每年到这个时间点总有学弟学妹来问我算法岗笔试怎么准备。翻出我当年整理的一份网易2018校园招聘算法工程师有道事业部笔试卷这套题放在今天来看依然很有代表性。它不像有些公司那样卷偏题怪题而是老老实实考察数据结构、排序、字符串匹配、机器学习基础这些硬功夫同时又能区分出谁是真懂、谁只是背过八股文。这篇文章我想以一个过来人的身份把这份笔试卷背后的出题逻辑、核心考点、以及我当时踩过的坑完整拆给你看不管你是正在准备校招还是工作几年想回头补补基础应该都能从中捞到点干货。1. 笔试卷的整体定位与出题思路拆解1.1 为什么道事业部会这么出题网易有道和网易其他部门不一样它做的是词典、翻译、在线教育这类产品技术栈偏搜索、推荐、NLP、音视频处理。这就决定了它的算法工程师笔试不会只考纯理论也不会像某些游戏部门那样堆大量图形学题目。它更看重候选人能不能把算法基础应用到真实业务场景里去。我当时拿到这套卷子第一感觉是题目量不大但每道题都值得反复琢磨。选择题里藏着大量“陷阱”编程题看起来简单实则边界条件多到让人怀疑人生。这种出题风格其实反映了有道做产品的思路——词典查词、翻译对齐、拍照识别这些功能都要求算法在真实数据和极端情况下依然稳定所以笔试也会顺着这个调性走。另外一个值得注意的点是这套卷子考的知识点覆盖面很广从KMP的next数组到粒子群算法、从堆排序到模拟退火、从PID控制到拉普拉斯图像锐化跨度非常大。这恰恰说明算法工程师这个岗位要的不是“只懂深度学习那一亩三分地”的人而是对经典算法、机器学习、图像处理、甚至控制理论都有基本认知的通才。你不能只会调包得知道底层的原理。1.2 与其他互联网公司算法笔试的横向对比对比我同期刷过的百度、腾讯、阿里的算法笔试网易有道的这套题有几个明显差异。第一不刻意追求“ACM难度”。百度和腾讯有些年份会出一两道接近区域赛难度的压轴题来卡人但网易有道整体更偏向工程应用即便是编程题也更像业务里真实会遇到的问题——比如文本处理、数组操作、状态搜索这类。第二机器学习题目占比高且偏基础推导。我记得有几道题涉及贝叶斯、特征选择、过拟合处理这些常规话题但考察角度不是“背出来就行”而是要求你理解为什么这样设计有效。比如问正则化为什么能防止过拟合你要能从参数空间、方差偏差分解、甚至贝叶斯先验这几个层次去答。第三会冷不丁冒出一些“偏门但有用”的算法。像粒子群算法、模拟退火、卡尔曼滤波这些在纯互联网公司笔试里很少见但因为有道做硬件相关的产品比如翻译硬件、智能学习设备所以会涉猎这些在嵌入式和控制场景中常用的算法。准备这套卷子不能只按常规清单复习得把视野拉宽一点。2. 高频考点与核心知识体系梳理2.1 数据结构与排序算法笔试的重中之重不论是哪一年的算法笔试卷数据结构与排序一定是C位。网易这套题也不例外。二叉树遍历、链表操作、栈与队列的应用这些基础题几乎年年出现但考察方式各有不同。我印象最深的是有一道关于堆排序的题表面上问堆排序的时间复杂度和稳定性实际上还嵌套了建堆过程的时间复杂度推导。堆排序的建堆过程很多人记的是O(nlogn)但实际上对一个长度为n的数组自底向上建堆时间复杂度是O(n)这才是面试官想听到的。我当时复习时就专门把这几个排序算法的各种性质做成了一张对照表时间复杂度最好、最坏、平均、空间复杂度、稳定性、适用场景。这里分享给正在准备的同学排序算法平均时间复杂度最坏时间复杂度空间复杂度稳定性适用场景冒泡排序O(n²)O(n²)O(1)稳定基本有序的小数组快速排序O(nlogn)O(n²)O(logn)不稳定通用排序工程最常用归并排序O(nlogn)O(nlogn)O(n)稳定链表排序、外部排序堆排序O(nlogn)O(nlogn)O(1)不稳定需要O(1)额外空间的场景计数排序O(nk)O(nk)O(k)稳定数据范围小的整数排序每年都有不少人在“快速排序最坏情况”这道题上翻车。