身邊的很多朋友都問過我一個(gè)問題算法工程師到底怎么評(píng)估尤其是團(tuán)隊(duì)招人、內(nèi)部晉升、或者自己準(zhǔn)備跳槽的時(shí)候總得有個(gè)標(biāo)準(zhǔn)。我做了幾年算法也參與過不少算法工程師能力評(píng)估的面試和評(píng)審最直接的感受是算法工程師能力評(píng)估這件事沒有統(tǒng)一標(biāo)準(zhǔn)答案但一定有一條可復(fù)用的主線——數(shù)據(jù)結(jié)構(gòu)與算法是入場(chǎng)券機(jī)器學(xué)習(xí)和深度學(xué)習(xí)理論是分水嶺工程落地能力是從學(xué)生思維轉(zhuǎn)為工程思維的關(guān)鍵業(yè)務(wù)理解則決定了你能走多高。今天我不聊虛的直接把這套評(píng)估框架拆開講從考察維度、核心算法、實(shí)操準(zhǔn)備到常見坑位一條條盤清楚。無論你是準(zhǔn)備面試的候選人、要帶團(tuán)隊(duì)的負(fù)責(zé)人還是剛轉(zhuǎn)行算法崗的同學(xué)都能找到可以照著做的地方。1. 算法工程師的角色定位與能力模型拆解1.1 算法工程師到底在解決什么問題很多人對(duì)算法工程師有誤解覺得算法工程師就是天天刷論文、調(diào)模型、跑實(shí)驗(yàn)的人。實(shí)際上一個(gè)合格的算法工程師最先要解決的是“業(yè)務(wù)問題如何抽象成數(shù)學(xué)問題”。比如給電商做推薦排序你要定義清楚優(yōu)化目標(biāo)是什么——是點(diǎn)擊率、轉(zhuǎn)化率還是GMV不同目標(biāo)對(duì)應(yīng)的特征體系和樣本權(quán)重完全不同。再比如做路徑規(guī)劃你要判斷這是一個(gè)圖上的最短路問題、帶約束的優(yōu)化問題還是一個(gè)動(dòng)態(tài)規(guī)劃問題。這些判斷能力遠(yuǎn)比你記得多少算法公式更重要。在能力評(píng)估中我最看重的第一件事是候選人能不能在五分鐘內(nèi)把一個(gè)模糊的業(yè)務(wù)需求拆成清晰的問題定義。很多候選人上來就說“我打算用深度學(xué)習(xí)”但問他評(píng)估指標(biāo)是什么、現(xiàn)有baseline是什么、數(shù)據(jù)長(zhǎng)什么樣就答不上來。這說明他還沒有建立“問題先行”的思考方式。算法工程師不是追求最先進(jìn)模型的人而是能在資源、時(shí)間、數(shù)據(jù)條件限制下找到最優(yōu)解的人。1.2 五個(gè)核心能力維度數(shù)學(xué)基礎(chǔ)、數(shù)據(jù)結(jié)構(gòu)與算法、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)、工程落地、業(yè)務(wù)理解我通常會(huì)把算法工程師的能力拆成五個(gè)維度方便自評(píng)也方便面試打分。能力維度考察重點(diǎn)常見誤區(qū)數(shù)學(xué)基礎(chǔ)概率論、線性代數(shù)、微積分、最優(yōu)化方法會(huì)背公式但不會(huì)推導(dǎo)極限、方差、矩陣求導(dǎo)一問就卡住數(shù)據(jù)結(jié)構(gòu)與算法排序、字符串、圖論、動(dòng)態(tài)規(guī)劃、貪心、搜索只會(huì)刷力扣不知道實(shí)際項(xiàng)目在哪用機(jī)器學(xué)習(xí)與深度學(xué)習(xí)經(jīng)典模型原理、損失函數(shù)、優(yōu)化器、模型評(píng)估只會(huì)調(diào)包不清楚底層forward和backward過程工程落地代碼質(zhì)量、調(diào)試能力、上線部署、監(jiān)控指標(biāo)能跑通notebook但寫不出可維護(hù)的工程代碼業(yè)務(wù)理解指標(biāo)拆解、A/B實(shí)驗(yàn)、成本收益分析技術(shù)很強(qiáng)但做出的模型沒人用或不敢上線這五個(gè)維度不是平行的。