vinqi.com

算法工程师面试题及答题要点

算法岗面试通常 3-5 轮：一到两轮技术面（基础＋手撕代码）、一轮项目深挖、一轮主管或 HR 面。最容易挂的不是基础题，而是项目深挖环节——讲不清自己模型里每个设计的「为什么」，以及代码题写不出 bug-free 的实现。

专业基础

讲一下 L1 和 L2 正则化的区别，各自适合什么场景？

考察点：考察数学直觉是否扎实，能否把正则化和实际特征筛选联系起来。

答题要点：
  1. 先答核心：L1 是绝对值惩罚，倾向产生稀疏解，可做特征筛选；L2 是平方惩罚，让权重整体变小但不为 0。
  2. 再答场景：高维稀疏特征、想自动筛掉无用特征时用 L1；只想防过拟合、保留所有特征信息时用 L2。
  3. 可以补充一句：L1 在零点不可导，优化上需要特殊处理，这是工程上常被追问的点。
  4. 如果面试官追问，主动提到两者对离群特征和共线性特征的敏感度差异。

别踩：只背定义不联系场景，或者答不出 L1 为什么产生稀疏解（几何解释或导数解释）。

过拟合你一般怎么判断、怎么处理？

考察点：考察是否有真实训练经验，还是只跑过 notebook 里的 demo。

答题要点：
  1. 先讲判断：训练集和验证集指标差距明显拉大、验证指标先降后升，就是过拟合信号。
  2. 处理按优先级讲：先加数据或做数据增强，再调正则化、dropout、early stopping，最后才考虑换更简单的模型。
  3. 强调顺序体现工程思维：数据层面解决通常比模型层面更划算。
  4. 可以举一个自己项目里的具体例子，说明当时怎么发现、怎么处理的。

别踩：一口气罗列十种方法但没有优先级和取舍理由，显得没实际处理过。

AUC 是什么？为什么有些场景下不能只看 AUC？

考察点：考察评估指标的理解深度，能否结合业务场景选指标。

答题要点：
  1. 先准确说清：AUC 是随机取一正一负样本、正样本得分更高的概率，与阈值无关。
  2. 再讲局限：类别极不平衡时 AUC 可能虚高；业务关心的是固定预算下的精确率时，AUC 不直接反映。
  3. 结合场景举例：风控或推荐里，往往要看固定召回下的精确率、或 top-K 上的指标。
  4. 补一句：面试官常追问 AUC 和 PR 曲线的关系，提前准备好不平衡数据下两者差异的说明。

别踩：把 AUC 说成「准确率的一种」，或答不出它和阈值无关这个本质。

讲讲你知道的梯度下降变体，Adam 为什么常用？

考察点：考察优化基础，以及对常用工具的原理是否只是「会用」。

答题要点：
  1. 按脉络讲：从 SGD 到 momentum（动量加速），到 RMSProp（自适应学习率），再到 Adam（两者结合）。
  2. Adam 的优势：自适应每个参数的学习率，对超参不敏感，多数任务开箱即用效果好。
  3. 主动提局限：某些任务上 Adam 泛化不如 SGD，以及 warmup 等技巧。
  4. 如果面的是深度学习岗，准备好讲学习率调度策略，这是常见追问。

别踩：只说「Adam 效果好」却说不出它做了什么，暴露只会调包。

项目经历深挖

挑一个你最满意的项目，讲讲你做了什么。

考察点：考察表达结构、贡献真实性，以及能否分清团队成果和个人贡献。

答题要点：
  1. 用「背景—问题—方案—结果」四段式讲，全程控制在 2-3 分钟。
  2. 开头先量化背景：什么业务、指标基线是多少、你要提升什么。
  3. 讲方案时突出你的技术选型理由，而不是罗列用了什么工具。
  4. 结果必须带数字：指标提升多少、上线后带来什么变化，没有数字的项目说服力减半。

别踩：讲了五分钟还没说到自己做了什么，或把团队成果全说成自己的。

这个模型里你为什么用这个结构／这个损失函数？试过别的吗？

考察点：考察设计决策是深思熟虑还是照抄论文，以及实验对比意识。

答题要点：
  1. 老实讲对比过程：当时试过 A 和 B，各自指标如何，最终为什么选了现在这个。
  2. 如果确实没对比过，就讲当时的约束（时间、数据量）下的权衡，别硬编。
  3. 把「为什么」落到具体因素上：数据分布、样本量、线上推理耗时等。
  4. 准备好被追问「如果数据量翻十倍你会怎么改」，这是区分深度的问题。

