企业官网建设流程全解析

面试这件事，我一直觉得“真题”比“面经”更有价值。面经告诉你考了什么，真题却让你看到面试官当时真正的考察意图。2018年小米秋招算法岗的这套问答题合集，我反复看过好几遍——它最大的特点是不考手撕代码的炫技，而是用大量场景化、概念化的提问，考察你对算法“底层原理”和“工程取舍”的掌握程度。哪怕是几年后的现在来看，这套题的方向依然值得算法岗求职者认真研究。

这篇文章我会按题目的知识模块拆开讲，每个模块都结合当年的考察点和现在的就业环境做深度解析。无论你是正在准备秋招的应届生，还是想系统梳理算法基础的在职工程师，这篇文章都能帮你画出不踩坑的备考路线图。

1. 从“字符串匹配”到“排序算法”：代码基本功决定你的面试下限

1.1 KMP算法的next数组，考的不是背模板

小米这套题里，最显眼的一道是：

在KMP算法中，对于模式串p="abacaba"，其next数组（next[i]定义为...）是多少？

先说结论：KMP的next数组，在面试里至少有三层考法。第一层，你能不能写出正确的求解代码；第二层，你能不能口述清楚next数组每个值的含义；第三层，你能不能现场推导出给定模式串的next数组。

很多人在第一层就被卡住了，不是因为不会写，而是因为不知道next数组的“定义”是哪种版本——这恰好是这道题最大的坑。

你翻开不同的教材，next数组的定义至少有三个版本：

• 版本一：next[i]表示p[0..i-1]的最长相等真前后缀长度（即失配时索引跳转的位置）。
• 版本二：next[i]表示p[0..i-1]的最长相等真前后缀长度+1（某些旧教材和严蔚敏版《数据结构》的写法）。
• 版本三：next[i]表示p[0..i]的最长相等真前后缀长度（直接把失配时的跳转和匹配位置绑定）。

同一个模式串，三种定义下的next数组结果是完全不同的。比如p="abacaba"：

• 按版本一：next = [-1, 0, 0, 1, 0, 1, 2, 3]（下标0的位置可以视约定设为-1或0，这里的核心是最后一个字符a对应的最长真前后缀长度为3，因为前缀"aba"等于后缀"aba"）。
• 按版本二：next = [0, 1, 1, 2, 1, 2, 3, 4]（在版本一基础上整体+1）。
• 按版本三：next = [-1, 0, 0, 1, 0, 1, 2, 3]（这里对"abacaba"计算每个位置i，看p[0..i]的最长相等真前后缀长度，得到的是-1, 0, 0, 1, 0, 1, 2, 3，注意下标6的字符a的最长相等真前后缀长度是3）。

所以面试时遇到这种题，第一反应不要直接写答案，而是先反问面试官：“您这里的next数组是基于哪种定义？”这不是你在抬杠，而是你在展示你对概念边界有清晰的认知——这恰恰是面试官想看到的。

更关键的是，你要能现场推导。拿版本一举例：p="abacaba"，我们逐个字符分析：

• i=0，next[0]=-1，约定俗成，不用算。
• i=1，p[0..0]="a"，真前后缀为空，next[1]=0。
• i=2，p[0..1]="ab"，真前后缀为空，next[2]=0。
• i=3，p[0..2]="aba"，前缀"a"等于后缀"a"，长度为1，next[3]=1。
• i=4，p[0..3]="abac"，最长相等真前后缀为空或长度为0（前缀"a"、后缀"c"不等），next[4]=0。
• i=5，p[0..4]="abaca"，前缀"a"等于后缀"a"，长度为1，next[5]=1。
• i=6，p[0..5]="abacab"，前缀"ab"等于后缀"ab"，长度为2，next[6]=2。
• i=7，p[0..6]="abacaba"，前缀"aba"等于后缀"aba"，长度为3，next[7]=3。