對(duì)初中級(jí)算法工程師而言前三個(gè)維度權(quán)重會(huì)更高越往上走后兩個(gè)維度的決定作用越大。我見過不少候選人基礎(chǔ)算法題刷得很溜但一聊項(xiàng)目就露餡上一份工作做了什么、遇到了什么問題、怎么定位和解決的說不清楚。這樣的人在評(píng)估里往往只能拿到中等偏下的評(píng)價(jià)。2. 數(shù)據(jù)結(jié)構(gòu)與算法筆試與手撕代碼的硬門檻2.1 排序算法不能只會(huì)背復(fù)雜度要會(huì)手寫與優(yōu)化數(shù)據(jù)結(jié)構(gòu)與算法是算法工程師能力評(píng)估中最容易量化的部分。筆試和手撕代碼環(huán)節(jié)里排序算法幾乎是必考題。很多人能說出快速排序平均復(fù)雜度是O(n log n)、最壞復(fù)雜度是O(n^2)但真讓他現(xiàn)場(chǎng)寫一遍卻會(huì)漏掉很多細(xì)節(jié)。比如快速排序的partition函數(shù)怎么處理相等元素如果每次都取第一個(gè)元素作為基準(zhǔn)面對(duì)已經(jīng)有序的數(shù)組會(huì)直接退化到O(n^2)這時(shí)候你至少要知道可以用隨機(jī)基準(zhǔn)或者三數(shù)取中來優(yōu)化。我記得有一次面試我讓候選人寫堆排序他在紙上畫了堆的調(diào)整過程但代碼里堆化寫了三遍都不對(duì)。原因是他不理解“從最后一個(gè)非葉子節(jié)點(diǎn)開始自底向上調(diào)整”這個(gè)動(dòng)作的本質(zhì)。堆排序不是背代碼而是要理解完全二叉樹的下標(biāo)關(guān)系父節(jié)點(diǎn)是i左孩子是2i1右孩子是2i2。搞清楚這些堆排序就是三個(gè)函數(shù)建堆、調(diào)整、交換。排序算法的穩(wěn)定性也是高頻追問歸并排序?yàn)槭裁捶€(wěn)定快速排序?yàn)槭裁床环€(wěn)定因?yàn)榭焖倥判虻慕粨Q過程可能把相等元素的相對(duì)順序打亂。這種細(xì)節(jié)只有在真正手寫并且思考過之后才能講明白。2.2 字符串匹配KMP的next數(shù)組怎么在面試中講清楚字符串匹配算法里KMP是面試官特別喜歡考的點(diǎn)因?yàn)樗馨褑栴}講清楚的人不多。很多候選人背了代碼但問一句“next數(shù)組到底存的是什么”就卡住了。以模式串 p abacaba 為例next[i] 定義為 p[0...i] 這個(gè)子串的最長(zhǎng)相等真前后綴長(zhǎng)度。具體算一遍i0子串 a沒有真前后綴next[0]0i1子串 ab前綴 a后綴 b不相等next[1]0i2子串 aba前綴 a 和后綴 a 相等長(zhǎng)度為1next[2]1i3子串 abac沒有相等前后綴next[3]0i4子串 abaca前綴 a 和后綴 a 相等長(zhǎng)度為1next[4]1i5子串 abacab前綴 ab 和后綴 ab 相等長(zhǎng)度為2next[5]2i6子串 abacaba前綴 aba 和后綴 aba 相等長(zhǎng)度為3next[6]3所以 next 數(shù)組是 [0, 0, 1, 0, 1, 2, 3]。有些教材會(huì)把 next 數(shù)組整體右移一位變成 [-1, 0, 0, 1, 0, 1, 2]這是用 -1 作為失配時(shí)的特殊標(biāo)記。面試時(shí)你只要把定義講清楚再說明兩種表示的區(qū)別面試官基本就能判斷你是真理解還是背模板。KMP 的核心思想是匹配失敗時(shí)不要回退主串指針而是利用已經(jīng)匹配的部分信息把模式串盡量右移。next 數(shù)組就是這些“已經(jīng)匹配部分”的壓縮信息。這個(gè)思想在很多場(chǎng)景里都有變體比如 AC 自動(dòng)機(jī)就是 KMP 在 Trie 樹上的多模式串?dāng)U展。2.3 圖論與搜索Dijkstra、二分圖、拓?fù)渑判蛟趺纯紙D論算法在算法工程師評(píng)估里出現(xiàn)頻率也很高尤其是 Dijkstra、二分圖匹配和拓?fù)渑判?。Dijkstra 求單源最短路堆優(yōu)化版本是標(biāo)配。