2025算法岗面试核心考点与实战攻略：从机器学习到大模型全解析

2025年算法岗的卷，已经不是在比谁会调包、谁能背两道 LeetCode 了，而是真正在比谁能把模型原理讲透、能在白板上把代码写干净、能把业务问题拆成可落地的技术方案。小红书这类内容社区的算法/AI岗，招聘方向横跨推荐、搜索、NLP、多模态、大模型应用、电商与商业化，面试题的范围看起来很大，但高频考点其实非常集中。我这两年帮团队筛简历、做技术面，也给一些朋友做过模拟面试，最大的感受是：很多候选人不是不会，而是不知道面试官到底在问什么、想听什么。这篇文章把我见到的、被反复问到的题目按模块拆开，不仅列题，还讲答题思路、讲背后的考察点、讲我踩过和见过的坑，给准备投算法/AI岗的同学一份能直接照着准备的地图。

1. 先说清楚：小红书算法/AI岗到底在考什么

1.1 岗位分类与能力模型拆解

拿到面试题之前，先搞清楚对方要什么样的人。小红书算法岗大致可以分成几类：推荐算法、搜索算法、NLP/多模态算法、大模型应用、风控/审核算法、电商与商业化算法。不同方向的面试侧重点差异相当大。

• 推荐算法：重点考机器学习基础、特征工程、召回/排序/重排的链路设计、用户行为建模、冷启动、A/B实验。
• 搜索算法：偏相关性、排序模型、query 理解、向量检索、重排，还常会问 BM25、Embedding 检索这类具体技术。
• NLP/多模态：Transformer 全家桶、预训练/微调、图文理解、视频理解、OCR、ASR，也会涉及多模态对齐。
• 大模型应用：RAG、Agent、模型微调（LoRA、全参微调）、提示词工程、评估体系，2025 年这个方向明显变多了。
• 风控/审核算法：文本/图像/视频的内容理解、异常检测、小样本分类，对业务理解要求高。
• 商业化算法：CTR/CVR 预估、出价策略、广告与自然内容的混排，讲究转化和平台生态的平衡。

技术面之外，小红书比较看重"业务 sense"。同一个模型，你能不能讲清楚它在这个内容平台上的适用边界；同一个指标，你知不知道它上涨可能带来的生态副作用。面试官会反复通过追问来探测你是真懂还是背的。

1.2 面试流程与各轮考察重点

小红书算法岗的面试流程一般是：技术初面（算法题 + 机器学习基础）→ 技术二面（项目深挖 + 场景题）→ 交叉面/三面（系统设计或业务方案）→ HR 面。有的部门还会先做一轮笔试，笔试里手撕代码占大头。

初面特别爱考"机器学习基础 + 一道中难度算法题"，这一轮挂人最多。很多人死在算法题上，但更常见的是：代码写出来了，讲不清楚复杂度；或者模型八股答得滚瓜烂熟，却被一个"为什么"追问到卡壳。二面和三面则明显偏应用，会让你现场设计一个推荐场景，或者围绕你简历里的一个项目连环追问。这个环节拼的不是知识广度，是思考和表达的结构化程度。

我建议所有准备面试的人，先把下面这几个高频问题背成条件反射：过拟合怎么解决、样本不均衡怎么办、Embedding 是怎么学出来的、A/B 实验怎么设计、推荐系统召回和排序的区别。这些不是难题，但几乎每场面试都会以某种形式出现，答得好是基本分，答不好直接出局。

2. 机器学习与推荐系统：面试占比最高的核心区

2.1 推荐链路题：召回、排序、重排一条龙

推荐系统是小红书算法岗的重头戏，面试题也最成体系。最常见的开场是："从用户打开 App 到刷到一篇笔记，整个推荐流程是怎样的？"这个问题考察的是你对推荐链路整体架构的认知。

标准回答要能讲清楚三个阶段。召回阶段，从海量笔记里快速筛出几百篇候选，常用手段包括：双塔模型（user tower 和 item tower 各自 embedding，在线算向量相似度）、item-based CF、向量检索（HNSW、IVF）、热门兜底。排序阶段，对候选做精排，输入特征规模大、模型容量高，常用 DIN、DIEN、MMoE 这类深度模型，输出 pCTR、pCVR、pLike、pFollow 等多个预估值。重排阶段，考虑多样性、新鲜度、位置偏差、商业约束，用 RR 类算法或规则做全局优化。