所以答案是[-1, 0, 0, 1, 0, 1, 2, 3]（或[0, 0, 0, 1, 0, 1, 2, 3]，取决于你用-1还是0作为起始标记）。

这道题在真实面试里的意义是什么？我在帮候选人做模拟面试时发现，多数人能写出KMP匹配过程，但一旦要求“从零开始推导next数组”，就会暴露出对“最长相等真前后缀”这个概念理解的模糊。因为日常刷题时，KMP通常被当成一个“调库操作”，没人会去关心那个表格怎么来的。

你得提醒自己：面试官不关心你能不能背出代码，他关心的是——当你面前没有库、没有文档、甚至没有IDE时，你能不能从“为什么需要next数组”出发，重新发明一遍这个算法。“知道为什么”比“知道是什么”值钱得多。

1.2 排序算法不是“快排走天下”，要能横向对比

排序算法在算法岗面试中永远不会缺席，但小米这套题里的排序题，明显比普通开发岗的排序题深了一个层次。它不问你“快排怎么写”，而是问“什么场景下选择什么排序算法”“稳定性、时间复杂度、空间复杂度如何取舍”。

我建议你把排序算法当成一个“决策树”来复习。面试官给你一个具体的场景，你要能给出选型逻辑，并说明理由。下面是我自己整理的一个速查逻辑：

• 数据量极小（n<50）且基本有序：插入排序，因为常数因子极低、几乎无额外空间开销。
• 数据量大但要求稳定排序：归并排序，O(n log n)且稳定，代价是O(n)额外空间。
• 数据量大且不要求稳定：快排是综合最优解，但要注意避免最坏情况（三数取中、随机化）。
• 数据是整数或取值范围有限：计数排序/桶排序/基数排序，用空间换时间，O(n+k)。
• 数据接近有序：堆排序不是最优（常数大），插排或优化后的冒泡更合适。

这里的核心考点是“稳定性”这个概念。什么是稳定性？如果两个相等的元素a和b，a原本在b前面，排序后a仍在b前面，这个排序算法就是稳定的。为什么要关心稳定性？因为在实际业务中，你经常需要“按多个关键字排序”，先把记录按次要关键字排序，再按主要关键字稳定排序，这样就能得到正确的多关键字排序结果。如果没有稳定性，这个“基数排序式”的思路就完全走不通。

KMP那道题考的是“定义清晰”，排序题考的则是“工程思维”。你要能当场说出“这个场景用归并而不是快排，因为我要稳定，而且能接受O(n)空间”，而不是在那里支支吾吾。

1.3 堆、栈、哈希表：概念题也能考出区分度

秋招算法面试有个特点：越是基础的数据结构，越容易考出区分度。因为“简单”意味着“大家都能答”，谁能答得全面、答出细节，谁就能拿到额外分。

小米这套题里，数据结构的考察常常以“概念对比”的形式出现。比如：

• ArrayList和LinkedList的区别（这不是Java岗专属题，算法岗也会问，因为涉及随机访问和插入删除的复杂度模型）。
• HashMap的扩容机制和哈希冲突解决方式。
• 栈和队列的应用场景。

我见过太多候选人在回答“HashMap和Hashtable的区别”时，只会背“线程安全”和“不允许null键”，却答不出“为什么Java 8之后HashMap的链表长度超过阈值时转成红黑树“，更别提“为什么树化的阈值是8而不是9或10”。算法工程师面试时，这种“多问一层为什么”的连环追问非常常见。

我的建议是：复习每个数据结构时，至少追问自己三个“为什么”。为什么是红黑树而不是AVL树？为什么负载因子的默认值是0.75？为什么链表转树的阈值是8？当你把这三个问题都答清楚了，面试官对你的评价会从“背过八股文”升到“真的懂底层实现”。

2. 机器学习与深度学习考点：问的是数学原理，不是调参技巧

2.1 传统机器学习：聚类、KNN与贝叶斯理论的面试“必面题”

