企业官网建设流程全解析

去年我集中面了一批视觉算法岗的社招，前后折腾了快两个月，收获不小，教训也不少。当时市面上大量文章都在讲校招怎么准备，真正针对社招、特别是视觉方向的经验贴却比较零散。所以这篇东西我一直想写，把2021年这一轮社招面试里我遇到的高频问题、踩过的坑、以及事后复盘出来的门道整理成文。内容纯属个人经历，结合了和同期跳槽朋友的交流，保证真实，但不保证覆盖所有公司。希望能给正在准备视觉算法社招的朋友一些参照，至少让你知道面试官坐在对面时，脑子里大概在盘算什么。

1. 为什么2021年视觉算法社招面试越来越看重"落地能力"

先说一个整体感受：2021年的社招面试，和两三年前相比有一个明显转向——考察重点从"你会什么"变成了"你能解决什么问题"。这不是我一个人的判断，和我同期在看的几个朋友都有同感。

背后原因不复杂。前几年AI视觉岗大量扩招，是个算法工程师就能拿到不错的package，但到了2020年下半年到2021年，行业进入洗牌期。各家公司在视觉上的投入变得非常谨慎，尤其是非头部公司，预算有限，招一个人进来是希望他尽快产出，而不是来搞两年研究再发篇论文。所以面试官很自然地把筛选重心放在：你过去做的项目能不能讲清楚、能不能经得起追问、业务指标是否有真实提升、遇到困难时你是怎么解决的。

另一个信号是，手撕代码和现场推导的比例明显增加。不只是算法题，还包括从零手写NMS、手写IoU计算、手推BatchNorm反向传播这类视觉岗专属题目。这说明公司希望确认你不是只会调包，而是真正理解底层原理，因为部署、优化、debug的时候，底层理解决定了一个工程师的上限。

还有一个趋势值得注意：模型部署和TensorRT优化相关内容出现在面试中的频率变高了。哪怕你简历里没有写部署经验，面试官也会试探性地问"你这个模型上线了吗""在什么硬件上跑的""延迟多少"。如果你一脸茫然，大概率会被判断为只做过离线实验。2021年这个信号已经很强烈了，到2022年后更是几乎成了标配，所以如果你还在准备阶段，强烈建议至少把ONNX导出、TensorRT基本流程、INT8量化原理这些摸一遍。

聊完大背景，下面按面试流程，把每个环节最值得说的细节拆开讲。

2. 简历筛选阶段：技术栈不匹配是最常见的隐形淘汰点

很多人以为简历筛不过是因为学校不够好或者大厂经历不够，但实际上，视觉算法岗2021年简历被刷的最大原因其实是技术栈不匹配。我在面试过程中接触到的几位面试官都提到，他们筛简历时第一眼看的就是项目关键词：检测、分割、OCR、跟踪、人脸、自动驾驶、工业质检，这些方向是否和团队当前需求吻合。

2.1 项目中一定要出现"动词+指标"结构

视觉算法岗的简历，满篇堆名词是没用的。写了"熟悉目标检测、熟悉图像分类"这类描述，在面试官眼里等于什么都没写。我后来把自己的项目描述统一改成了"动词+方案+指标"的结构，效果明显好很多。比如：

• 不好的写法：负责电力设备缺陷检测算法的开发
• 好一点的写法：基于Faster R-CNN改进的特征融合检测算法，在电力设备缺陷数据集上mAP从76.3%提升到82.1%，推理速度达25FPS（GPU 1080Ti）

面试官一天看上百份简历，这种带指标的描述能让他三秒钟内判断你是否匹配，也自动过滤掉很多没做过真实项目的人。社招不是校招，简历里没有项目和数字，基本等于放弃了第一轮筛选。

2.2 学校和前公司是加分项，但不是决定项

2021年我观察到的一个现象是，大厂背景确实有优势，但纯视觉方向的落地项目经验反而更能掰回一局。因为视觉岗流动性大，很多团队已经受够了招进来只会跑开源代码的人。一个在普通公司独立做过完整质检项目、能从数据标注管到模型上线的人，和一个在头部公司只负责调参其中一个模块的人竞争同一个岗位，前者胜出的概率不低。