如果你只是把链路背出来，面试官会觉得你是在背书。更好的答法是补充细节和取舍逻辑。比如双塔模型为什么要用内积而不是 MLP？因为双塔最后的交互只有一个内积或余弦，item embedding 可以离线算好，在线只要算 user embedding 然后做向量检索，性能才能跟得上；但这也限制了 user 和 item 的交叉表达能力，所以后期很多团队会加 side information 或引入 attention。再比如：粗排存在的意义是什么，为什么不能直接精排？因为精排模型太重，面对百万级候选算不动，粗排用轻量模型或者小特征集先砍到几千，才有条件做精排。你把这些讲出来，面试官才会觉得你有过真实的工程思考。

2.2 经典模型与损失函数题：从 LR 到多任务学习

推荐排序方向的高频题基本绕不开这几道：Wide & Deep 为什么有效？DeepFM 的 FM 部分解决什么问题？MMoE 和 shared-bottom 的区别？DIN 的 attention 用在哪个维度？多任务学习怎么做 loss 融合？我强烈建议你把每篇论文的"动机"和"为什么这样设计"回答清楚，不要只背结构图。

举一个我常用来考察候选人的题："用户行为序列怎么建模？"这道题可以从三个层次回答。第一层是统计特征，比如过去7天点击某类笔记的次数，简单有效但表达能力弱。第二层是序列模型，把行为 item 的 embedding 序列扔进 GRU/attention，得到行为表征。第三层是 target-aware 的 attention，也就是 DIN 的做法，让行为序列里的每个 item 跟候选 item 算相关度，再加权求和。为什么 DIN 在淘宝、小红书这类场景有效？因为用户行为高度多样，用户在刷笔记时，到底是出于什么兴趣点进当前这篇，跟他历史行为里的哪些行为相关，这个权重不应该是固定的，所以需要动态加权。能把"为什么用 attention"讲透，比背模型结构有用得多。

多任务学习也是高频区。小红书的场景里，一个笔记可能同时被点赞、收藏、评论、关注，甚至产生购买行为，不同目标之间又相关又有冲突。面试题通常问：为什么不用一个模型同时预测所有目标？这就是 MMoE 要解决的问题，shared-bottom 共享底层参数，但每个任务有独立的 expert 加权，gate 网络根据输入样本动态选择 expert 组合。如果再加一句"MMoE 增加了参数规模，小数据下容易过拟合，所以实际落地时还会做 sparse gate、或者退化为 shared-bottom"，面试官立刻知道你踩过坑。

2.3 特征工程与样本构造：容易被问懵的隐藏考点

不要以为特征工程已经过时了，恰恰相反，在小红书这类内容平台，特征工程和样本质量往往决定了模型效果的边界。面试官很喜欢从你简历里的特征入手，连环追问：这个特征会不会穿越？线上和线下的特征取值是否一致？缺失值怎么处理？为什么要做分桶？

一个经典问题是："用户点击率预测的样本，为什么不能用全部曝光来训练？"这道题考的是采样偏差。用户没有点击不代表不喜欢，可能只是没看到，或者位置太靠后。所以常见的做法是用曝光日志里有点击的样本作为正样本，负样本则是在未点击的曝光里进行降采样，降采样比例要进 loss 修正。另一个常见问题是 position bias，排在前面的笔记天然容易获得点击，如果不做处理，模型会学到"位置越靠前 pCTR 越高"的幻觉。解法可以是把位置特征作为特征输入，预测时把位置特征置为默认值；也可以用 Shallow Tower 这类模型专门建模位置偏差。

样本与特征的坑还有很多：统计特征的时间窗口边界怎么切，历史 label 不小心混进特征导致穿越；ID 类特征低频怎么做 hash 和过滤；连续特征长尾分布怎么做 log 变换或分桶。这些细节看起来朴素，却是面试中最能拉开差距的地方。我在实际面试里发现，能把"特征穿越"讲出具体例子的人，通过率明显高于只会说"要避免特征穿越"的人。