小米2018秋招算法岗的题库里，机器学习部分占了大头，这跟当时的业务需求有关——小米当时正在大力推广小爱同学、识图搜索、智能推荐等业务，急需能落地传统机器学习算法的工程师。而现在到了大模型时代，传统机器学习的地位虽然有所下降，但它依然是面试中判断候选人基础是否扎实的重要纬度。尤其是聚类算法和KNN算法，几乎是必考题。

面试官问聚类算法时，通常会给你一个场景让你选型，而不是让你复述K-Means的步骤。比如他会问：“如果给你一批没有标签的用户行为数据，你会选择什么聚类算法？”这里的考点有三个层次：

• 层次一：你是不是只知道K-Means？如果你能说出DBSCAN、层次聚类、GMM的适用场景，说明你的知识面不是停留在教材上。
• 层次二：你知不知道K-Means的K值怎么选？这时你应该提到“肘部法”“轮廓系数”，甚至用BIC/AIC来评估。
• 层次三：你知不知道K-Means的缺点？比如对离群点敏感、对初始点敏感、只能发现球形簇。这时你可以补一句“所以当数据簇形状不规则时，DBSCAN通常更合适，它能发现任意形状的簇，还能自动处理噪声点”。

KNN的考法也很有套路。我在准备面试时发现，KNN的考察通常避开“算法描述”，直接跳到一个被很多人忽视的点：“KNN的三要素是什么？”答案是“距离度量、K值选择、分类决策规则”。如果候选人能进一步答出“K值越小越容易过拟合，K值越大模型越简单”这个偏差-方差困境，那这道题基本就满分了。

除了聚类和KNN，概率图模型、贝叶斯理论也是高频考点。有一道经典的问答题：“朴素贝叶斯的‘朴素’体现在哪里？如果特征之间不独立，会有什么问题？”一道好问题，能同时考察你对假设的理解、对实际场景的反思、以及对“独立性假设为什么在文本分类中‘效果出奇好’”的认知——哪怕它不满足独立条件，朴素贝叶斯在文本分类中依旧有惊人的表现，这个反直觉的结论本身就是很好的面试话题。

2.2 深度学习：反向传播、过拟合与模型选择

2018年的深度学习面试题，比现在简单不少——那个年代“图神经网络”“扩散模型”“LLM对齐”等概念还没进入主流，面试题主要集中在全连接网络、CNN、RNN、反向传播推导，以及训练中的各种工程问题。但这并不意味着这些考点过时了。恰恰相反，这些年面试官对深度学习基础知识的考察更加深入了。

我在真题库里看到一道非常有代表性的题目：“请描述反向传播的具体过程，并解释为什么链条式求导在这里很重要。”反直觉的是，很多候选人能背出反向传播的步骤，却答不出“为什么需要反向传播而不直接用数值微分”。数值微分的计算复杂度是O(n)的，而反向传播利用链式法则和动态规划思想，让梯度计算的复杂度从O(n)提升到与一次前向传播同阶。面试官真正想听的是这种“计算效率”的直觉，而不是背公式。

过拟合的题目也经常出现。小米当时问过类似“在深度学习中，如何防止过拟合？请列出你能想到的所有方法，并解释每个方法的原理”这样的开放式问题。这类题的关键在于“广度+深度”。你可以答：

• 数据层面：增加数据量、数据增强、类别平衡。
• 模型层面：降低模型复杂度（减少层数/神经元数）、正则化（L1/L2）、Dropout。
• 训练层面：早停（Early Stopping）、批归一化（可以缓解Internal Covariate Shift，并有一定正则化效果）。
• 后处理层面：模型集成、Snapshot Ensemble。

关键是每个方法都要给出“为什么有效”的解释。比如Dropout为什么有效？因为它在训练时随机丢弃神经元，相当于隐式地训练了多个子网络的集成；L2正则化为什么有效？因为它在损失函数上加了权重的平方和，让模型权重趋近于0但不会变成0，限制了模型的复杂度。