所以你如果学历背景一般，简历里就要重点突出自己从0到1做过的完整链路，最好把数据清洗、标注规则制定、模型训练、服务封装、部署上线这几段都写出来。社招面试官看到这种简历反而更放心——他不需要从头教你怎么做工程。

2.3 简历中尽量不要写的几类内容

• 写"熟悉Caffe"这种上古框架，会让人觉得你技术栈更新慢，至少两年没接触新东西了
• 别写"精通目标检测"，这个词太重，面试官看到后一定会往死里问，问到你答不上来反而更扣分
• 论文部分如果只是挂名三作四作，建议别放上去，否则被追问论文细节时你会非常被动

总结一句话：2021年社招简历，项目比出身重要，指标比名词重要，完整链路比单点技术重要。

3. 笔试与在线测评：算法题之外还有视觉基础知识的暗坑

2021年视觉算法岗的笔试，基本分两派：一类是直接发牛客网链接做算法题，以字节、百度、快手为代表；另一类是发一份试卷，里面有算法题也有视觉基础题，以海康、大华、商汤、旷视这些AI安防/视觉公司为代表。

3.1 在线算法题：中等难度是主流

纯算法题部分，社招普遍是两个题，难度在LeetCode中等区间，很少出Hard。我遇到的题目包括：二叉树的层序遍历、三数之和、最长回文子串、合并区间、接雨水（这题出现频率异常高）。建议准备阶段把LeetCode热题HOT 100刷两遍，特别是数组、链表、二叉树、动态规划这几类。

有一个容易被忽略的点：在线评测系统对输入输出的处理非常严格，很多人挂掉不是因为不会做，而是因为没处理好多组输入、空数组这些边界情况。我身边真有朋友因为循环读取输入写错，白白丢了AC。建议练习时用牛客网的在线编程模式多练，别只在自己本地IDE里写。

3.2 视觉基础知识笔试：这些题反复出现

如果是发试卷的形式，视觉基础题的考点相对固定，我把2021年出现频率最高的几类罗列一下：

• BatchNorm的公式、训练和推理阶段有什么区别
• 卷积感受野的计算公式
• 1x1卷积的作用
• 池化层的作用、最大池化和平均池化分别适合什么场景
• 常见激活函数的优缺点比较（ReLU、Leaky ReLU、Sigmoid、Tanh）
• Softmax的数值稳定性问题，为什么减最大值
• 样本不均衡的处理方法
• 梯度消失和梯度爆炸的原因与解决办法
• 过拟合的解决方法，从数据、模型、训练策略三个层面回答

还有一些开放性题目，比如"如果你有一个分类任务，正负样本比是1000:1，你会怎么处理"这类，考察的是面对实际问题时的解决思路，而不是背标准答案。

3.3 笔试环节的时间分配策略

我在笔试上吃过一次亏，前面太谨慎，每道题都反复验算，结果后面算法题时间不够，只AC了一题。后来总结出的策略是：先花5分钟把所有题过一遍，判断每道题的难度和分值，优先做分值高、思路清晰的题；遇到卡壳超过15分钟的题先跳过，最后再回头解决。尤其是视觉基础题，会就是会，不会就是不会，别浪费时间纠结，把时间留给能拿分的算法题。

提示：大部分公司的笔试成绩只在面试筛选初期起作用，不会影响后续定级，所以只要不是太离谱，过了及格线就行，不用追求满分。

4. 技术面第一轮：项目深挖是重头戏，面试官最在意这三个维度

过了笔试，进入技术面环节。第一轮通常是技术骨干或资深工程师，时间大约45到60分钟。这一轮的核心就一个字——挖。项目深挖的程度决定了你能不能进入下一轮。

4.1 让你"讲一下项目"，实际上在考察什么

当面试官说"你先介绍一下你最近做的项目"时，大多数人会开始讲用了什么模型、数据量多少、准确率多少。这其实是误区。面试官真正想听到的是：你在这个项目里扮演什么角色，你做的部分和其他人的边界在哪里，你遇到的最难的问题是什么，以及你解决问题的思考链路。