3. 数据结构与算法手撕题：热点算法逐个拆

3.1 排序与查找：高频必背与常见变形

算法手撕题是小红书笔试和初面的硬门槛。题型范围其实不广，集中在排序、二分、字符串、图论、动态规划和贪心这几类。先说排序。

快排、归并、堆排是必背项，不仅要能写出代码，还要能答出三个问题：时间复杂度怎么推、空间复杂度是多少、稳定性如何。我列个速查表：

手写快排时我建议直接写三路快排，也就是把等于 pivot 的元素集中到中间，这样能处理大量重复元素，避免退化。同时注意随机选 pivot，这是防止最坏情况最简单的方式。堆排序的高频衍生题是 TopK：在海量数据里找最大的 K 个，用大小为 K 的小根堆，堆顶是当前第 K 大，每来一个新元素跟堆顶比较，如果更大就替换并调整堆，复杂度 O(N log K)。如果面试官继续追问"几亿个数据，K 又特别大怎么办"，可以提分桶或基于快速排序思想的 BFPRT 算法。

3.2 字符串与 KMP：next 数组到底怎么算

字符串匹配中，KMP 算法是面试的高频理论题，尤其喜欢让你手动算 next 数组。先强调一个现实问题：不同教材对 next 数组的定义有偏移，有的next[i]表示前 i 个字符的最长相等前后缀长度，有的则整体右移一位、next[0] = -1。面试时先跟面试官确认定义，能避免很多尴尬。

以常见的"最长相等前后缀"定义为例，模式串p = "abacaba"的 next 数组计算过程如下：

所以next = [0, 0, 1, 0, 1, 2, 3]。我在模拟面试时发现不少候选人能写出 KMP 代码，但一被问到"为什么失配后 j 要跳转到 next[j-1]"就卡住。核心思想是：当p[j]和s[i]失配时，p[0..j-1]已经匹配成功，那么这一段里最长的相等前后缀长度正好是next[j-1]，我们可以把模式串滑动到这个前缀的后一位继续比较，避免从头开始。把"为什么能跳"讲清楚，这道题就过关了。

3.3 图论与匹配：二分图 HK 算法用在哪儿

图论题在算法岗面试里出现频率不低，尤其是二分图相关。最经典的题是"给定一些 pair 关系，求最大匹配数"，朴素解法是匈牙利算法，每次找一个增广路径。二分图 HK（Hopcroft-Karp）算法则是它的优化版，通过 BFS 分层 + DFS 多路增广，把复杂度从 O(VE) 降到 O(E√V)。面试中让你手写 HK 的概率不高，但很可能会让你解释匈牙利算法的增广路径思想，顺带提升到 HK 能优化在哪里。

我建议把"增广路径"这个概念理解透。匹配问题里，增广路径是一条从一个未匹配点出发、交替经过非匹配边和匹配边、最后到达另一个未匹配点的路径，把这条路径上的匹配边和非匹配边取反，就能让匹配数加一。这个思维在很多场景题里都能复用，比如任务分配、商品和用户的偏好匹配。面试官如果问你"小红书里怎么给笔记分发作者标签"，本质上就是一个匹配/聚类的组合问题，你能联想到增广路径或者聚类算法，就算是有迁移能力。

3.4 动态规划与贪心：两种思路的判别

动规和贪心是算法题里最容易混淆的两类题。一个简单的判别方法是：贪心每一步只做当前看起来最好的选择，不能回头；动态规划则是枚举所有的子状态并记录最优值，通过状态转移递推。贪心算法不是不能用于决策问题，而是必须能证明贪心选择性质，比如区间调度问题按结束时间排序可以证明是最优的，但 0-1 背包就不能用贪心。

小红书算法岗手撕题里，动规题大多中规中矩：最长递增子序列、编辑距离、打家劫舍、背包问题。我建议你总结自己的状态定义套路，比如"dp[i] 表示以第 i 个元素结尾的 xxx"这个句式能解决一半的序列类问题。面试官最看重的是你能不能把状态转移的由来讲明白，而不是背出代码。如果时间不够，优先练高频题，不用追求题海。