但很多人只會(huì)寫板子問一句“Dijkstra 為什么不能處理負(fù)權(quán)邊”就答不上來。因?yàn)?Dijkstra 基于貪心每次取當(dāng)前距離最小的未訪問節(jié)點(diǎn)這個(gè)節(jié)點(diǎn)的距離一旦確定就不會(huì)再更新。如果有負(fù)權(quán)邊后面可能出現(xiàn)通過負(fù)權(quán)邊得到更短距離的情況貪心就不成立了。二分圖匹配經(jīng)?？夹傺览惴ㄗ龃笠?guī)模匹配時(shí)可以用 HK 算法優(yōu)化到 O(E√V)。這類題的價(jià)值在于幫你判斷候選人有沒有“把業(yè)務(wù)問題轉(zhuǎn)化為已知算法模型”的能力。比如任務(wù)分配問題、相親匹配問題本質(zhì)上都是二分圖最大匹配。拓?fù)渑判騽t一般會(huì)用 Kahn 算法每次從圖中刪除一個(gè)入度為0的節(jié)點(diǎn)并減少它鄰居的入度。這個(gè)算法在檢測(cè)有向圖是否有環(huán)、處理依賴關(guān)系時(shí)非常有用。你不需要死記硬背只要理解隊(duì)列里存的是“當(dāng)前沒有前置依賴的節(jié)點(diǎn)”就能寫出來。2.4 常見筆試高頻題與做題順序建議對(duì)于候選人我建議把筆試準(zhǔn)備分成幾個(gè)梯隊(duì)。第一梯隊(duì)是排序快排、歸并、堆排、二分查找、鏈表操作、棧和隊(duì)列第二梯隊(duì)是KMP、并查集、拓?fù)渑判颉ijkstra、最小生成樹第三梯隊(duì)是動(dòng)態(tài)規(guī)劃、貪心、回溯、剪枝、快速冪、滑動(dòng)窗口。這里面動(dòng)態(tài)規(guī)劃和貪心最難短期突破需要大量題目積累。準(zhǔn)備時(shí)不要按難度刷題要按類型刷題。先刷同一類型十道題總結(jié)出共性套路再換下一個(gè)類型。做題時(shí)一定要寫出來并在本地跑測(cè)試用例只在腦子里想和真正跑通是兩回事。有些候選人筆試成績(jī)不錯(cuò)但面試讓他現(xiàn)場(chǎng)寫代碼就緊張那是因?yàn)槠綍r(shí)都在編譯器里跑沒練過白板寫代碼。建議面試前兩周每天用手寫板或者純文本編輯器寫三道題刻意練習(xí)無提示環(huán)境下組織代碼的能力。3. 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法從原理到面試追問3.1 經(jīng)典監(jiān)督學(xué)習(xí)KNN、聚類與分類模型的選擇邏輯機(jī)器學(xué)習(xí)部分是算法工程師能力評(píng)估的重頭戲也是最容易看出“真懂還是假懂”的地方。拿 KNN 來說很多人只知道“找最近的K個(gè)鄰居投票”但一問“KNN 的三個(gè)能力方面”就懵了。KNN 其實(shí)涉及最近鄰搜索、距離度量、分類或回歸機(jī)制三個(gè)方面。最近鄰搜索可以用暴力法、KD樹、球樹等實(shí)現(xiàn)距離度量可以是歐氏距離、曼哈頓距離、余弦相似度分類是投票回歸是取平均。這三個(gè)方面理解透了才能解釋為什么 KNN 在高維空間效果不好——因?yàn)楦呔S下距離度量趨于平均最近鄰和最遠(yuǎn)鄰的差別越來越小。K-Means 聚類也是高頻考點(diǎn)。評(píng)估時(shí)我常問“K-Means 的K怎么選”候選人如果說用肘部法則我會(huì)繼續(xù)問“肘部法則的缺點(diǎn)是什么”當(dāng)數(shù)據(jù)沒有明顯拐點(diǎn)時(shí)SSE曲線可能很平滑你需要結(jié)合輪廓系數(shù)、業(yè)務(wù)解釋性來定。還會(huì)問“K-Means 對(duì)初始點(diǎn)敏感怎么緩解”答案是多次隨機(jī)初始化選 SSE 最小的一次或者用 K-Means 進(jìn)行初始化。這種追問的目的不是考倒人而是看候選人有沒有在真實(shí)項(xiàng)目中踩過坑。3.2 優(yōu)化算法梯度下降、模擬退火、粒子群、貪心與剪枝的適用邊界機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的本質(zhì)都是優(yōu)化問題。