我推荐一个自我介绍项目的"STAR-L"结构：

• Situation：项目背景，一句话说清楚为什么要做这个项目
• Task：你负责的具体任务，不是整个项目的目标
• Action：你采取的技术方案，以及为什么选这个方案，对比过哪些替代方案
• Result：结果指标，最好是业务指标而非论文指标
• Learning：踩过什么坑，如果重来会怎么优化

其中Learning部分是我觉得最加分的。比如你发现数据标注质量对模型影响极大，然后自己写了一套标注质量抽检工具；或者你发现某个数据增强策略在离线测试有用、上线后效果反而变差，然后分析出了原因。这些细节才是面试官区分"做过"和"做透"的关键。

4.2 项目深挖时的高频追问

面试官在听完你的项目介绍后，通常会有一连串追问，2021年我被问过最多的包括：

• 为什么选择这个模型而不是其他模型？你对比过哪些？
• 训练集和验证集的划分方式是什么？有没有数据泄漏的风险？
• 标注数据的来源是什么？标注错误怎么处理？
• 线上效果和离线测试差距大吗？差在哪里？
• 模型的参数量和计算量分别是多少？有没有考虑过压缩？
• 这个项目上线了吗？如果上线了，线上的QPS和延迟是多少？
• 如果让你重新做这个项目，你会改变什么？

这些问题没有一个是可以临时编出来的，只能靠真实项目经验支撑。所以如果你手上的项目不是自己主导的，一定要在面试前把技术细节补清楚，不然被问穿帮的后果会比不会更严重。

4.3 被问到知识盲区时怎么处理

技术面一定会遇到不会的问题，这很正常，面试官通常也是故意留一个更深的问题看你的反应。我2021年面试时被问过一个关于TensorRT plugin实现细节的问题，说实话之前没深入看过，当场有点慌。

后来复盘，正确的处理方式是：坦诚告诉面试官这个问题我没有深入实践过，然后基于已有认知给出一些方向的推断，同时表达自己愿意去学习的意愿。千万不要不懂装懂，社招面试官都是实干出身，编造的回答很容易被当场戳穿。2021年一个面试官告诉我，他判断候选人主要看三点：能讲清楚做过的，能快速理解没做过的，遇到不会的敢承认。

5. 技术面第二三轮：手撕代码与视觉理论的高频考点集锦

通过了项目深挖，二面三面就进入技术和理论的集中考察阶段。这里说的技术面二三轮，通常包括手撕代码、视觉理论深入、机器学习基础和数学基础。我把2021年遇到的、以及朋友反馈的高频题整理成了一份清单。

5.1 视觉方向手撕代码：NMS和IoU是出场率最高的

如果说2021年视觉算法岗面试手撕题有一个永恒的主角，那就是NMS（非极大值抑制）。我前后遇到三次，表现形式不同：有直接手写NMS的，有让你在给定框列表基础上实现soft-NMS的，还有让你讲NMS的缺点和替代方案的。

手写NMS的Python实现大概是这样的：

import numpy as np def nms(dets, thresh): x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] areas = (x2 - x1 + 1) * (y2 - y1 + 1) order = scores.argsort()[::-1] keep = [] while order.size > 0: i = order[0] keep.append(i) xx1 = np.maximum(x1[i], x1[order[1:]]) yy1 = np.maximum(y1[i], y1[order[1:]]) xx2 = np.minimum(x2[i], x2[order[1:]]) yy2 = np.minimum(y2[i], y2[order[1:]]) w = np.maximum(0.0, xx2 - xx1 + 1) h = np.maximum(0.0, yy2 - yy1 + 1) inter = w * h ovr = inter / (areas[i] + areas[order[1:]] - inter) inds = np.where(ovr <= thresh)[0] order = order[inds + 1] return keep

这里有几个容易被追问的细节：为什么要加1（像素坐标下宽高计算要加1，否则像素点数量会少算）；为什么不直接改原数组（面试时用numpy切片传递会更简洁）；soft-NMS和NMS的区别是什么（soft-NMS用分数衰减代替直接删除，解决密集场景下两个高IoU目标互相抑制的问题）。