快排最坏情况发生在每次partition选的pivot都是最大或最小元素时这时候递归深度是n时间复杂度退化成O(n²)。所以工程实现里会用“三数取中”或者随机选pivot来避免这个情况而不是傻傻地固定取第一个元素。2.2 字符串匹配与KMP算法next数组到底怎么算字符串匹配是算法笔试的常客而KMP算法又是字符串匹配里的经典考点。热词列表里专门提到了“对于模式串pabacaba其next数组next[i]定义为...”这类题目几乎是网易笔试的保留节目。先把这个模式串的next数组完整演算一遍很多人只看结论不理解推导过程考场上换个模式串就懵了。next[i]的含义是模式串P[0...i]这个前缀子串中最长的相等前缀后缀的长度注意这个长度要小于整个子串长度否则没有意义。对于模式串 p abacaba我们手动计算i0字符a没有真前缀和真后缀next[0] 0i1前缀ab最长相等前后缀长度为0next[1] 0i2前缀aba最长相等前后缀是a长度为1next[2] 1i3前缀abac没有相等前后缀next[3] 0i4前缀abaca没有相等前后缀next[4] 0i5前缀abacab没有相等前后缀next[5] 0i6前缀abacaba最长相等前后缀是aba长度为3next[6] 3所以next数组是 [0, 0, 1, 0, 0, 0, 3]。这里有一个很容易搞混的点KMP算法里还有个“nextval数组”或者说“优化后的next数组”它是在next数组基础上进一步考虑了失配时的跳转优化。笔试如果只问next数组那按上面标准定义算就行如果题目说了“优化后的next”那就得在失配时看P[j]是否等于P[next[j]]相等就继续向前跳。很多人栽在这上面就是没看清题目问的是哪个。2.3 搜索优化与群体智能算法粒子群和模拟退火为什么会被考到热词里出现了“粒子群算法原理”“模拟退火算法”很多人会觉得奇怪这不是智能计算课的内容吗互联网公司笔试怎么会考但网易有道就是会考。我当时看到这类题也挺意外后来想明白了——有道做教育硬件和智能设备很多场景比如摄像头角度自动校准、音频参数自动调节本质上是一个连续空间上的优化问题梯度方法不一定好用群体智能算法反而更实用。粒子群算法PSO的核心思想其实特别朴素模拟鸟群觅食的行为。每个“粒子”代表解空间里的一个候选解它有位置和速度两个属性。每次迭代时每个粒子根据两个“经验”来更新自己的速度一个是自己历史最优位置pbest另一个是群体历史最优位置gbest。速度更新公式是v_new w * v_old c1 * r1 * (pbest - x) c2 * r2 * (gbest - x)其中w是惯性权重控制粒子保持原来速度的倾向c1和c2是学习因子分别控制向自身经验和群体经验学习的强度r1和r2是[0,1]之间的随机数给搜索加一点随机性。位置更新就是简单的 x_new x_old v_new。我当时复习PSO的时候拿它跟梯度下降做了个类比梯度下降是每个人都沿着最陡的下坡路走容易陷入局部最优PSO是大家分散在不同地方互相交换“哪里有好吃的”的信息所以更容易跳出局部最优。这个类比帮助我快速记忆PSO的两个关键参数惯性权重w大则全局搜索能力强w小则局部开发能力强。模拟退火SA的思路也很有意思它借用了金属退火的物理过程。算法维护一个当前解和一个“温度”参数每次迭代在邻域里生成一个新解如果新解比当前解好就接受如果差则以一定概率接受这个概率是exp(-ΔE/T)其中ΔE是目标函数差值T是当前温度。随着温度逐渐降低接受差解的概率越来越小最终收敛。2.4 机器学习与深度学习基础绝不能丢分的部分作为算法工程师岗位机器学习基础知识是必考板块。网易这套题不考那种“深度学习模型有哪些”的送分题而是考“为什么”和“怎么做”的深度问题。比如过拟合的解决方案不能只答“增加数据、正则化、Dropout”这几个关键词得理解背后的原理。