2.3 搜索算法与全局优化：从粒子群到模拟退火，这类题看的是“算法迁移能力”

搜索优化类算法，在算法工程师面试中属于“二线重点”——不会像深度学习那样拼大头，但在“综合能力面”里经常扮演“压轴题”的角色。粒子群算法（PSO）、模拟退火（SA）、遗传算法（GA）这些启发式算法，面试官往往不会直接问“原理是什么”，而是改成“你如何理解全局搜索和局部搜索的平衡”。

举个例子，真题里出现过类似这样的问法：“模拟退火算法是如何避免陷入局部最优的？”这个问题本身其实就在考察你“概率接受劣解”的思想——这正是模拟退火相对爬山算法的突破所在。同理，粒子群算法的核心是“个体认知”和“群体认知”的平衡；遗传算法的核心是“选择、交叉、变异”三种算子。如果你能把这种“搜索策略”的核心思想迁移到其他场景，面试官就知道你真是理解了，而不是靠背概念拿分。

我特别想提醒一点：这些启发式算法在互联网算法岗的日常研发中，其实用得不算多。面试官考它，尤其是小米这种硬件+互联网公司，主要看两件事：第一，你有没有足够广的知识面；第二，当标准算法无法解决时，你有没有尝试过“次优方案”的思维方式。所以备考时不要只盯着深度学习理论，花点时间把粒子群、模拟退火、贪心算法、动态规划这几个“思维工具”的原理弄清楚，面试时往往能起到意想不到的作用。

3. 数学基本功与底层算法：概率统计、数值计算和复杂度分析

3.1 概率论与统计：贝叶斯、最大似然、大数定律的实战意义

算法工程师面试中，数学是绕不开的。小米这套题里，数学题的占比不低，而且考察方向非常集中：概率论、线性代数、最优化理论。

最典型的概率题是“最大似然估计”（MLE）。比如给定一组服从正态分布的观测数据，如何估计均值和方差？这道题的考场知识链条是：

• 写出似然函数（样本的联合概率密度）。
• 取对数（把连乘变成连加，方便求导）。
• 对参数求偏导，令导数为0。
• 解出参数的估计值。

如果你能在这里快速补出最佳答案——正态分布下，均值的MLE估计就是样本均值，方差的MLE估计是除以n而不是n-1，并且你能说明“为什么样本方差用n-1”（因为的无偏性是除以n-1），这道题就答得非常到位了。

统计学中的大数定律、中心极限定理也是高频考点。面试官可能会这样问：“假设系统每天收到1亿条日志，错误率约0.1%，如果我们想监控错误率的波动，应该利用什么统计原理？”正确的思路是：错误率是二项分布，当样本量足够大时，二项分布近似正态分布，可以用正态分布的均值±3σ来设置告警阈值。这既考了中心极限定理，又考了工程意识，是典型的“理论+实战”面试题。

3.2 数值算法与信号处理题：音频重采样、PID控制、卡尔曼滤波为何会出现在算法岗面试里

看到“音频重采样算法”“PID算法在CRPS PSU Power的作用”“卡尔曼滤波算法”“图像锐化的拉普拉斯算法”这些人出现在热搜词里时，你可能觉得奇怪：这些不是音视频、控制、图像处理方向的算法吗？为什么算法工程师面试也会考？

原因其实不复杂：算法工程师这个岗位，在不同公司、不同业务线，侧重点完全不同。小米这种公司，业务横跨手机、IoT、智能家居、云计算，算法工程师的岗位可能挂在音频组、图像组、电源组、自动驾驶组下面。如果你投的是小米IoT方向的算法岗，那就很可能碰到PID控制器的题目；如果你投的是手机影像部门，那拉普拉斯算子做图像锐化的题目就是专业对口。

