迅雷AI工程师笔试复盘：核心考点与答题策略

2018年秋招季，我投了迅雷的AI工程师岗位。当时在线笔试用的是第三方评测平台，限时90分钟，分选择题、简答题和两道编程题。说实话，那年头AI岗的笔试还没有现在这么“卷”，但迅雷的卷子考察面挺综合的，既考机器学习理论，也考代码功底，还会结合业务问你工程落地的问题。这篇文章是我结合当时的回忆和同届同学交流整理的考点复盘，列一些典型题型的思路分析和易错点，给后来准备算法岗笔试的同学做个参考。

1. 笔试整体结构与考察思路拆解

1.1 迅雷AI岗位的考察定位

迅雷这家公司，大家熟悉的是下载加速和流媒体，但AI团队在2018年前后主要做的事情是视频内容理解、画质增强、智能推荐、用户画像，以及分布式训练平台的建设。所以笔试的考察点不会纯考学术模型，而是偏向“能落地”的算法和工程能力。

我当时拿到的A卷分三块：

• 选择题（约20道）：覆盖机器学习基础、深度学习基础、概率统计、数据结构。
• 简答题（2-3道）：一般涉及模型推导或场景设计，比如“LR为什么要用交叉熵而不是MSE”“如何在短视频场景下做去重”。
• 编程题（2道）：一道偏数据结构和算法，一道偏机器学习实现。

从结构能看出来，迅雷关注的不只是你会不会调包，还看你有没有数学功底和代码实现能力。这一点和很多大厂算法岗笔试一致：面试官默认你了解那些常用模型，笔试主要筛掉“只会调用、不懂原理”的人。

1.2 考察维度与权重参考

我根据后续面试过程中侧面了解到的信息，结合笔试内容，大致拆出这样的权重：

你发现没有：数据结构与算法依然占了五分之一。哪怕是AI岗，编程基本功还是硬门槛。很多同学花大量时间死磕模型细节，结果在第一道编程题上卡住，反而丢了最基础的分数，这一点特别可惜。

2. 机器学习基础高频考点解析

2.1 正则化与过拟合：L1和L2的本质区别

这类题目几乎是每年笔试必考的。选择题常见考法有两种：一是给你四个选项，问哪个手段不能防止过拟合（答案经常是“增加训练轮数”或“减少训练数据”）；二是问L1和L2正则化在解空间上的区别。

L1正则化（Lasso）之所以能让参数变稀疏，是因为它在参数空间中对应一个菱形约束区域，最优解更容易落在坐标轴上，从而把某些特征的权重压成0。L2正则化（Ridge）对应圆形约束区域，能压缩参数大小，但不至于让参数变成严格的0。

如果简答题让你“从贝叶斯视角解释L1和L2”，你就得说出来：L1等价于给参数加了拉普拉斯先验，L2等价于加了高斯先验。拉普拉斯分布在0处概率密度最高，所以MAP估计更容易得到稀疏解。

我当年写这道题的时候，额外加了一句“在特征维度极高但样本量有限的场景下，L1可以自动做特征选择，对工业界特征稀疏的场景非常实用”。这种落脚到业务的补充，比干巴巴列公式更能拿分。

2.2 模型评估：AUC、PR曲线、F1的适用场景

选择题经常问的是“正负样本极度不平衡时，用哪个指标更好”。答案一般是PR曲线或F1，而不是准确率。因为准确率在正样本只占1%的时候，全部预测为负也能达到99%的准确率，完全失去参考价值。

AUC也有个特点是正负样本比例变化时基本保持稳定，所以像CTR预估这种场景，业内依然常用AUC。但如果关注的是“在有限的精密度下尽量召回更多的正样本”，PR曲线更直观。

有一道选择题我记得很清楚：给了混淆矩阵里的TP、FP、FN、TN数值，让你算Precision和Recall。这种题不需要动脑子，但很多人会在分母上栽跟头——Precision分母是TP+FP，Recall分母是TP+FN，千万别搞反。