正则化为什么能防止过拟合从参数空间的角度看L2正则化给损失函数加了一项λ||w||²这会迫使模型参数往更小的方向走而参数小意味着模型更平滑、对输入的扰动不那么敏感。从贝叶斯的角度看L2正则化等价于给参数加上一个高斯先验L1正则化等价于拉普拉斯先验。这两种解释都能体现你对这个问题的理解深度。贝叶斯公式的应用也是高频考点尤其是朴素贝叶斯分类器。它基于一个很强的假设特征之间相互独立。虽然这个假设在现实中几乎不成立但朴素贝叶斯在文本分类等场景下表现依然很好原因在于它只需要估计每个特征在每个类别下的条件概率计算量小、对缺失数据不敏感。笔试如果考到往往会给你一张计数表让你计算某个样本属于哪个类别这时候千万别忘了做拉普拉斯平滑每个计数加1否则遇到零概率会让整个乘积变成0。KNN算法也是容易被考到的基础算法。它有三个核心要素K值的选择、距离度量、分类决策规则。K值太小容易过拟合太大又会让模型过于平滑距离度量常用欧氏距离但特征尺度不一致时要做标准化决策规则通常是多数表决但也可以根据距离远近加权。笔试问“KNN的应用能力包括哪三个方面”其实就是在问这三个要素。3. 典型题型深度解析与解题思路3.1 选择题看起来简单实际上处处是坑网易笔试的选择题很少有一眼看出答案的送分题几乎每道题都设计了一个“陷阱”。比如给你一个快速排序的中间步骤问下一步会是哪个数组状态或者给你一个代码片段问时间复杂度是多少。这种题考察的是你对算法过程的精确掌握而不是模糊的记忆。做题策略上我总结了一个“排除法边界验证”的组合拳。先看选项里有没有明显违背算法性质的比如稳定的排序算法序列里出现了不稳定排序排除掉一批然后掏出小规模用例比如长度为3或4的数组实际推演一遍验证剩下的选项。这个方法虽然笨但正确率极高。拿时间复杂度题来说笔试卷子里出现过一个“递归方程T(n) 2T(n/2) O(nlogn)求时间复杂度”的题目。很多人一看就以为是归并排序的O(nlogn)实际上用主定理Master Theorem来计算a2, b2, f(n)nlognf(n)比n^log_b(a)n的增长速度快了log n这个因子属于主定理的第三种情况但需要满足正则条件最终结果是O(n log²n)。这种题就是考你对递推关系推导的熟练度。我建议准备选择题时把常见算法的时间复杂度推导过程都过一遍不要只背结论。因为笔试题目往往会在常数项、边界条件上做文章只背结论很容易被绕进去。3.2 编程题边界条件决定了你能拿多少分网易的编程题不算难但非常考验代码的鲁棒性。我当时遇到的一道题是“实现一个函数判断一个字符串是否是有效的IP地址”。乍一看很简单但坑点非常多字符串可能为空、可能含有前导零、可能包含非数字字符、段数可能不对、每个段的值可能超过255。这些边界条件少考虑一个就少过一组测试用例。这类题目其实反映的是工程能力——写业务代码的时候你处理的就是真实、肮脏、充满异常的数据。你有道翻译API的输入可能是用户随便输入的字符串你得让你的程序在这种输入下还能正确工作。所以我强烈建议备考的同学刷题的时候不要只在LeetCode上跑一遍提交通过就完事要多问自己几个“如果输入是这样呢”的问题把边界条件彻底想清楚。编程题还有一个容易被忽视的得分点代码规范。变量命名要有意义、逻辑分支要清晰、注释要写清楚关键步骤。我实习时听面试官说过他们评编程题的时候不仅看结果是否正确也会快速扫一眼代码风格——一个能把变量命名为isValidIpSegment而不是f1的候选者通常代码可读性也更好。动态规划题也是编程题的大头。网易考过的DP题包括最长公共子序列、编辑距离、背包问题变种这些都是经典中的经典。准备DP题目时要有“状态定义→状态转移→初始值→遍历顺序→空间优化”这五步分析法。笔试时如果时间紧张可以跳过空间优化直接写出二维DP版本先保证正确性再说。