IoU计算也一样，写起来不难，但面试官会问：IoU在什么场景下会失效（两个框不相交时损失为0无法梯度回传，这时可以用GIoU/DIoU/CIoU）；为什么FCOS这类anchor-free模型不用IoU匹配正样本。

5.2 重要理论考点：BN和卷积的前向反向

手写BatchNorm的forward和backward在2021年出现频率非常高，特别是在重视基础的公司。主要考察点包括：

• 训练阶段是用每个batch的均值和方差，推理阶段是用全局统计量，为什么
• 卷积层后面为什么通常接BN而不是Dropout
• BN在batch size很小的时候（比如目标检测里两张图一个batch）效果为什么会变差，有没有替代方案（GroupNorm、LayerNorm）
• BN层在反向传播时，梯度是怎么通过均值和方差传回去的

我当时被要求手推了一下BN的反向。核心在于记住：梯度要分别经过方差、均值、归一化后的变量三条路径回传，每一条都不能漏。面试官看的是你是否真明白BN的数学过程，而不是背结论。

卷积部分，除了手推卷积计算，2021年还高频出现了以下问题：

• 卷积的参数量和计算量怎么算
• 输入尺寸为HxWxC、卷积核为KxK、padding为P、stride为S时，输出尺寸是多少
• 分组卷积（Group Convolution）和深度可分离卷积（Depthwise Separable Convolution）的参数量对比
• 空洞卷积（Dilated Convolution）的作用是什么、感受野怎么变化
• transposed convolution（转置卷积）和反卷积的区别，以及棋盘效应产生的原因

5.3 常用检测模型的演进对比

视觉算法岗面试，目标检测几乎是绕不开的话题。2021年比较常见的问法有两种：一种是让你讲讲你了解的检测模型发展脉络；另一种是直接拿两代模型做对比（Faster R-CNN vs YOLOv4）。

我个人总结的回答框架是：把检测模型先分成两阶段和单阶段，两阶段代表Faster R-CNN（RPN+ROI Pooling），单阶段代表YOLO系列和SSD。然后点出两者的核心区别——精度和速度的权衡。再往后延伸，2021年Anchor-free逐渐成为趋势，代表是FCOS和CenterNet，它们省去了Anchor的调参过程，让检测头变得更简洁。最后可以提一下Transformer结构引入视觉后的影响，如果你面试时DETR已经发布，那么这个问题几乎一定会被讨论到。

一个比较容易加分的动作：你自己跑过哪个模型，在什么数据集上对比过什么指标。有实际对比数据，哪怕只是COCO上跑了一两个模型，面试效果都会比纯背八股好得多。

5.4 机器学习基础和数学基础：不能丢的底子

虽然岗位名是视觉算法，但2021年面试中机器学习基础被问的频率并不低。高频问题：

• SVM的损失函数、核函数的作用、SMO是什么
• 决策树和随机森林的区别，为什么随机森林能降低方差
• GBDT和XGBoost的对比
• K-Means的缺点，K值怎么选
• 逻辑回归和线性回归的区别
• L1和L2正则化的原理，为什么L1能产生稀疏解
• 准确率、精确率、召回率、F1、AUC的适用场景

数学基础方面，PCA和SVD的关系、极大似然估计、贝叶斯公式、矩阵求导、特征值和特征向量的意义都被问过。这不是在为难你，而是视觉算法工程师日常工作中真的会用到这些知识——你在设计loss函数时，在推导梯度时，在理解特征分布时，都需要数学功底。

提示：面试前把线性代数和概率论的基础概念过一遍非常有必要，即使这些问题已经很久没在实际工作中直接用过了，但面试官不问不代表可以不准备。

6. 交叉面与Leader面：系统设计、业务理解和抗压能力

如果技术面顺利通过，下一轮通常是交叉面（技术委员会或兄弟团队的人来面）或者直接到Leader面。2021年这轮面试的风格差异很大，有的公司纯粹是压力面，有的公司会重点考察系统设计能力，还有的会问业务理解。三种情况我详细说说。