所以备考时一定要研究目标公司的业务布局。小米的算法岗，和纯互联网公司（比如字节、美团）的算法岗，考察重心的差异是很大的。纯互联网公司更关注推荐系统、NLP、用户增长；硬件+互联网公司则更关注信号处理、嵌入式算法、端侧推理。这两大类知识虽然不能说没有交集，但备考方向的侧重确实很不一样。

从“算法原理”层面来看，卡尔曼滤波这类题的本质是“最优状态估计”——它用“预测+更新”两步走完成对系统状态的递归估计，被广泛用于传感器融合、定位、跟踪。面试时问到这类题，我会建议先讲清楚它的两个核心公式（预测方程、更新方程），再结合某个具体场景（比如手机GPS和惯性导航的融合）来说明它为什么能降低噪声。如果你能补充“卡尔曼增益”是怎么在“预测的不确定性”和“测量的不确定性”之间做权衡的，面试官基本上就满意了。

3.3 复杂度分析与经典算法：Dijkstra、快排、堆排的边界条件

经典算法题在小米这套问答题里的考察方式，并不是“请默写代码”，而是“这个算法的边界条件是什么”“这个算法在什么场景下会退化”“这个算法的优化思路是怎样的”。

比如Dijkstra算法。经典问题是“为什么Dijkstra不能处理负权边”，答案是因为它一旦确定某个节点的最短路径后就不会再重新访问，而负权边很可能在后续被访问时产生更短的距离。如果你能进一步补充“那如果要处理负权边，应该用Bellman-Ford或者SPFA”，说明你不仅知道Dijkstra，还知道它的局限性和替代方案。

再比如堆排序。面试官常问：“堆排序是不稳定排序，为什么？如何进行稳定性优化？”堆排序不稳定的原因在于堆调整过程中，相同元素的相对顺序可能被打乱。要在实际工程中获得稳定排序，通常的做法是给每个元素增加索引号，排序时以“（值，索引）”为键，索引变大则值相同但索引不同，排序结果就稳定了。这种变体思路在实际业务排序中是真实存在的技巧。

算法复杂度分析更是必考。面试官会给你一段代码，让你说出时间复杂度；或者给你两个算法，让你比较它们在特定输入下的表现。这里有个实用技巧：判断复杂度时先看循环嵌套的层数，再看每层循环的迭代次数是否与输入规模有关。如果出现“分治”结构（比如归并排序），一定涉及log n。如果涉及“递归+重复计算”（比如没有优化的斐波那契递归），时间复杂度会是指数级。掌握这些快速估算技巧，能让你在现场问答中更快给出答案，而不用一步步画递归树。

4. 综合能力与场景设计题：面试官真正想看的“算法工程师素养”

4.1 从规则引擎的Rete算法到推荐场景设计：把知识迁移到业务问题

候选人在面试中最容易“翻车”的，其实不是纯理论题，而是场景设计题。这类题通常会给你一个业务场景，比如“请设计一个电商首页的推荐排序算法”“如何判断一个用户是否会对某个商品感兴趣”，然后观察你的解题思路是否严谨、是否具备系统思维。

我的习惯是，无论遇到什么场景题，先把框架搭出来，至少包含四步：

• 第一步：明确目标和约束。目标是提升点击率还是转化率？约束是延迟、算力成本、数据质量等。
• 第二步：定义输入和输出。输入有哪些特征？输出是什么形式？是排序还是打分？
• 第三步：选择算法基线。先用逻辑回归/GBDT做一个可解释的强基线，再考虑深度学习模型。
• 第四步：设计离线评估和线上验证方案。离线用AUC、NDCG、GAUC等指标，线上做AB测试，并设定明确的成功标准。

这套框架是我应对所有场景题的“万能发动机”。哪怕你对某个具体业务不熟悉，只要把这个框架搭出来，再往里填充具体的算法细节，面试官就能看到你的结构化思维能力。而且框架本身就是“算法工程师的基本素养”——它说明你不仅有算法知识，还知道怎么把算法用到真实业务中。