3.3 机器学习简答与推导题展示深度理解的时机这套笔试卷后段会有几道机器学习相关的简答或推导题这是拉开分数差距的地方。比如让你写出逻辑回归的损失函数并推导梯度下降的更新公式。这种题不能只写最终结果要把过程完整写出来先写出似然函数取对数得到对数似然取负得到损失函数再对参数求偏导最后得到更新公式。每一步的数学变形都要清晰。我当时复习时把几个常见模型的推导过程都手写了很多遍包括线性回归的最小二乘解、逻辑回归的梯度下降、朴素贝叶斯的参数估计、SVM的对偶问题推导。手写和眼睛看的效果完全不一样写几遍之后你对这些公式的理解会深入很多考场上也不会慌。网易有道特别关注NLP方向所以也可能出现词向量、语言模型相关的问题。比如问Word2Vec的Skip-gram和CBOW有什么区别为什么需要负采样。复习时要把这些基础知识跟业务场景挂钩来理解——有道词典的查询推荐、翻译的候选生成很多都可以看作是词向量应用的场景。4. 实战准备路径与刷题策略4.1 从零基础到笔试过关的时间规划我见过太多人准备笔试的方法就是“疯狂刷题”但效果并不好。正确的路径应该是分阶段、有节奏地推进。以两个月为周期举例。第一个月用来系统过基础数据结构数组、链表、栈、队列、树、图、算法策略分治、贪心、DP、回溯、排序算法、字符串匹配。这个阶段不求快但求每个知识点都能手写代码实现。每学完一个模块就在LeetCode上找对应标签的中等难度题做5到10道验证效果。第二个月进入真题模式每天卡时间做一套模拟题不限于是网易的其他大厂的也可以。做题时严格按照笔试的节奏来——选择题控制在30分钟内编程题每题控制在30分钟内。做完之后复盘比做题更重要我会建一个错题文档把每道错题的原因分类记录下来是知识点漏洞、是边界条件没考虑全、还是时间不够导致粗心。考前一周专门翻这个错题文档。4.2 刷题平台与学习资源推荐刷题平台方面LeetCode是主力但建议按标签来刷不要随机刷。比如要准备KMP就把LeetCode上所有KMP相关的题挑出来集中做要准备DP就按照“线性DP、区间DP、背包DP、状态压缩DP”的分类逐一攻克。理论学习方面我推荐《算法导论》配合《数据结构与算法分析》一起看前者看理论推导后者看实现细节。机器学习方向《统计学习方法》是必备里面的公式推导要吃透深度学习可以看Ian Goodfellow的《Deep Learning》重点看正则化、优化算法、CNN/RNN这几章。还有一个容易被忽略的资源是往年面经和笔试回忆贴。每年校招季都有很多热心网友把笔试题目记下来发到社区里这些是了解出题趋势的第一手资料。我当时就把近三年网易其他部门的算法笔试题都过了一遍发现有些考点确实会反复出现。4.3 参加模拟笔试与限时训练的重要性模拟笔试是我强烈推荐的做法。不要觉得“我知识点还没复习完等复习好了再模拟”——这个想法是错的模拟笔试本身就是一种高效的学习方式。因为限时做题会逼你在理解深度和做题速度之间找平衡这种能力只能通过实战获得。我当时每周六上午9点半准时开始模拟按照真实笔试的时长和题型来。手机静音电脑上只开浏览器旁边放一张草稿纸。过程中不暂停、不查资料完全模拟真实场景。第一次模拟我编程题只写出了一道半第二道题因为时间不够只写了伪代码。但坚持三周之后我就能稳定做完全部题并留出检查时间了。模拟结束后的复盘环节也别偷懒。我会把每一道题的思路重新写一遍不管做对做错。做对的题看有没有更优解法做错的题分析错在哪个环节。这个过程比较耗时但对能力的提升是最扎实的。5. 常见问题与排查技巧实录5.1 笔试现场的时间分配策略我身边不少人在笔试时挂在时间分配上前面选择题花太多时间导致编程题没时间写。我的建议是选择题平均每题不要超过1.5分钟如果一个选择题超过3分钟还毫无头绪先标记跳过等编程题做完了再回头看。为什么这么安排因为编程题分值高且只要思路对就能拿大部分分而选择题纠结半天可能还是选错。我认识一个同学笔试时在一道选择题上耗了8分钟结果最后一道编程题只来得及写个框架丢了大分非常可惜。