厂的边缘组。这篇面经不是教你逆天改命的鸡汤而是把我在这个过程中踩过的坑、遇到的原题、被打脸的时刻都老老实实记录下来给同样背景的学弟学妹一个参考。1. 弱校背景下我如何重构算法岗的求职路径1.1 先想明白算法岗实习最看重什么我一开始也很焦虑总觉得弱校两个字挂在简历上就注定要被人力筛选掉。但仔细拆解算法岗实习的考核维度会发现它其实不是单看学校牌子而是看四样东西代码基本功、机器学习/深度学习的基础理解、项目经历哪怕是课程设计性质的、以及你遇到问题时的思考方式。这四样东西里除了第一轮简历筛选会看学校后面笔试、面试、手撕代码学校背景的影响其实是递减的。相反弱校背景在面试里可能有个隐性优势——如果你基础扎实面试官反而会觉得这个学生是自驱力很强的形成反差感。所以我的策略起点是先把自己的心态从我要证明我配得上面试切换成我要让面试官看到我解决问题的方式。1.2 我的准备时间线与目标拆解算法岗实习的竞争烈度决定了这件事不能靠临时抱佛脚必须提前拆解目标。我的准备时间线大致是这样的你可以根据自己的基础做调整阶段时间目标我当时做了什么刷题基础期大二暑假到大三上建立coding手感LeetCode Hot 100刷两遍按标签刷链表、二叉树、动态规划、贪心理论补全期大三上到寒假补齐算法理论短板过了一遍《李航统计学习方法》和西瓜书重点章节整理自己的笔记项目打磨期寒假到2月底让简历有东西可写把课程设计包装成完整项目补数据、补评估、补部署投递密集期2月底到4月中旬大量笔试面试37家海投每天固定留2小时刷题保持手感这个时间线看起来普通但我认为最关键的不是学了多久而是有没有把每个阶段的目标收敛成一个可量化的结果。比如刷题不能只刷不看我要求自己每道题写清楚时间复杂度和空间复杂度分析项目不能只写结果要能回答如果数据量增大十倍你怎么办这种问题。1.3 简历上没有亮眼的实习拿什么撑场面没有大厂实习没有论文我的简历曾经被学长吐槽一眼到底没有任何记忆点。后来我决定把课程设计做成真正的项目而不是简单地写一句做过某某系统。我做过一个基于CNN的垃圾分类图像识别项目虽然模型不复杂但我把数据扩充、模型选型、调参过程、评估指标四位一体的完整闭环做进去了。简历上还写了一个基于BM25的校园文章搜索demo把倒排索引、BM25打分、排序结果评估的细节都写了进去。我不回避这是课程设计但我在简历里强调的是技术细节和量化结果比如用数据增强把样本从1.2万扩充到3.6万分类准确率从82%提升到91%。这里想特别提醒一点简历面试官是会拿着追问的所以不要只写做了什么一定要把怎么做的、遇到什么坑、如何解决的都准备好。弱校学生的简历本来就少一个名校标签压阵项目部分就更要实打实地能扛住深挖。2. 春招投递的冷启动阶段海投、笔试与机试复盘2.1 投递渠道与节奏控制算法岗实习的投递渠道我踩了一圈下来总结出三类主要渠道官网批量投递、内推群、牛客等平台。内推不一定能免笔试但最大的价值是流程进度可见而且有些团队leader的内推可以直接推到组里跳过HR筛选对弱校学生来说这是最值得争取的。我的投递策略是先中小厂练手、再大厂冲刺。前几场笔试和面试我基本都是去感受氛围的很多题没发挥好但至少把笔试环境、面试节奏、常见追问方式摸了一遍。后面投大厂的时候心里就有底了。我建议你也建一个投递跟踪表我当时的表长这样公司岗位投递渠道笔试时间状态某科技A算法实习生官网3月3日笔试挂某电商B推荐算法实习内推3月6日面试中某工具CCV算法实习牛客3月10日简历挂...............这个表的价值不只是记录而是帮你复盘哪个渠道回音率高、哪个岗位方向匹配度差、哪类笔试总挂。信息一多你就能看出自己的真实位置。2.2 笔试机试代码题之外的隐性考点算法岗实习笔试有的公司用ACM模式自己处理输入输出有的用核心代码模式只填函数体两种都要提前适应。