6.1 系统设计题：不是让你设计算法，而是让你设计方案

系统设计题在2021年视觉岗面试中明显变多。典型题目包括：

• 设计一个人脸识别系统，从数据采集到布署上线
• 要给一个工厂做缺陷检测，产线节拍要求每秒处理10张图，怎么设计方案
• 现在有一个商品识别需求，端侧部署，要求内存小于500MB，你会选择什么方案
• 视频流实时检测，单路1080p25fps，给你一块GPU，能处理多少路，瓶颈在哪里

这类题没有标准答案，考察的是工程视野。一个好的回答需要覆盖：数据层面的方案（采集、清洗、标注、增强）、模型层面的方案（选什么模型、为什么、精度和速度怎么权衡）、部署层面的方案（用什么框架、硬件是什么、怎么加速）、持续迭代的方案（数据回流、模型更新、badcase分析）。

我的经验是，回答时要把"假设"说清楚。比如每秒处理10张图，先算一下：如果选择YOLOv5s，输入640x640时在1080Ti上大概能跑50-60FPS，单卡理论上可以满足，但要考虑多路并发、前后处理、CPU占用，实际可能需要双显卡。这种先把数字算出来、再给结论的方式非常加分。

6.2 Leader面：在考察你的业务敏感度

Leader面通常不抠技术细节，更关注你这个人能不能和他合作、能不能理解业务优先级。2021年我被问过的一些问题包括：

• 你的项目最终对业务产生了什么价值
• 如果算法准确率已经很高了，但业务方还是不满意，你会怎么处理
• 面对一个不确定是不是值得做的需求，你怎么权衡
• 你怎么评估技术方案的投入产出比

这类问题的核心是看你有没有"业务视角"。有的候选人技术很强，但对业务漠不关心，Leader面上的评价就会比较低。我当时学到一个技巧：把业务目标翻译成技术目标。比如业务方说"识别出错会导致赔付成本上升"，对应到技术上就是"误检率比召回率更重要"，那么loss设计可以考虑加Focal Loss、阈值调整时优先保证precision。

6.3 压力面怎么应对

2021年有几家公司的面试风格非常硬核，面试官会连续追问，直到你答不上来，然后再换一个角度继续问。这种压力面其实不是要你全答对，而是想看你在压力下是否还能保持逻辑清晰、态度冷静。

我经历过的压力面中，比较典型的画面是：面试官拿着我的简历，逐行质疑项目指标——"你这个82.1%怎么测的""你用了哪些测试集""标注质量有没有验证过"。这种追问可能会让你怀疑自己项目的真实性，但面试官其实是在验证两件事：项目是不是你真的做的，以及你知道不知道指标的边界。

应对压力面，我的三个原则：一是所有数据都要能解释来源；二是遇到不会的直接说"这个问题我需要再看一下"，不硬编；三是保持语速平稳，不要越说越快。

7. HR面与Offer选择：薪资谈判和入职前的背调细节

过了技术面，HR面看似轻松，但实际上暗藏不少细节。2021年我听到周围朋友谈Offer时出现分歧的情况不少，这里把重要的点列出来。

7.1 HR面会问什么

HR面一般20到30分钟，表面的问题都是常规的：为什么离职、为什么选我们、未来规划是什么、目前手上有没有其他offer。但HR真正想了解的是：你的稳定性、薪资期望范围，以及你手上offer的竞争情况。

其中"为什么离职"是一个送命题。千万不要说前公司坏话，也别说"没有成长空间"这种大而空的话。比较好的说法是：希望业务方向更聚焦、希望从研究走向落地、希望承担更大的技术责任等。注意，2021年面试时HR普遍会追问上一份工作的薪资结构，"税前总收入=base×12+年终奖+股票/期权"这种说法要提前心里有数。

7.2 谈薪资的几个技巧

薪资谈判的本质是信息博弈。你手上同时有多个offer，是最强的谈判筹码。2021年我见过最成功的谈薪案例，是一个朋友拿着A厂的offer去和B厂谈，直接把base提升了25%。