3.5 元启发式算法：模拟退火与粒子群考不考

有同学看到网上热词里有"模拟退火算法""粒子群算法原理"，以为这是面试重点，其实不然。元启发式算法在算法岗面试中出现频率非常低，它们更多用于传统优化问题、路径规划、参数寻优等场景，跟小红书的推荐、NLP 方向并不直接相关。如果只是准备算法岗面试，不建议在这些方向上花时间；但如果你的研究方向是组合优化、内容分发策略优化，那么被问到的可能性会上升，至少要知道核心思想：模拟退火通过以一定概率接受更差解来跳出局部最优，粒子群通过种群中个体的位置和速度更新协同搜索。

需要特别提醒的是，不要把时间浪费在根本不相关的内容上。网上"热搜词"里混着不少嵌入式控制相关的算法题，比如 PID 算法、FOC 算法、MPPT 算法。这些是电机控制、电源管理领域的经典控制算法，跟小红书算法/AI岗的考察方向完全不搭。如果简历上没有相关背景，面试根本不会问；如果你硬要在回答里扯这些，反而显得抓不住重点。同样，像"音频重采样算法""拉普拉斯图像锐化"这类，只有在多模态/NLP 方向的面试里才可能被提及，属于方向性知识，不是通用考点。

4. 大模型与 AIGC 方向：2025 年新增的高频区

4.1 大模型基础：Transformer、RLHF、微调

到了 2025 年，如果面试算法岗完全不懂大模型，基本很难过关。小红书算法岗对大模型的考察集中在三块：Transformer 原理、训练对齐方式、参数高效微调。

Transformer 部分最常问的是 self-attention 的计算过程和为什么用缩放点积。Q、K、V三个矩阵分别代表查询、键、值，注意力分数是QK^T除以√d_k，再做 softmax，最后加权 V。为什么要除以根号 d_k？因为当维度很大时，点积的方差会变大，softmax 会进入饱和区，梯度容易消失；除以根号 d_k 能把数值范围拉回来。这个问题几乎必考，我建议你不仅要会答，还要能推导一下，说说如果不缩放会有什么现象。

RLHF 和 DPO 的对比也是热点。RLHF 分三步：SFT 训练一个基础模型，用人类偏好数据训练一个奖励模型，再用强化学习（PPO 或其变体）来优化策略模型。DPO 则跳过了显式奖励模型，直接从偏好数据里构造 loss，让模型学会偏好对齐。面试官常问"为什么 DPO 能替代 RLHF"，你可以从训练稳定性、资源消耗、是否需要在训练时做在线采样等角度回答。微调方面，LoRA 是必考概念，它把权重增量分解成两个低秩矩阵A和B，冻结原参数只训练增量，显存占用大幅下降。我会再补一句：LoRA 低秩分解的秩 r 怎么选，r 太小表达能力不够，r 太大又失去参数高效优势，一般从 8、16、32 里面试效果。

4.2 RAG 与 Agent：内容社区里的落地场景

小红书这类内容社区是大模型应用的最佳土壤之一：海量 UGC 笔记、用户真实问题、商品和笔记之间的关联，天然适合 RAG 和 Agent 落地。面试题通常会问："如果让你做一个基于小红书笔记的问答助手，方案怎么设计？"

RAG 的回答框架要完整：离线阶段做文档切分（chunking）、向量化、建立向量索引；在线阶段对用户 query 做改写/扩展、向量检索、重排序（rerank）、拼接 prompt 交给 LLM 生成。面试官会追问很多细节：切分粒度怎么定？切太长检索不精准，切太短丢失上下文；向量检索用什么模型，是通用 embedding 还是领域微调过的；召回的文档怎么融合排序，要不要加 BM25 混排；如果检索结果本身有噪声，怎么让 LLM 不被带偏。这些问题没有一个标准答案，但每一个都能看出你有没有真实做过 RAG 系统。