面試時(shí)對(duì)優(yōu)化算法的考察從來不是只看你背了幾個(gè)公式而是看你知不知道在什么場(chǎng)景下用哪種優(yōu)化方法。梯度下降是最基礎(chǔ)的要分清批量梯度下降、隨機(jī)梯度下降和小批量梯度下降的區(qū)別。隨機(jī)梯度下降因?yàn)槊坎街挥蒙倭繕颖居?jì)算梯度所以收斂過程會(huì)有噪聲但這個(gè)噪聲有時(shí)反而能幫助跳出局部最優(yōu)。這個(gè)特性就帶出了另一個(gè)考點(diǎn)為什么深度學(xué)習(xí)訓(xùn)練有時(shí)要用學(xué)習(xí)率衰減因?yàn)榍捌谛枰蟛介L(zhǎng)探索后期需要小步長(zhǎng)收斂。如果問題不滿足可導(dǎo)條件或者搜索空間非常復(fù)雜、梯度信息不可靠就可能用到模擬退火、粒子群這類元啟發(fā)式算法。模擬退火的核心是允許以一定概率接受更差的解而且這個(gè)概率隨著溫度降低逐漸減小。它的思想來自金屬退火本質(zhì)是“用隨機(jī)性換取跳出局部最優(yōu)的能力”。粒子群算法則是模擬鳥群覓食每個(gè)粒子根據(jù)自身歷史最優(yōu)和全局歷史最優(yōu)調(diào)整速度。面試時(shí)只要講清楚“這倆都是無梯度優(yōu)化算法適用于目標(biāo)函數(shù)不可導(dǎo)、非凸、離散的場(chǎng)景”就算過了基礎(chǔ)關(guān)。貪心和剪枝經(jīng)常一起出現(xiàn)。貪心算法每一步都選當(dāng)前最優(yōu)但局部最優(yōu)不一定等于全局最優(yōu)。剪枝是在搜索樹上提前砍掉不可能產(chǎn)生最優(yōu)解的分支。很多候選人在做組合優(yōu)化或搜索題時(shí)會(huì)混淆這兩個(gè)概念。其實(shí)貪心是一種策略剪枝是一個(gè)加速手段二者常配合使用。比如背包問題貪心不能保證最優(yōu)解但可以用貪心算出一個(gè)上界再結(jié)合分支限界和剪枝來求精確解。3.3 序列與生成模型強(qiáng)化學(xué)習(xí)、ELBO與經(jīng)典算法脈絡(luò)當(dāng)候選人簡(jiǎn)歷上寫了生成模型或者強(qiáng)化學(xué)習(xí)項(xiàng)目面試評(píng)估就會(huì)進(jìn)入更深的層次。比如 KL 散度與 ELBO 的關(guān)系這是理解 VAE 繞不開的點(diǎn)。VAE 的損失函數(shù)里為什么會(huì)出現(xiàn) ELBO因?yàn)檎鎸?shí)后驗(yàn)分布不可解我們需要用一個(gè)近似分布來逼近它通過最大化變分下界來間接最大化對(duì)數(shù)似然。ELBO 可以拆成重建項(xiàng)加 KL 項(xiàng)重建項(xiàng)保證生成的樣本接近輸入KL 項(xiàng)保證近似后驗(yàn)接近先驗(yàn)。能把這個(gè)公式推導(dǎo)一遍并能解釋為什么使用重參數(shù)化技巧才算真正理解 VAE。強(qiáng)化學(xué)習(xí)方面面試官會(huì)關(guān)心候選人能不能區(qū)分 value-based、policy-based 和 actor-critic。DQN 是 value-basedREINFORCE 是 policy-basedPPO 和 DDPG 屬于 actor-critic。我會(huì)追問“為什么 policy-based 方法更適合連續(xù)動(dòng)作空間”因?yàn)檫B續(xù)動(dòng)作空間里 argmax Q 的計(jì)算非常困難而策略網(wǎng)絡(luò)可以直接輸出動(dòng)作分布。還會(huì)問“reward 怎么設(shè)計(jì)”見過太多人把 reward 設(shè)得過于稀疏導(dǎo)致訓(xùn)練半天學(xué)不會(huì)后來改成每一步都給予距離縮減的 reward收斂速度立刻上來了。這些經(jīng)驗(yàn)不是靠背論文能得到的。