我第一场笔试就是AK模式输入解析卡了半天明明算法思路对结果得分很低这就是没提前练环境吃的亏。笔试题型通常是选择题编程题。选择题喜欢考排序算法特性、数据结构复杂度、机器学习基础概念而且爱抠细节。比如堆排序是否稳定快排最坏时间复杂度KMP算法中next数组的含义。这些题看着基础但一旦面试官在面试环节顺着往下问你答不上来就很尴尬。所以我在笔试阶段养成了一个习惯把选择题里不会的题记下来回来查资料搞懂而不是对完答案就扔。2.3 笔试题里的算法热词实际上是高频考点我在笔试里遇到最多的几类算法值得单独拎出来说第一是排序。堆排序、快排、冒泡、归并的出现频率极高。考法有两种要么手写实现要么问在什么数据量下选哪个排序更优。我笔试就遇到过用堆排序找出数组中前K大的数这个题本质是TopK问题但换个排序的皮就有人挂。第二是字符串匹配。KMP算法在大厂笔试题里几乎成了标配尤其是next数组的理解。有个高频考法是给一个模式串比如 pabacaba要求写出next数组。我第一次做的时候按定义算next[0]0next[1]0next[2]1因为aba中前缀a和后缀a匹配next[3]0next[4]1next[5]2next[6]3。这个题只要把前缀函数理解透就不容易错。第三是优化类算法的基础认知。像粒子群算法、模拟退火、贪心算法笔试不一定让你手写但选择题可能会问粒子群算法中速度更新公式包含哪几个部分或者模拟退火为什么能以一定概率接受差解。这类题不需要你会实现但核心思想要能说清楚我在面试中就被问过梯度下降和粒子群优化有什么区别这就是典型的原理对比题。3. 一面技术面试实录八股、手撕与临场救火3.1 自我介绍避开弱校雷区的话术一面通常从自我介绍开始。我的经验是不要在自我介绍里主动提我来自XX学校这种信息更不要主动说虽然我们学校不太好但我很努力。因为面试官手里的简历上明明白白写着学校你不需要强调强调反而显得心虚。我一般这样组织自我介绍先一句话说明我是XX大学计算机专业本科三年级学生主要方向是机器学习和CV紧接着讲自己做过什么项目、熟练什么工具然后把话题引到最近在深入学习XX算法对XX场景很感兴趣。重点是用项目和技术方向来占据面试官的注意力而不是让他去想你的学校背景。3.2 机器学习与深度学习高频问答复盘一面技术问答基本围绕机器学习和深度学习基础展开我整理了被问到最多的几类问题供你参考过拟合的成因与解决手段。这是绝对的考点。我从数据量、模型复杂度、训练技巧三个维度回答然后主动补充了正则化、Dropout、早停、数据增强等具体方法面试官一般还会追问Dropout为什么有效这时候就要答到以一定概率随机丢弃神经元减少神经元之间的共适应。BatchNorm的作用。我先答缓解内部协变量偏移、加速收敛又补充了它在训练和推理阶段的不同行为面试官比较满意。常见的聚类算法与选择。我讲了K-Means、DBSCAN、层次聚类三者的区别尤其强调了K-Means对初始中心和异常值敏感而DBSCAN能处理任意形状的簇且不需要指定聚类数。激活函数为什么用ReLU。我除了说缓解梯度消失、计算简单还补充了ReLU的缺点神经元死亡以及LeakyReLU的改进思路。这类题想答好单纯背八股是不够的。我会强迫自己每个知识点都准备一个一句话直觉解释比如ReLU为什么能缓解梯度消失——因为x大于0时导数是1不会像sigmoid那样在饱和区把梯度乘出一个很小的数。面试官一听就知道你是真懂而不是背的。3.3 手撕代码的现场翻车、补救与心态手撕代码是算法岗实习面试的生死关。我经历过的摸板是面试官给一道LeetCode中等难度的题要求在共享文档里现场写代码写完还要口头分析复杂度。我踩过的第一个坑是面试官让写堆排序我紧张之下把siftDown的递归边界写错了数组越界。后来我养成了一个习惯动手写之前先花30秒跟面试官确认输入规模、是否允许额外空间、期望的时间复杂度。