Agent 方向则更偏规划和工具调用。经典题是"设计一个能帮用户完成旅行规划的 Agent"，要拆解出意图识别、工具选择（搜索笔记、查天气、订酒店）、多步规划、记忆管理、结果验证这些模块。面试官想看的是你有没有把大模型当一个"会推理但会犯错"的组件来设计系统，而不是简单地"调 OpenAI API"。我见过不少候选人把 Agent 讲成了"用 function calling 调几个接口"，这远远不够，至少要能说出：失败重试机制怎么设计、多轮对话里的状态怎么维护、模型输出的结构化解析失败怎么办、安全边界怎么控制。

4.3 多模态理解与生成：图像、视频、音频题

多模态方向是内容平台的重头戏，面试题往往从"图文内容理解"切入。比如："给你一篇小红书笔记（包含图片和文字），你怎么判断它的内容质量？"这种题可以拆成多模态分类/回归任务：图像侧提取视觉特征，文字侧用文本编码器，再通过跨模态融合（例如 co-attention 或 cross-modal transformer）得到整体表征，最后接分类头输出质量分。如果再深一层，面试官会问"图文不对齐怎么办"，比如用户拍的图片和标题描述完全不相干，这就涉及跨模态语义对齐的评估与训练样本筛选。

图像处理的基础题也别丢：拉普拉斯算子做图像锐化为什么有效？它本质是二阶微分算子，模板通常是一个 3×3 的卷积核，中间的值为 8（或者 4），周围一圈为 -1（或 -2），它能提取图像中的高频分量，原图加上高频分量后边缘细节更清晰。音频相关的题，比如音频重采样，如果问到就解释：重采样是改变采样率，常见方法是插值（线性插值、sinc 插值）和抽取/滤波组合，关键是插值后要加低通滤波器防止混叠。这些题出现的概率不高，但在多模态方向的面试里属于"别人不会你会，就能拉开差距"的加分项。

还有一个方向是视频理解，高频题包括：抽帧策略怎么定、视频 embedding 怎么建模时序关系、怎么做视频摘要。小红书作为短视频内容平台，视频理解算法团队的需求明显，如果你有视频方向的项目经验，一定要准备一个端到端的案例。

5. 业务场景题与系统设计：怎么把算法变成产品

5.1 内容推荐场景设计：从用户打开 App 开始

到了二面三面，面试官会抛出一个开放式的场景题："请设计一套小红书发现页的推荐系统。"这类题目考的是系统设计能力和业务理解能力，没有标准答案，但有一个通用的答题框架。

先把问题拆清楚：要明确平台的核心指标是用户留存、使用时长、互动率，还是创作者生态的健康度。小红书的特殊性在于内容社区，用户既是消费者又是生产者，所以推荐系统不仅要让用户看得爽，还要让创作者的内容有曝光、有反馈。接着按链路展开：用户侧特征（画像、实时行为序列、长期兴趣画像）、笔记侧特征（内容标签、图文/视频质量分、生命周期）、场景特征（时间、地理位置、当前网络环境）；召回层做多路召回，排序层做多目标精排，重排层做多样性和生态约束。最后别忘了冷启动：新用户没有行为数据，可以用热门内容、地域内容、兴趣引导来兜底；新笔记没有互动数据，可以用内容理解（标签、视觉特征、文本 embedding）来打底。

面试官往往会追问一个关键点："你怎么在'用户兴趣'和'内容生态'之间平衡？"如果只会说"个性化推荐"肯定不够。可以这样答：排序目标里加入作者维度的反馈，比如这篇笔记给作者带来的涨粉量、作者历史内容的互动表现；重排阶段限制同一作者的笔记连续出现；对低互动但高内容质量的笔记，采用探索机制（例如 epsilon 探索或者 UCB 策略）给一定的曝光机会。能答出"既要又要"的取舍思路，才是面试官想听的。

5.2 搜索相关性设计：从 Query 到文档的匹配

搜索方向同样有高频场景题。核心是：用户输入一个 query，怎么从海量笔记里找到最相关的内容。基础框架包括 query 理解（分词、纠错、意图识别、实体识别）、召回（BM25 文本检索 + 向量检索）、精排（相关性模型 + 点击/互动排序模型）、重排（时效性、地域性、多样性控制）。