2.3 经典模型对比：LR、SVM、GBDT

简答题常出“LR和SVM的区别”。答题要抓住几个关键维度：

• 损失函数不同：LR是交叉熵（对数似然损失），SVM是合页损失。
• 目标不同：LR建模的是后验概率，SVM找的是最大间隔超平面。
• 对异常值敏感度：LR对全部样本都敏感，SVM只受支持向量影响，因此SVM对远离决策边界的异常点更鲁棒。
• 处理非线性：LR需要手工做特征交叉核变换，SVM可以直接用核函数。

2018年前后，GBDT在工业界特别火，所以笔试也常考“GBDT和随机森林的区别”。一个核心点在两者都是树模型集成，但随机森林是Bagging，每棵树并行训练，降低方差；GBDT是Boosting，每棵树拟合前面残差，降低偏差。随机森林对异常值更鲁棒，GBDT对异常值敏感，容易过拟合。

2.4 特征工程与数据处理

有一道简答题是“给你一批用户点击日志，怎么构造特征”。这题没有唯一答案，考察的是你平时做特征工程的思路。我当时写的框架是：

• 统计特征：每个用户点击次数、点击率、平均停留时长。
• 序列特征：点击过的内容ID序列，用Embedding或统计频次表示。
• 时间特征：最近一次点击距现在的时间间隔、点击时间段分布。
• 交叉特征：用户类别与内容类别的组合，或用户活跃度分段与内容时长的组合。

回答这种题的核心是展示思路，别只给一两个特征就停了。面试官想看你有没有体系化的思考习惯。

3. 深度学习与算法题考察方向

3.1 CNN基础：卷积计算与感受野

2018年笔试题里，深度学习权重不低。最基础的考法是给一个输入尺寸、卷积核大小、步长和padding，让你算输出尺寸。公式是：

输出尺寸 = floor((输入尺寸 - 卷积核大小 + 2 × padding) / stride) + 1

如果输入是32×32，卷积核是3×3，stride=1，padding=0，那输出就是30×30。看似简单，但很多人会忘了stride向下取整的细节。

还有个高频概念“感受野”。简答题会问“两层3×3卷积的感受野等于一层多大卷积核的感受野”。答案是5×5，但参数数量更少、非线性更强。计算感受野有递推公式：

RF_{l} = RF_{l-1} + (kernel_size - 1) × stride_{l}

这个公式在选择题里换几个数字就能考，你要记住的是：stride大于1时感受野会加速增长，而不是简单叠加。

3.2 激活函数的选择与梯度消失

选择题常考“为什么ReLU比sigmoid好”。几个要点：

• sigmoid在两端梯度趋近于0，容易造成梯度消失。
• sigmoid输出均值不为0，会使得深层网络收敛变慢。
• ReLU在正区间梯度恒为1，缓解梯度消失，计算也简单。
• ReLU有个问题是负区间梯度为0，导致神经元“死亡”，所以后面才有LeakyReLU、PReLU等变体。

当年有一道题考的是“sigmoid函数的导数最大值是多少”。如果对sigmoid函数表达式熟悉，会求导，能得出最大值是0.25。这个数很关键，因为多层sigmoid堆叠时，每层梯度都要乘以一个小于1的数，层数一深，梯度基本就消失了。

3.3 反向传播与Softmax

有一道编程题我印象很深，是让你实现Softmax的前向和反向。题目不复杂，但把“类和对象”“矩阵运算”和“梯度推导”串在一起，纯靠背代码容易写崩。

Softmax前向是：

exp(x_i) / sum_j exp(x_j)

实现的坑在于数值稳定性。当x_i很大的时候，exp(x_i)会溢出，所以要先减去最大值：exp(x_i - max_x)，这样分子分母同时缩放了相同倍数，结果不变，但数值稳定。

反向传播的推导是多数人的死穴。其实核心就一句话：Softmax和交叉熵搭配时，梯度是p - y，其中p是预测概率，y是one-hot标签。但如果单独实现Softmax反向，就得推导Jacobian矩阵，对角项是p_i(1-p_i)，非对角项是-p_i p_j。笔试时我把这个写成了公式附在代码注释里，后来复盘觉得这种“代码+推导”的做法对拿分蛮有优势。