3.4 深度學(xué)習(xí)工程常用庫llama.cpp與推理優(yōu)化入門近幾年算法工程師的能力評(píng)估里越來越重視工程部署能力尤其是大模型推理優(yōu)化。llama.cpp 經(jīng)常被提到它是個(gè)用 C/C 實(shí)現(xiàn)的 LLaMA 推理庫核心賣點(diǎn)是能在消費(fèi)級(jí) CPU 或 GPU 上跑量化模型。它的原理主要有兩層第一層是模型量化把 FP16 的權(quán)重壓成 int8 或者 int4大幅降低顯存和內(nèi)存占用第二層是內(nèi)存映射把模型權(quán)重映射到磁盤而不是一次性全部加載到內(nèi)存所以加載速度很快。對(duì)算法工程師來說了解 llama.cpp 的意義不是要你去改它的 CUDA 內(nèi)核而是理解“模型訓(xùn)練完之后還有一整套推理優(yōu)化鏈路”。我面試時(shí)會(huì)問“模型在 GPU 上跑得慢你會(huì)從哪些方面排查”好的候選人會(huì)答要看是否顯存不夠?qū)е陆粨Q、是否沒有開啟混合精度、batch size 是不是太小、有沒有用 TensorRT 或者 ONNX Runtime 做圖優(yōu)化。能答出這些說明他真的部署過模型。只會(huì)訓(xùn)練不會(huì)部署的候選人在大模型時(shí)代越來越吃虧。4. 工程能力與工具鏈從數(shù)學(xué)到可運(yùn)行代碼的距離4.1 音頻重采樣、圖像銳化等信號(hào)處理算法背后的工程素養(yǎng)算法工程師的能力評(píng)估里除了機(jī)器學(xué)習(xí)傳統(tǒng)的信號(hào)處理和圖像處理算法也會(huì)被考察。音頻重采樣算法就是典型例子。比如音頻從 44.1kHz 轉(zhuǎn)到 16kHz直接隔幾個(gè)點(diǎn)取值顯然會(huì)有混疊噪聲。正確做法是先做低通濾波丟掉高于目標(biāo)采樣率一半的頻率成分再插值采樣。這里涉及奈奎斯特采樣定理。我遇到過候選人以為重采樣只是簡(jiǎn)單插值這就是對(duì)信號(hào)處理的基礎(chǔ)認(rèn)知不到位。圖像算法同樣經(jīng)典。圖像銳化的拉普拉斯算法核心是用拉普拉斯算子提取圖像的高頻細(xì)節(jié)再把細(xì)節(jié)疊加回原圖從而增強(qiáng)邊緣。Sobel 算法則是用兩個(gè)卷積核分別求水平和垂直方向的梯度常用于邊緣檢測(cè)。面試時(shí)我可能會(huì)問Sobel 的卷積核為什么是 [?1,0,1; ?2,0,2; ?1,0,1]因?yàn)橹虚g列權(quán)重更大是給離中心近的像素更高影響。這些細(xì)節(jié)不需要天天用但一旦項(xiàng)目里遇到圖像預(yù)處理你能說清楚原理才能正確選參數(shù)。4.2 規(guī)則引擎與Rete算法推薦系統(tǒng)之外的工程場(chǎng)景很多人覺得算法工程師只做機(jī)器學(xué)習(xí)模型實(shí)際上在一些風(fēng)控、反作弊、工單自動(dòng)處理場(chǎng)景里規(guī)則引擎仍然扮演重要角色。Drools 規(guī)則引擎的底層是 Rete 算法它的核心思想是把規(guī)則條件構(gòu)造成一個(gè)網(wǎng)絡(luò)讓事實(shí)對(duì)象在網(wǎng)絡(luò)上匹配時(shí)能共享中間結(jié)果。這樣當(dāng)大量規(guī)則和大量事實(shí)需要匹配時(shí)不需要每條規(guī)則都從頭掃描一遍事實(shí)集合。我在評(píng)估候選人時(shí)會(huì)問一個(gè)實(shí)際問題如果你的業(yè)務(wù)里有一百條規(guī)則每條規(guī)則有多個(gè)條件用戶一條條發(fā)起請(qǐng)求怎么保證匹配性能如果不知道 Rete 算法候選人會(huì)說用規(guī)則列表循環(huán)遍歷知道 Rete 的人會(huì)想到把規(guī)則條件拆成節(jié)點(diǎn)建立 alpha 網(wǎng)絡(luò)和 beta 網(wǎng)絡(luò)利用共享子條件減少重復(fù)計(jì)算。雖然大多數(shù)算法工程師不一定直接寫規(guī)則引擎但理解這種“空間換時(shí)間”的思路能體現(xiàn)出工程化思維的成熟度。