别踩：答「论文里就是这么用的」或「大家都这么用」，直接暴露没有独立思考。

项目里遇到的最大困难是什么，怎么解决的？

考察点：考察解决真实问题的能力，以及排查问题方法论是否清晰。

答题要点：
  1. 选一个技术含量高、且你确实主导解决的问题，不要选「需求老变」这类。
  2. 讲清排查路径：现象是什么、你怎么定位、排除了哪些可能、最后根因是什么。
  3. 突出验证环节：怎么确认修复有效，有没有做对照实验。
  4. 结尾加一句沉淀：这个问题让你总结了什么方法，后来怎么避免再犯。

别踩：讲成流水账或把困难归咎于他人，缺少定位问题的过程。

这个模型上线之后效果怎么样？有没有持续迭代？

考察点：考察是否有线上视角，还是只做到离线实验就结束了。

答题要点：
  1. 区分离线和在线指标：离线 AUC 提升不代表线上有效，讲清楚你怎么验证的。
  2. 如果有 A/B 实验经验，讲实验设计、观察周期和置信度判断。
  3. 讲后续迭代：监控了什么、发现过什么问题、做了什么改进。
  4. 如果项目没上线，坦诚说明，并讲你了解的上线会遇到的工程问题（延迟、资源）。

别踩：只讲离线指标就结束，被追问线上效果时支支吾吾。

代码与算法手撕

手写一下逻辑回归的损失函数和梯度推导。

考察点：考察数学推导能力能否落到笔头，这是算法岗手撕的经典题。

答题要点：
  1. 先写 sigmoid，再写交叉熵损失，一步步推梯度，边写边讲思路。
  2. 推导完主动验证：梯度形式和线性回归的相似性，说明你理解本质。
  3. 注意书写规范：变量定义先写清楚，避免推导中途符号混乱。
  4. 如果时间允许，补一句怎么用向量化实现，体现工程素养。

别踩：背过结论但推导卡壳，或符号前后不一致被面试官当场指出。

现场写代码：实现一个简化版的 KMeans。

考察点：考察编码基本功和边写边沟通的习惯，而不只是算法知识。

答题要点：
  1. 动手前先确认输入输出和边界情况：空输入、K 大于样本数怎么办。
  2. 边写边讲你的思路，让面试官跟上你的节奏，卡住时也方便他给提示。
  3. 写完主动跑一个例子在脑内验证，检查初始化和收敛条件是否正确。
  4. 留出讨论空间：主动提 K 怎么选、局部最优怎么缓解，展示知识面。

别踩：闷头十分钟不说话，写完不检查，低级 bug（如索引越界）没发现。

这道题的时间复杂度能不能优化？

考察点：考察复杂度分析和优化思维，手撕题的常见追问。

答题要点：
  1. 先准确说出当前解法的复杂度，再分析瓶颈在哪一步。
  2. 按常见优化路径想：换数据结构（哈希、堆）、空间换时间、单调性剪枝。
  3. 想不出来时不要硬憋，说出你考虑过的方向和卡点，请面试官给个提示。
  4. 得到提示后快速响应，展示学习速度——这本身也是考察点。

别踩：复杂度说错，或者明明不会还长时间沉默不沟通。

情景应变与业务理解

如果线上模型效果突然掉了很多，你会怎么排查？

考察点：考察系统性排查思维，是否理解线上系统的全链路。

答题要点：
  1. 按链路排查：先确认数据（特征分布是否漂移、管道是否正常），再看服务（延迟、报错），最后看模型本身。
  2. 讲具体手段：对比近期和历史的特征分布、检查日志、看是否有上游变更。
  3. 提到回滚预案：先恢复服务再查根因，体现线上意识。
  4. 结尾讲预防：建立监控和告警，让问题下次能更早发现。

别踩：只从模型角度想（重新训练），忽略数据和工程层面的常见原因。

业务方说模型效果不好，但离线指标明明不错，怎么办？

考察点：考察沟通能力和对离线在线不一致问题的理解。

答题要点：
  1. 先对齐「效果不好」的具体定义：是哪个环节、什么指标、什么样本上不好。
  2. 排查常见原因：离线在线特征不一致、样本偏差、评估集和真实分布脱节。
  3. 提出验证方案：构造更贴近业务的评估集，或推动小流量在线实验。
  4. 沟通姿态要合作：把业务方当信息来源而不是对立面，一起定义问题。