4.2 从“KL ELBO算法原理”到“推荐召回”：理解型问题很考验“算法深度”

“KL ELBO算法原理详解”出现在热搜词里不是偶然。Variational Inference（变分推断）里那个著名的ELBO（Evidence Lower Bound），是很多进阶机器学习岗位面试里非常能拉开分差的题目。它表面上考的是数学推导，实际上考的是你是不是真正理解“为什么我们要优化ELBO”。

关于ELBO，我建议用一句话讲清楚核心：我们想计算后验分布P(z|x)，但通常它很难直接计算，所以引入一个变分分布q(z)去近似它。KL散度是衡量两个分布距离的指标，但它不可直接优化，所以我们转而优化它的下界——ELBO。当ELBO最大化时，KL(q||P)就最小化，所以q就是P的最优近似。

面试官如果继续追问“ELBO = E[log p(x|z)] - KL(q(z)||p(z))，第一项和第二项分别代表什么”，你要能答出：第一项是重构似然（让观测数据尽可能被解释），第二项是正则项（让近似后验不要偏离先验太远）。这个“重构+正则”的结构，在所有生成模型（从VAE到扩散模型）里都反复出现。如果你能把KL散度、ELBO、VAE之间的关系串起来讲，面试官对你的评价会明显上一个台阶。

RL（强化学习）在算法工程师面试中也经常出现，尤其是“强化学习算法”这个热搜词出现在题库里时，你要知道怎么准备。常见考点包括：

• MDP（马尔可夫决策过程）的五元组。
• 值迭代和策略迭代的区别。
• 蒙特卡洛和时序差分（TD）的区别。
• 深度强化学习（DQN、PPO）里“经验回放”和“目标网络”的作用。
• 探索与利用的平衡：epsilon-greedy、UCB、Thompson Sampling。

实话实说，强化学习在2018年的互联网算法岗面试里占比不大。但如果你投递的岗位偏向推荐系统、智能控制、自动化决策，RL知识会是很好的加分项。我当时准备RL时给自己定的目标是：能讲清楚MDP和DQN的基本原理，能画出来DQN的训练流程图，能说清楚目标网络为什么能提高稳定性——这样就足够应对大多数初级RL面试题了。

4.3 深度学习部署与端侧推理：算法工程师的“隐性能力”

最后，我想专门聊一个容易被忽视但它确实出现在2018年小米算法工程师考察方向里的知识点——深度学习部署与端侧推理。为什么小米会关注这个？因为小米有大量的手机、音箱、摄像头等终端设备，算法工程师做出来的模型不能只是在服务器上跑，还要能塞进设备端，跑得又快又省电。

这类问题常见的问法有：“模型太大，如何在手机上跑起来？”“模型推理速度太慢，有什么优化手段？”“如何在嵌入式设备上做目标检测？”

备考时你需要掌握这几个方向：

• 模型压缩：剪枝（Pruning）、量化（Quantization，从FP32降到INT8）、知识蒸馏（Knowledge Distillation）。
• 推理加速：算子融合（比如Conv+BN融合）、TensorRT/NCNN/MNN等推理框架的使用。
• 软硬件协同：如何利用NPU/GPU的算力特性做算子优化。

这类题的关键不是你会不会用某个框架，而是你有没有“端侧算法工程师”的全局视角——从模型设计到模型压缩，再到推理加速，最后到业务指标验证，整个链条都想清楚。我面试过不少候选人，能把模型训练说得头头是道，但一问到“模型部署时INT8量化后精度下降怎么办”，就支支吾吾。这是个明显的短板，因为你不能只会“造模型”，还要会“养模型”，模型在业务里真正跑起来才算落地。