3.4 RNN与LSTM的考察

选择题常见考法是问“LSTM解决了RNN的什么问题”。标准答案是梯度消失和长期依赖。展开说就是LSTM通过输入门、遗忘门、输出门控制信息的保留和遗忘，让梯度能通过“细胞状态”这条高速公路传得更远。

当年还考了一道“RNN能不能并行训练”的判断题。答案是很难并行，因为时间步之间存在顺序依赖。Transformer是2017年提的，笔试时不算主流，但如果你当时能提一句“用注意力机制替代循环结构，可以并行计算”，妥妥的加分项。

4. 编程题实战：两道经典题目拆解

4.1 题目一：TopK问题，海量数据找最大K个数

这题当年是必考的经典题型，可能以“求一个数组里最大K个元素”的形式出现。它考察的不是你会不会排序，而是对复杂度敏感不敏感。

• 暴力排序：O(n log n)。
• 小顶堆维护K个元素：O(n log K)。
• 基于快速排序思想的partition：平均O(n)。
• 如果数据在磁盘上放不下，需要分布式或外排序。

我当时写的是小顶堆版本。用Python的话，标准库heapq搞定：

import heapq def top_k(nums, k): return heapq.nlargest(k, nums)

但笔试一般不允许直接调nlargest，因为考察点就是你自己能不能实现堆化过程。我手写了一个堆的调整函数：

def shift_down(heap, root, size): while 2 * root + 1 < size: child = 2 * root + 1 if child + 1 < size and heap[child + 1] < heap[child]: child += 1 if heap[root] <= heap[child]: break heap[root], heap[child] = heap[child], heap[root] root = child def top_k(nums, k): heap = nums[:k] # 建小顶堆 for i in range(k // 2 - 1, -1, -1): shift_down(heap, i, k) for x in nums[k:]: if x > heap[0]: heap[0] = x shift_down(heap, 0, k) return heap

这里最容易被忽视的是边界情况：k等于数组长度时直接返回原数组排序，k等于0时返回空数组。在线笔试平台不会给你的代码做人性化处理，只要有一个边界没覆盖到，运行时直接报错，那一整题就废了。

4.2 题目二：实现K-Means的一轮迭代

这道题放到现在可能算常规，但在2018年看到的时候我还愣了一下，因为平时刷LeetCode完全刷不到这种题。题目大致是：给你一组二维点坐标和初始簇中心，要求实现一轮K-Means迭代，输出更新后的簇中心。

思路分两步：

1. 对每个点，计算它到所有簇中心的距离，把它归属到最近的簇。
2. 对每个簇，计算簇内所有点的均值，作为新的簇中心。

我用Python写了个简洁版本：

def kmeans_one_iter(points, centers, k): clusters = [[] for _ in range(k)] for p in points: dists = [sum((p[i] - c[i]) ** 2 for i in range(len(p))) for c in centers] idx = min(range(k), key=lambda i: dists[i]) clusters[idx].append(p) new_centers = [] for cluster in clusters: if cluster: m = len(cluster) new_centers.append([sum(p[i] for p in cluster) / m for i in range(len(cluster[0]))]) else: new_centers.append([0.0] * len(centers[0])) return new_centers

注意事项：

• 距离用欧氏距离的平方就行，不用开根号，省去浮点误差还省计算。
• 空簇的处理很关键。严格来说要重新初始化或保留原中心，我这里是先置零，如果平台有时间限制，后续可以把空簇重新赋值为一个随机点。
• 输入的数据可能是float，最小化距离的索引在Python里用min(range(k), key=...)比较高效。

这种考察方式其实是提醒你：AI工程师的笔试不只是LeetCode，机器学习经典算法也得能手写。你天天调sklearn，但让你脱离库实现一轮迭代就卡壳，说明基本功还是不牢。

4.3 编程题通用答题策略

在线笔试平台的判题机制不一样，有的只看输出结果，有的还有部分用例分。我的经验是：

• 先写暴力解拿部分分，保证不是0分。
• 再逐步优化，而不是一开始就冲最优解。
• 代码里多写注释，告诉判卷人（如果人工看的话）你的思路。
• 一定要自测示例输入，确认输出格式和题目要求完全一致，包括换行、空格、小数位数。