4.3 加密哈希算法與合規(guī)意識(shí)SM2/SM3/SM4、弱哈希修復(fù)算法工程師不能只懂模型還得懂點(diǎn)安全算法和合規(guī)知識(shí)?，F(xiàn)在很多系統(tǒng)要求使用國(guó)密算法比如 SM2 非對(duì)稱加密、SM3 哈希算法、SM4 對(duì)稱加密。面試時(shí)我不會(huì)問你具體數(shù)學(xué)細(xì)節(jié)但我會(huì)問你的系統(tǒng)里密鑰怎么存數(shù)據(jù)簽名用什么哈希候選人如果答“用 MD5 做簽名”我就要扣分。因?yàn)?MD5 已經(jīng)不適合安全場(chǎng)景容易產(chǎn)生碰撞。曾經(jīng)有個(gè)候選人提到他處理過一個(gè)線上告警SSL 證書使用了弱 hash 算法CVE-2005-4900當(dāng)時(shí)他的第一反應(yīng)是重新簽發(fā)證書把簽名算法從 SHA-1 換成 SHA-256。這件事本身不難但能反映出候選人有沒有安全意識(shí)。算法工程師寫出來的代碼往往要處理用戶數(shù)據(jù)如果你不關(guān)心加密算法強(qiáng)度不關(guān)心數(shù)據(jù)在傳輸和存儲(chǔ)過程中是否安全能力評(píng)估一定會(huì)被扣分。4.4 調(diào)試與排查從小算法到線上服務(wù)的定位思路工程能力最終的落腳點(diǎn)是“能不能快速定位問題”。我面試時(shí)喜歡出一個(gè)場(chǎng)景題線上推薦服務(wù) CT R 下降了5%你怎么排查常見的回答是“看模型是否重新訓(xùn)練了”“看特征是否缺失”“看數(shù)據(jù)分布是否變化”。這些都對(duì)但不夠系統(tǒng)。我會(huì)引導(dǎo)候選人講出完整的排查鏈路先確認(rèn)監(jiān)控指標(biāo)是否穩(wěn)定然后看日志里有沒有異常報(bào)錯(cuò)再看請(qǐng)求量和延遲是否異常然后比對(duì)模型輸出分布和特征分布最后看是否最近上線了新代碼或新數(shù)據(jù)。這個(gè)鏈路走一次大部分問題都能定位。對(duì)于手寫代碼的問題我的建議是三步調(diào)試法第一步構(gòu)造最小復(fù)現(xiàn)用例把數(shù)據(jù)規(guī)?？s小到能肉眼算出來的程度第二步在關(guān)鍵路徑上加打印或斷點(diǎn)逐段驗(yàn)證中間結(jié)果第三步和基準(zhǔn)實(shí)現(xiàn)做對(duì)比看差異出現(xiàn)在哪。這套方法無論你寫的是排序算法還是復(fù)雜的圖算法都適用。候選人能不能清晰描述自己的調(diào)試過程也是評(píng)估工程能力的重要參考。5. 算法工程師能力評(píng)估的實(shí)操框架與面試準(zhǔn)備5.1 怎么給自己做能力體檢如果你想評(píng)估自己是否達(dá)到某個(gè)級(jí)別建議畫一張能力自評(píng)表用1到5分給自己打分。維度自評(píng)項(xiàng)1分3分5分?jǐn)?shù)據(jù)結(jié)構(gòu)手寫常見排序/搜索能寫冒泡能寫快排時(shí)間復(fù)雜分析能寫堆排/歸并并說明穩(wěn)定性模型原理梯度下降推導(dǎo)知道公式能推導(dǎo)參數(shù)更新過程能解釋不同優(yōu)化器差異項(xiàng)目經(jīng)驗(yàn)獨(dú)立負(fù)責(zé)過算法模塊做過特征工程完整上線過模型主導(dǎo)過多個(gè)項(xiàng)目迭代表達(dá)能力講清楚技術(shù)方案照本宣科能結(jié)合業(yè)務(wù)講取舍能畫圖并應(yīng)對(duì)追問這個(gè)表不一定適用于所有人但通過自評(píng)你能快速發(fā)現(xiàn)自己最薄弱的環(huán)節(jié)。我見過不少人平時(shí)刷題很多但自評(píng)表里“項(xiàng)目經(jīng)驗(yàn)”只有2分原因是他從來沒有獨(dú)立完成過一個(gè)從數(shù)據(jù)到上線的閉環(huán)。