把交流前置一方面能避免理解偏差另一方面也让面试官觉得你思维严谨。第二个坑是KMP的next数组推导。面试官当场给了个模式串问如果匹配不上应该回退到哪并要求写代码。我当时脑子里背的是模板但面试官换了个定义方式我就有点懵。后来我学会了一个更通用的思考方式next[i]本质上是在求当前匹配失败时模式串能够重复利用的前缀长度不要在考场上背代码而是要现场画状态图推导。如果真的写不出来不要直接放弃。我和一个面试官聊过如果候选人能在提示下把暴力解法写对再一步步优化到正解这在很多面试官眼里比直接默写一个AC解更加分。因为工作中遇到算法题本来就是一个探索和优化的过程。4. 二面项目深挖把课程设计讲出真实竞争力4.1 面试官不关心你有什么关心你怎么做到了二面面试官基本不再问你背过的概念而是拿着简历深挖项目。这一轮我最大的体会是面试官不关心你用的模型有多fancy关心的是你在做项目的过程中是否具备独立解决问题的能力和思考深度。我的CNN垃圾分类项目被追问得非常细。比如为什么会选MobileNet而不是VGG——我答因为移动端推理需要控制参数量MobileNet用深度可分离卷积把计算量压下来准确率损失很小。面试官接着问你了解深度可分离卷积的过程吗我现场把逐通道卷积和逐点卷积画了出来。另一个项目一个基于BM25的校园文章搜索demo面试官直接问为什么用BM25而不是TF-IDF。这个问题其实不难但很多人只会说BM25效果好。我当时的回答是BM25在TF-IDF的基础上引入了文档长度归一化并加入了可调的k1和b参数能更好地抵抗长文档中词频被高估的问题。面试官点点头接着问如果让你把BM25改成向量化检索你怎么做这就是一个开放题了考的是能不能现场设计思路。4.2 项目追问的典型问题与回答逻辑我整理了一下二面项目深挖的典型问题清单基本逃不出这几类问题方向典型问题回答逻辑数据相关数据量多少数据不平衡怎么处理说清数据来源、增强方式、类别权重处理模型选择为什么用这个模型和XX对比过吗从任务特点、数据规模、推理成本三个角度论证训练调参学习率怎么设定的过拟合没有给出具体的调参过程最好能说出试了多少组、怎么看曲线评估方式怎么评估效果指标是什么不只说Accuracy还要说为什么选这个指标场景推理如果部署到线上有什么问题从推理延迟、内存占用、数据分布漂移等角度回答我自己有个回答模板先给结论再给依据最后给一个如果让我重做我会怎么改进的闭环。比如数据不平衡的问题我会说当时用的方法是类别重加权损失同时做了过采样实验结果显示F1提高了5个百分点但如果现在重做我会考虑更细粒度的难例挖掘。这样回答既有具体动作又有反思面试官会更容易get到你的技术深度。4.3 算法原理深问被追问到不会的题怎么办二面中面试官从项目出发延伸到算法原理是常态。我被追问过一个当时没准备好的问题面试官问梯度下降在非凸函数上会陷入局部最优还有哪些全局优化方法我当时脑子里闪过粒子群算法、模拟退火、遗传算法但只是泛泛提了名字深入原理就说得比较模糊。这次失败让我学到了一个方法对于知识盲区不要硬答而是先承认这个方向我没有深入过然后立刻调动已有知识给一个部分答案最后补一句但如果是我来做我会从XX方向去调研。比如那个全局优化问题更完整的回答应该是模拟退火通过以一定概率接受更差的解来跳出局部最优接受概率随温度降低而减小粒子群算法则是多个粒子在解空间里共享历史最优信息通过速度更新来探索。我当时没答到这一步现在回想起来确实失分。所以我的建议是面试前可以专门准备几个延伸知识点比如图像相关的除了CNN还要了解Sobel边缘检测、拉普拉斯算子这些经典图像算法搜索相关的除了BM25还要知道倒排索引、TF-IDF、query重构。不一定要深入源码但至少要知道核心思想的一句话版本这样被追问时能多说几句。