2018年那会儿，有的平台输入输出格式比较死板，多余打印一行调试信息都会判错。别问我是怎么知道的。

5. 在线笔试的答题策略与踩坑实录

5.1 时间分配的“二八法则”

90分钟做20道选择题加2-3道简答加2道编程题，时间其实偏紧。我的策略是：

• 选择题控制在30分钟内，遇到不会的先用排除法选一个，标记下来，别恋战。
• 简答题每道控制在10分钟内，答要点、画框架、列公式，别写小作文。
• 编程题给每道留20分钟以上。

很多同学死磕一道简答题，结果编程题只剩10分钟，能写好才怪。笔试的目标是总分最大化，不是每道题都完美。

5.2 环境与IDE适应

2018年在线笔试平台一般提供网页版IDE，那个自动补全和代码高亮都还行，但运行速度一般。你平时在本地用PyCharm/Jupyter写习惯了，突然换到网页编辑器，手指都像是别人的。

我的建议是考前一定用牛客网或赛码网刷几道题，熟悉网页编辑器的操作节奏，特别是缩进和括号匹配。另外，Python版本可能有差异，优先写兼容Python 2和Python 3的代码，像print加不加括号这种问题，在平台上直接可以决定你第一题能不能过。

5.3 输入输出格式的坑

在线笔试最常见的翻车点不是算法不会，而是输入输出格式不对。题目给的是“第一行一个整数n，第二行n个整数”，你必须一行一行读，不能用input().split()一把梭，如果某一行有多余空格就会出错。

我写了一个通用模板：

import sys def main(): data = sys.stdin.read().strip().split() if not data: return n = int(data[0]) nums = list(map(int, data[1:1+n])) # 业务逻辑 if __name__ == "__main__": main()

这样能用，但要注意：如果业务是先读一行处理一行，比如多组测试用例，一次性读取反而容易搞混顺序。务必看清题目约定。

5.4 在线笔试平台的“隐形规则”

在线笔试平台一般有防作弊机制，比如切屏超过几次会被警告甚至强制交卷。我当时接到过“检测到切屏，请保持专注”的提醒，吓得赶紧关掉所有其他窗口。

另外，千万不要在代码里写明文输出特殊字符来标记做题痕迹，比如打印“this is candidate answer”，这种操作一旦被人工复核看到，轻则扣分重则取消成绩。写代码就老老实实提交。

5.5 简答题的答题模板

简答题最怕的是“会但说不清楚”。我总结了一个万能框架：

• 先一句话给结论。
• 再用公式或图示解释核心原理。
• 最后结合业务场景说“所以在这个场景下应该怎么选”。

比如问“为什么用AUC而不是准确率进行评估”，回答顺序是：

1. 准确率在样本不平衡时会被多数类主导。
2. AUC衡量的是模型对所有样本排序能力，不依赖具体阈值。
3. 在点击率预估这类正样本稀少的业务场景，AUC能更稳定地反映模型效果。

这种回答问题的方式，能让面试官觉得你不是背答案，而是真的理解这个指标背后反映的业务含义。

5.6 心态层面：别让一两道题毁掉整场考试

在线笔试和面试不一样，你看不到面试官的表情，遇到一道完全没思路的题很容易陷入焦虑。我的体会是：遇到不会的题，先跳过，把所有能拿的分拿到手，再回头啃硬骨头。有些题看着很难，但写几行暴力解可能就过了部分用例，分数照样能拿。

那年我做一道关于LSTM的反向传播推导题时完全卡壳，当时选择先去做后面的编程题，最后剩10分钟回来硬写了一个框架，虽然不完整，但至少写了前向和损失部分的公式，没让这道题彻底空掉。后来复盘想想，这种“先保底再攻坚”的节奏，大概是那次笔试我能顺利进入面试环节的重要原因。

说到底，这类校招笔试不是要你拿满分，而是要让面试官看到你的思维方式和工作潜力。把基础数学原理吃透，把经典代码实现烂熟于心，把业务场景和技术选型结合起来讲清楚，你的通过概率自然就上去了。