這種情況下與其繼續(xù)刷題不如找個(gè)小需求自己動(dòng)手做一遍比如搭一個(gè)新聞推薦或者圖像分類小系統(tǒng)。評(píng)估自己的目的是找方向而不是打分。5.2 簡(jiǎn)歷項(xiàng)目與技術(shù)棧的匹配策略簡(jiǎn)歷上的項(xiàng)目描述是面試官替你定能力區(qū)間的重要依據(jù)。很多候選人寫“使用深度學(xué)習(xí)實(shí)現(xiàn)了推薦系統(tǒng)”但沒有任何數(shù)字和細(xì)節(jié)。我會(huì)追問用戶量多少特征維度多少在線延遲要求多少訓(xùn)練數(shù)據(jù)多大模型的離線指標(biāo)和線上收益分別是什么如果你在簡(jiǎn)歷上寫不出這些面試現(xiàn)場(chǎng)也大概率答不好。我建議項(xiàng)目描述采用“背景-方案-結(jié)果”三段式。背景要寫清楚業(yè)務(wù)痛點(diǎn)方案要寫出算法選型和關(guān)鍵設(shè)計(jì)比如“用召回雙塔模型特征包括用戶行為序列和Item側(cè)靜態(tài)特征負(fù)樣本采樣策略是曝光未點(diǎn)擊”結(jié)果要量化比如“CTR相對(duì)提升3.2%服務(wù)延遲P99低于50ms”。這樣的項(xiàng)目描述能極大降低面試官的追問難度也說明你有工程閉環(huán)意識(shí)。5.3 面試官考察的潛臺(tái)詞從評(píng)估表反推準(zhǔn)備重點(diǎn)作為面試官我在評(píng)估候選人時(shí)會(huì)用一張內(nèi)部評(píng)估表分?jǐn)?shù)項(xiàng)包括“問題定義”“算法選型”“代碼實(shí)現(xiàn)”“方案權(quán)衡”“溝通表達(dá)”。你可以從這張表反推準(zhǔn)備重點(diǎn)。問題定義潛臺(tái)詞是“你能不能搞清楚要做什么”面試官會(huì)用一個(gè)開放式業(yè)務(wù)題來測(cè)。算法選型潛臺(tái)詞是“你能不能根據(jù)數(shù)據(jù)量和算力約束選擇合適算法”而不是什么玄學(xué)熱門選什么。代碼實(shí)現(xiàn)潛臺(tái)詞是“你有沒有真的寫過代碼”而不是只講思路。方案權(quán)衡潛臺(tái)詞是“你知道這個(gè)方案的缺點(diǎn)嗎”比如用深度學(xué)習(xí)雖然準(zhǔn)但可解釋性差用規(guī)則引擎雖然快但維護(hù)成本高。溝通表達(dá)潛臺(tái)詞是“你能不能和業(yè)務(wù)方講清楚你的方案”。所以面試準(zhǔn)備不能只刷題。建議每次準(zhǔn)備一個(gè)項(xiàng)目時(shí)都先寫一段兩分鐘的電梯陳述把背景、方案、結(jié)果講清楚再準(zhǔn)備五個(gè)“為什么”為什么用這個(gè)算法為什么不用別的為什么這個(gè)指標(biāo)為什么這個(gè)閾值為什么這個(gè)效果。你能把這五個(gè)為什么答清楚面試成功率會(huì)高很多。6. 常見問題與避坑指南6.1 只會(huì)調(diào)包源碼沒看過怎么補(bǔ)現(xiàn)在很多框架太成熟了sklearn一行代碼就能訓(xùn)模型但這也讓一批候選人陷入“只會(huì)調(diào)包”的尷尬。面試官一問 KMeans 里面具體怎么計(jì)算距離、怎么更新簇心就答不上來。我的建議是挑一個(gè)最常用的算法花一個(gè)周末把源碼讀一遍。比如 sklearn 的 KMeans 源碼重點(diǎn)看 init 方式、迭代終止條件、如何處理空簇。不用把每個(gè)細(xì)節(jié)都讀懂但至少要知道官方實(shí)現(xiàn)里有哪些你平時(shí)沒用到的參數(shù)它們?yōu)槭裁创嬖?。讀源碼之后再去做一個(gè)小實(shí)驗(yàn)手寫一個(gè)簡(jiǎn)單的 KMeans和 sklearn 的結(jié)果對(duì)比看看哪些地方會(huì)影響結(jié)果。這個(gè)實(shí)驗(yàn)做完你對(duì)聚類算法的理解會(huì)上升一個(gè)臺(tái)階。