5. 备考策略与实战建议：踩过这些坑，你就能少走一半弯路

5.1 刷题和看理论的黄金配比

说句过来人的话：准备算法岗面试，切忌“只刷题”或者“只看理论”。我见过两种典型的失败者：

• 只刷题：LeetCode刷了500道，但被问到“为什么用梯度下降而不是直接求导”时，一脸茫然。
• 只看理论：把《统计学习方法》翻了一遍，但让他在白板上写一个快排，10分钟没写利索。

我的建议是“三分理论，七分代码”。理论复习用来架构知识体系，代码练习用来把你理解的理论固化成肌肉记忆。如果时间紧，优先保证以下基础能力：

• 能手写常见排序算法，并能说出时间/空间复杂度及稳定性。
• 能独立推导反向传播过程（至少全连接网络的版本）。
• 能完整解释K-Means、KNN、朴素贝叶斯、逻辑回归这四大经典算法的原理和适用场景。
• 能独立完成一个深度学习项目（数据+模型+评估），熟悉整个流程。

5.2 如何利用“问答题”形式备考

小米这套题的关键词是“问答”——它不是让你写代码，而是让你“说清楚”。这意味着你需要走出潜意识里的舒适区，尝试用口头表达梳理算法知识。这是一个和刷题完全不同的技能，很多人会在这上面失分。

我的训练方法是“自我面试”：每学一个算法，就把它当成一道问答题，对着空气讲一遍。讲的时候注意三点：

• 第一，逻辑是否自洽？先讲什么、再讲什么，要让人听得懂。
• 第二，是否啰嗦？如果5分钟讲不清楚一个概念，说明你还没吃透。
• 第三，是否能应对追问？比如讲完K-Means，自己追问“K-Means++的初始化改进是怎么做的？它解决了什么问题？”

这种方法比反复看笔记有效十倍。你背得再多，到了面试现场动嘴说的时候，紧张感会暴露所有没吃透的地方。提前练习“说人话”，就是提前给未来的自己降低焦虑水平。

5.3 时间线规划与冲刺阶段的优先级排序

如果你现在正处于秋招冲刺期，我建议按这个优先级来分配时间：

1. 常见数据结构与算法题：O(n log n)排序、二分、BFS/DFS、动态规划经典题、字符串匹配。
2. 机器学习的核心算法原理：逻辑回归、SVM、决策树/GBDT、KNN、K-Means、朴素贝叶斯。
3. 深度学习核心：反向传播、CNN、RNN、过拟合方法、激活函数选择。
4. 数学基础：概率论（MLE/MAP）、线性代数（矩阵求导、特征值）、最优化（梯度下降/牛顿法）。
5. 项目经验梳理：挑1-2个最能体现你价值的项目，把“背景-方案-难点-结果”反复练熟。

最后这一项，我必须特别强调。面试官最常问的一句话就是“你项目中遇到的最大挑战是什么，你怎么解决的？”你如果没有提前打磨好这个回答，哪怕前面理论知识答得再漂亮，也容易在这道题上扣分。所有面试准备中，我觉得“项目复盘”是最重要又最容易被忽略的一环。

一点现身说法的经验

当年临近秋招那阵子，我每天刷题到凌晨一点，第二天还要爬起来啃概率论。那段时间压力确实大，但我后来复盘发现，真正让我在面试里稳住阵脚的，不是记住了多少公式，而是我把“问答题”当成了一种思维训练——每学一个算法，习惯性地追问自己三个问题：它解决什么问题？它为什么这样做？它有什么局限？

这三问看着简单，却能让你在面试官眼里从一个“背书的候选人”变成一个“真正懂算法的工程师”。小米2018年这套题，表面上是十几道散装的知识点，但当你把它拆开看，你会发现面试官真正想找的就是具备这种“底层思维”的人——能拆解问题的本质，能把抽象的知识落到具体的业务场景，能在30秒之内把思考过程组织成有条理的语言暴露出来。

希望我的这些解析能帮你少走一些弯路。面试这件事，与其说是博弈，不如说是“让别人看到你思考问题的方式”。祝你在秋招路上打怪升级顺利，早日拿到满意的offer。