5.2 KMP算法next数组计算易错点KMP的next数组计算是反复出现的考点但很多人在细节上出错。最常见的错误是计算next[i]时错误地认为next[i] next[i-1] 1。这个规律只在前缀后缀恰好连续匹配时才成立其他情况下要从次长的相等前后缀开始试。我在笔试前总结了一个快速校验方法随便写几个模式串把next数组算出来后手工用“移动位数 已匹配字符数 - next[已匹配位置]”来模拟一遍字符串匹配过程看看匹配次数是否符合预期。如果模拟过程中发现主串指针回退了说明next数组算错了。还有一个容易忽略的点next数组的下标是从0开始还是从1开始。有些教材用1-based下标有些用0-based笔试时要先确认题目约定。我习惯性地用0-based写法做题时如果看到题目给的模式串下标从1开始会把整个数组推导重做一遍避免中途混用。5.3 排序算法性质记忆混乱的补救方案排序算法的性质稳定性、时间空间复杂度是选择题的常客但特别容易记混。我的记忆技巧是给每个算法编一个“人设”冒泡排序像一个耐心的人每次挨个比较相邻元素遇到反序就交换所以稳定快速排序像一个大刀阔斧的将军指定一个基准然后两边扫荡把相等元素分散到两边所以不稳定归并排序像后勤部先把队伍拆成小分队再按顺序合并合并时相等元素保持原顺序所以稳定。如果有时间强烈建议把所有排序算法的代码都亲自实现一遍不做任何参考完全凭记忆写。写完用随机数组和自己构造的边界用例空数组、单元素数组、已经有序的数组、全部相等的数组去测试。这个过程能帮你发现许多你以为懂、其实并没有真正掌握的细节。5.4 机器学习公式推导卡壳时的应急方法如果笔试现场遇到机器学习推导题卡壳别急着放弃。先把自己知道的相关公式写下来哪怕不完整也能拿到步骤分。比如让你推导逻辑回归的梯度下降你就算忘了中间某一行的变形但写得出损失函数和最终更新公式也能得不少分。备考阶段每推导完一个模型我习惯在公式旁边写一段“人话解释”这个公式在做什么每一项代表什么含义。比如SVM的对偶问题人话版是“把约束条件用拉格朗日乘子吸收到目标函数里转化成更容易求解的对偶问题”。写人话的过程其实就是强迫自己把抽象公式具象化的过程这对笔试和面试都有帮助。5.5 一个避坑案例贪心算法的“正确性错觉”笔试中有一类题特别迷惑人看起来应该用贪心算法实际上需要用DP或二分答案。典型例子是“跳跃游戏II”这类问题求跳到数组末尾的最小步数看起来每一步都跳最远就行但贪心并不是对所有变种都成立。网易有道有一年考过一道类似的题评论区哀嚎一片。避坑的方法是拿到题先别急着套算法模板先花两三分钟判断问题的结构。如果发现当前决策会影响后续的选择空间大概率不能直接用贪心如果发现存在重叠子问题和最优子结构则向DP靠拢。这个方法虽然不能保证100%正确但能避免大部分“贪心陷阱”。6. 从笔试到面试的个人体会说到底笔试只是校招的一个关卡它不是终点而是面试的入场券。我后来跟参与过校招出题的师兄聊天他告诉我笔试的目的不是筛掉所有人而是找到那些“有算法思维、能解决实际问题”的候选人。所以笔试题目不会故意设置超纲内容更多的是考察你是否真正理解和掌握了计算机科学的地基。我自己在准备这套网易有道笔试卷的过程中收获最大的不是最终拿到了offer而是把大学四年学得零零散散的算法知识重新串成了一张网。之前学KMP只记模板准备笔试时把next数组推导得滚瓜烂熟之前学粒子群算法觉得它就是个“随机搜索”准备笔试时弄懂了惯性权重和学习因子的调节逻辑。这些东西后来在工作中真的用上了——处理文本对齐、优化检索排序、调试特征工程底子扎实了遇到问题就不会慌。最后再分享一个小技巧笔试前一天晚上不要刷难题了把错题文档和总结的易错点快速看一遍早点睡觉保证头脑清醒。我第一场笔试因为熬夜刷题第二天状态极差选择题错了好几道不该错的血泪教训。身体状态也是笔试的一部分别忽视它。