同理手寫一個(gè)不帶自動(dòng)求導(dǎo)的兩層神經(jīng)網(wǎng)絡(luò)你才能理解鏈?zhǔn)椒▌t在反向傳播里具體怎么運(yùn)作。調(diào)包沒有錯(cuò)錯(cuò)的是只會(huì)調(diào)包不理解原理。6.2 算法原理懂但寫不出來怎么辦不少候選人理論功底不錯(cuò)能講清楚原理但一讓他手寫代碼就卡殼。這種情況通常是因?yàn)槠綍r(shí)只看不練。原理是“知道是什么”寫代碼是“知道怎么做”中間隔著一層刻意練習(xí)。比如你理解快速排序的分治思想但如果不知道 partition 怎么用雙指針交換代碼就是寫不出來。我的經(jīng)驗(yàn)是準(zhǔn)備面試前一個(gè)月每天抽出半小時(shí)在純文本編輯器里手寫一道常用算法題不補(bǔ)全、不提示、不依賴IDE。寫完之后和標(biāo)準(zhǔn)答案對(duì)比找出差異。這個(gè)過程不用刷很多題但一定要把“看到題目-想清楚步驟-寫代碼-調(diào)試通過”四個(gè)環(huán)節(jié)練熟。算法原理和代碼能力是兩條腿缺一條都走不遠(yuǎn)。6.3 業(yè)務(wù)算法和學(xué)術(shù)算法如何平衡有些候選人特別癡迷學(xué)術(shù)前沿一上來就討論最新論文但落到具體業(yè)務(wù)時(shí)卻拿不出可落地的方案。學(xué)術(shù)界關(guān)注的是指標(biāo)漲了多少業(yè)務(wù)側(cè)關(guān)注的是收益怎么樣、風(fēng)險(xiǎn)大不大、老板認(rèn)不認(rèn)。我在評(píng)估時(shí)會(huì)更看重候選人能不能在兩者之間找到平衡點(diǎn)用一個(gè)小而美的方案快速上線拿到效果再考慮是否引入更復(fù)雜的模型。比如冷啟動(dòng)階段簡(jiǎn)單的規(guī)則召回可能比復(fù)雜模型更實(shí)用因?yàn)閿?shù)據(jù)不夠、訓(xùn)練成本高、收益不明顯。等數(shù)據(jù)積累到一定程度再上深度學(xué)習(xí)模型才是合理的。如果你正在準(zhǔn)備算法工程師崗位建議在簡(jiǎn)歷里至少體現(xiàn)一個(gè)“業(yè)務(wù)與技術(shù)結(jié)合”的項(xiàng)目。哪怕只是用線性回歸解決了渠道投放的ROI預(yù)估問題也說明你有業(yè)務(wù)思維。學(xué)術(shù)算法是養(yǎng)料業(yè)務(wù)算法是果實(shí)不能只囤養(yǎng)料不結(jié)果。6.4 評(píng)估周期與持續(xù)成長(zhǎng)路徑算法工程師的能力成長(zhǎng)不是一蹴而就的。如果按照三個(gè)月一個(gè)周期來看第一個(gè)月重點(diǎn)補(bǔ)數(shù)據(jù)結(jié)構(gòu)與經(jīng)典機(jī)器學(xué)習(xí)第二個(gè)月做一個(gè)小項(xiàng)目走通全流程第三個(gè)月復(fù)盤和總結(jié)輸出一篇技術(shù)筆記然后進(jìn)入下一個(gè)循環(huán)。能力評(píng)估不是只發(fā)生在面試那一刻平時(shí)就要持續(xù)自評(píng)。我個(gè)人比較喜歡的一個(gè)做法是每年年底把所有做過的項(xiàng)目列出來每個(gè)項(xiàng)目寫清楚背景、行動(dòng)、結(jié)果再標(biāo)出當(dāng)時(shí)最大的失誤。這個(gè)動(dòng)作堅(jiān)持兩三年以后你會(huì)很清楚地看到自己的成長(zhǎng)曲線。能力評(píng)估這件事最終目的不是排名而是幫你找到下一個(gè)要補(bǔ)的短板。最后再分享一個(gè)實(shí)際體會(huì)算法工程師越往上走越拼“能不能把復(fù)雜問題講簡(jiǎn)單”。面試時(shí)能把 KMP 的 next 數(shù)組用“失配后利用已匹配部分右移模式串”一句話講清楚的人通常代碼能力也不差。準(zhǔn)備評(píng)估時(shí)不要只盯著刷題數(shù)量每隔一段時(shí)間強(qiáng)迫自己把最近學(xué)的東西講給朋友聽講不出來就再回去查資料。這個(gè)過程雖然慢但帶來的能力提升非常扎實(shí)。