5. HR面与offer权衡弱校学生容易忽略的细节5.1 HR面真正在考察什么很多技术同学觉得HR面就是走流程但我认为HR面恰恰是弱校学生逆袭的机会。HR面重点考察的是稳定性、团队协作能力、抗压能力、薪资预期是否合理以及你能不能保证实习时间。尤其是能实习多久每周能到岗几天这个问题千万不要含糊回答。我见过有人因为说每周只能来三天然后就没消息了。实习生在组里从熟悉业务到独立承担任务是需要周期的HR和leader自然希望你能稳定连续地投入。我当时明确说可以全职实习6个月以上这个信息在HR面里是很大的加分项。5.2 遇到学历质疑怎么不卑不亢地回应我有一场面试被HR直接问我们这里实习生一般要求985/211你觉得自己能胜任吗这个问题听起来有点刺耳但它是很多弱校学生绕不过去的一道题。我当时没有慌也没有道歉式地回答而是把重点放在了三件事上一是技术准备我说编程题和机器学习基础我在笔试和面试中已经证明过了二是项目经历我提到了简历中的项目和量化结果三是成长潜力我说算法岗的日常工作是持续学习和调优模型而这正是我在过去大半年里一直在做的事情。不要因为学校背景就在HR面前矮一截更不要用虽然我学校不好但是我很努力这种句式。把学校这个话题从自己身上拨开引导到你已经做过的具体事情上才是正确答案。5.3 大厂边缘组 vs 中小厂核心组我怎么选最后我面对两个offer的取舍一个是某大厂的边缘组做的事情偏向数据标注平台和简单规则算法含量不高另一个是中厂的核心推荐组leader面时聊到的业务场景和模型迭代链路更深入。我最后选了后者。理由也很简单对本科实习阶段来说核心组能接触到的真实数据和完整的模型训练—评估—上线链路比大厂平台本身的标签更值钱。而且实习转正的时候核心组的leader对你能力的评价权重远比公司光环管用。这个选择不一定适合所有人如果你的目标是秋招拿大厂校招offer那么大厂实习经历本身就是简历上的硬通货。但我的经验是对弱校本科生来说第一份实习更重要的是参与深入而不是名字够大。6. 复盘与踩坑清单给下一届算法实习生的几条提醒6.1 我最后悔的几件事如果时光倒流我会在下面几件事上做得更好第一刷题开始得太晚。我大三上才进入系统刷题阶段前期很多笔试挂在手速和边界条件上。如果大二就每天保持一两道题后面会从容很多。第二八股文的整理过于零散。我一开始是这里看一篇博客、那里看一段视频没有形成体系。后来我列了机器学习基础、深度学习基础、经典算法原理、手撕代码模板四个文件夹每个知识点下面记一道相关问题复习效率提升了很多。第三没有提前mock。我直到拿到第一个正式面试之前都没有完整模拟过面试流程。第一次面试我连自我介绍都磕磕巴巴。强烈建议在正式面试前找一个朋友或者学长进行至少三次的模拟面试把自我介绍、项目讲解、算法手撕全部过一遍。6.2 建立自己的面经库让每次失败都留下痕迹这是我在整个春招过程中最重要的一个习惯每次笔试和面试之后不管结果如何立刻把题目、回答情况、复盘笔记记到一个统一文档里。我的面经库格式很简单就三栏问题是什么、我当时怎么答的、正确/更好的回答是什么。时间久了你会发现高频考点会反复出现你的薄弱处也会越来越清晰。我后期的面试能越来越顺很大程度上就是因为在面试前把之前记录的面经重新过了一遍哪些问题没答好、该用什么框架回答全部有迹可循。这里再分享一个小技巧面经库不只是记录面试题还要记录面试官问这个问题时真正想考察什么。比如他问了解这个项目的数据量吗真正想考察的不是记忆力而是你有没有意识去关注数据规模对模型效果的影响。想通这一层你面对新问题的时候也知道该怎么组织回答。最后再聊一点个人体会。春招这几个月我确实收到过很多谢谢参与也经历过笔试挂、一面挂、二面挂的连环打击。但回头看我最庆幸的不是拿了几个offer而是从头到尾没有停止过做题、整理笔记、复盘面试。算法岗这个方向学历是门槛但不是天花板真正的分水岭在于你能不能持续地、系统地积累并把每一次失败都转化成下一次面试的弹药。