别踩：直接反驳业务方「指标明明是好的」，显得没有协作意识。

给你三个月，从零做一个推荐模块，你会怎么规划？

考察点：考察端到端的项目规划能力和优先级判断。

答题要点：
  1. 先问清约束：数据有什么、目标是什么、延迟和资源限制是多少。
  2. 分阶段讲：前两周搭基线和数据管道，中间迭代模型，最后留时间做上线和监控。
  3. 强调先跑通再优化：简单基线先上线拿反馈，比憋大招更务实。
  4. 主动讲风险和取舍：哪些环节最可能延期，你会怎么保核心目标。

别踩：一上来就讲用多复杂的模型，没有数据管道、评估、上线这些工程环节。

行为面试与反问环节

为什么从上一家离开／为什么选我们这个岗位？

考察点：考察动机稳定性和对岗位的了解程度。

答题要点：
  1. 离职原因讲客观发展诉求：想接触更大规模的数据或更核心的业务，不贬低前东家。
  2. 选这家的理由要具体：提到你了解到的团队方向、业务场景和你技能的匹配点。
  3. 提前查过团队近期的技术分享或产品，能说出一个具体细节会明显加分。
  4. 整体传递的信息：你是奔着长期成长来的，不是随便投的。

别踩：抱怨前公司或领导，或者说不出对方团队具体做什么。

和同事在技术方案上有分歧，你怎么处理？

考察点：考察协作方式和解决冲突的成熟度。

答题要点：
  1. 讲一个真实例子，用「分歧点—怎么论证—怎么决定—结果如何」的结构。
  2. 核心姿态：用数据和实验说话，而不是靠职级或嗓门。
  3. 说明你尊重最终决定并全力执行，即使方案不是你提的。
  4. 如果事后证明你对了，也不要说「我早说过」，而是推动复盘。

别踩：把例子讲成「最后他们都听我的」，显得不会合作。

你有什么想问我们的吗？

考察点：考察你对机会的重视程度和思考深度，绝不是客套环节。

答题要点：
  1. 准备 2-3 个真问题：团队目前最大的技术挑战、新人前三个月的期望、模型迭代节奏。
  2. 可以问刚才技术面里没聊透的问题，展示真实兴趣。
  3. 避免一上来只问薪资加班，这些留给 HR 环节。
  4. 问题要基于你查过的信息，比如「我看到团队在做 X，目前卡在哪个环节」。

别踩：说「没什么想问的」，等于主动放弃展示动机的机会。

面试准备清单

什么时候要做什么
面试前 3 天把简历上每个项目按「背景—问题—方案—结果」重新过一遍，每个技术决策都准备好「为什么这么做、试过什么替代方案」。
面试前 3 天刷 5-10 道手撕题：逻辑回归推导、KMeans、二叉树遍历、top-K 问题，重点练边写边讲。
面试前 1 天查面试方的业务和团队公开信息（技术博客、产品、招聘 JD），准备 2-3 个反问问题。
面试前 1 天复习高频基础题：过拟合、正则化、评估指标、优化器、偏差方差，每题能 1 分钟讲清核心。
面试当天手撕环节前准备纸笔或确认 coding 环境；提前 10 分钟到场，手机静音。
面试当天技术面结束趁记忆新鲜，立刻记下被问倒的题，下一轮或下一家面试前补上。

常见问题

算法工程师面试一般有几轮？
通常 3-5 轮：1-2 轮技术面（基础＋手撕代码）、1 轮项目或交叉面、1 轮主管面，最后 HR 面。大厂可能加笔试或机试，创业公司可能两轮就发 offer。
没有大项目经验，项目深挖环节怎么办？
把课程项目、竞赛或实习做深比做多重要：讲清每个设计决策的理由、踩过的坑和排查过程。面试官看重的是思考深度，项目规模本身不是决定因素。
手撕代码答不上来是不是就挂了？
不一定。手撕同时考察沟通和思路，写出正确但不是最优的解、或得到提示后快速完成，都可能通过。真正致命的是长时间沉默不沟通，或复杂度分析也说不清。
机器学习工程师和算法工程师面试内容一样吗？
高度重叠：基础、手撕、项目深挖都跑不掉。差异在侧重——偏工程的岗位多问部署、性能优化和工程协作；偏研究的岗位多问论文理解和模型创新点，看 JD 调整准备重点。

继续看这个岗位

简历怎么写 面试题与答题要点 技能要求与关键词

相关岗位

推荐算法工程师简历NLP算法工程师简历计算机视觉算法工程师简历数据分析师简历大数据开发工程师简历数据仓库工程师简历 推荐算法工程师面试题NLP算法工程师面试题计算机视觉算法工程师面试题数据分析师面试题 推荐算法工程师技能要求NLP算法工程师技能要求计算机视觉算法工程师技能要求数据分析师技能要求