但需要注意的是，不要虚构offer去抬价，这种行为一旦被背景调查发现，offer会被直接撤回。如果你的期望薪资和HR给的范围差距较大，可以这样表达：我理解贵司的薪资体系，但我手上的其他选择确实给了更高的package，如果贵司能调整，我会优先考虑这边。措辞要温和，但立场要坚定。

另外，建议把每年的总包（base+奖金+补贴+期权）都算清楚再对比。有些公司的base看起来不高，但年终奖是4个月以上，总包反而更好。期权部分要问清楚归属期（vesting schedule）和回购条件，不要只看纸面数字。

7.3 背调环节需要提前准备

很多公司会在发正式offer之前做背景调查，除了验证工作经历和学历，还会联系你前公司的HR或直属上级。2021年我身边有一例因为背调出问题丢offer的：候选人在简历里写的在职时间和实际有出入，前公司HR反馈时多说了两句，结果offer被撤回。

所以，从简历提交开始，所有信息必须真实。即使有一些瑕疵，比如项目经历描述得漂亮了一些，面试时可以圆回来，但简历上的时间、职位、公司名称绝对不能造假。另外，提前和自己的直接领导打声招呼，告知可能会有背调电话，是对双方都负责任的做法。

8. 复盘总结：视觉算法社招面试的底层逻辑与建议

整轮面试走完，回头再看2021年视觉算法岗社招，我的核心感受是：面试的本质是"全方位验证"。技术深度、项目真实性、工程能力、业务敏感度、沟通表达，五个维度各占一席，缺一不可。

8.1 面试准备的优先级排序

如果给准备时间排一个优先级，我的建议是：

第一优先级：项目复盘。把自己做过的项目按STAR原则整理成稿，每个指标、每个技术选型、每个踩坑点都要能说清楚。这是最容易在短时间内提升的部分，也是性价比最高的准备。

第二优先级：手撕代码和视觉基础。手撕NMS、IoU、BN反向、卷积计算这类题目熟练度要练到形成肌肉记忆。视觉基础里的检测模型演进、BN原理、激活函数对比等高频考点反复过。

第三优先级：机器学习基础和数学基础。重点复习L1/L2、SVM、决策树、PCA、极大似然估计、贝叶斯这些经典知识点，不需要太深，但要能说清原理。

第四优先级：系统设计题。提前思考人脸识别、缺陷检测、OCR识别这类通用场景的方案设计，把数据、模型、部署、迭代四个环节标准化成自己的回答框架。

8.2 个人在多次面试后最重要的三个教训

第一个教训是"项目一定要是自己做透的"。我面过一些候选人，项目讲得天花乱坠，但问到某个细节时就开始含糊其辞。如果你面试前发现项目里某些部分自己已经记不清了，那这一轮面挂的概率极高。与其花时间包装简历，不如花时间把自己做的每个细节重新啃一遍。

第二个教训是"算法题不能临时抱佛脚"。视觉算法岗的面试，代码题通常不难，但如果你很长时间没刷题，手很生，一紧张就容易翻车。我建议面试前至少留出两周时间，每天刷2到3道LeetCode中等难度的题，保持手感。

第三个教训是"面试过程中保持真实反而更有力量"。2021年这个市场，面试官见过太多包装精美的候选人，当所有人都试图展示完美时，一个能坦诚说出"这个方案我当时没有做对比，后来复盘发现用另一个结构可能更好"的人，反而会让人更信任。真实感在工程岗面试里是稀缺品。

8.3 最后再分享一个小经验

我在准备这轮面试时养成了一个习惯：每次面试结束后，第一时间把面试官问到的每一个问题、自己怎么回答的、哪里卡壳了，全部记录下来。坚持了大概十场之后，发现高频考点非常集中，而且自己随着记录和复盘，对项目的理解会越来越深——很多问题第一次被问到时会卡，但复盘后下一次就能答得更好。

这个方法很笨，但实测有效。如果你也正在准备视觉算法岗的社招，不妨一试。祝愿你能早日拿到心仪的offer。