BM25 是搜索方向必考的概念，要能讲出它的核心思想：文档和 query 的相关性取决于词项频率和逆文档频率，公式细节不一定能全背下来，但要知道TF部分做饱和处理、IDF部分体现词的区分度、文档长度归一化。别小看 BM25，很多候选人在大模型时代一上来就谈向量检索，反而忽略了经典检索的稳健性。在垂直社区里，query 和笔记的口语化程度都很高，单靠向量检索容易语义漂移，混排 BM25 和向量召回是工程上稳妥的做法。

场景题还会延伸到搜索排序的目标：搜索结果里要优先展示高质量的笔记，同时要考虑广告的位置和相关性约束。这类问题可以用"目标函数 + 约束条件"的框架来答，比如：排序分数 = 相关性分数 × 内容质量 × (1 + 实时热度加权)，再通过重排算法保证广告占比不超过某个阈值、同类内容不扎堆。面试官不指望你的公式有多精确，而是想看到你把一个模糊的业务问题转化为明确的目标函数和约束条件。

5.3 审核与安全场景设计：内容理解技术的综合应用

内容审核和生态安全是内容平台不可回避的技术方向，也是算法岗面试中很容易被问到的一类场景题。如果面试官说"请设计一个识别低质或违规笔记的系统"，该怎么答？

从数据侧开始：文本、图像、视频、音频多模态信号都要覆盖。文本侧用关键词规则 + 文本分类模型 + 语义相似度检索；图像侧用图像分类、OCR（识别图片中的文字）、目标检测；视频侧抽帧检测，并结合语音识别结果；音频侧可以检测语音内容和背景音。然后把模型输出汇总成风险分，结合用户的历史行为（比如频繁发相似内容的账号）做综合判断。这里有经验可以分享：不要只做一个全局分类模型，规则和模型结合起来更稳，规则负责高置信度的命中，模型负责模糊区域的兜底，再由人工审核处理边界 case。面对不断变化的新问题，还要设计小样本快速迭代机制，比如用相似案例做 embedding 检索来发现新的违规模式。

这一部分的面试，其实是在考察你是否理解内容平台的治理逻辑，以及你如何用技术把不确定性问题变成相对可控的流程。答的时候要体现"多级策略 + 人机协同 + 迭代反馈"的设计思路。

6. 面试避坑与准备策略：过来人的几点实在建议

6.1 常见失败原因复盘

我筛过不少候选人，也见过很多人挂在很可惜的地方。最典型的有四类：

第一类是"模型八股背得溜，项目细节一问就没"。简历里写了"用 BERT 做文本分类，准确率提升 5%"，面试官问"训练集怎么构建的？负样本哪来的？准确率提升的显著性怎么验证的？"，答不上来，基本就凉了。项目经历一定要能讲到底层数据和特征，不能只讲模型名。

第二类是"手撕代码没有沟通，上来就闷头写"。面试官留着时间想引导你，你却不给反馈。正确做法是：先复述题目确认理解，再讨论数据范围和复杂度需求，然后说思路，得到认可再动手，写完主动举测试用例自测。

第三类是"对细节缺乏深入思考，一问为什么就露馅"。比如知道 W&D 用了 wide 和 deep 两部分，却不明白 wide 部分的存在意义是记忆低频特征交叉；知道 Dropout，却不清楚训练和推理时的行为差异。面试官特别喜欢追问"为什么"，追问本质上是想确认你是否真的理解，而不只是看过。

第四类是"开放题没有答题框架，东一句西一句"。一道系统设计题，讲了三分钟还没进入正题。一定要养成结构化表达的习惯，先定义问题，再拆模块，再讲关键点的取舍，最后给评估指标。

6.2 准备资料与刷题节奏

算法题按专题刷比按题号刷效率高得多。我建议按照"数组/链表 → 哈希 → 双指针 → 栈/队列 → 二叉树 → 回溯 → 动态规划 → 图论 → 字符串"的顺序过一遍，每个专题不用贪多，理解核心套路比刷满 500 题重要。手撕题的数量参考：面试前至少做到 200 道，其中高频题和经典题要能无脑写出来。

机器学习和大模型部分，除了论文，强烈推荐把关键的实现细节亲手跑一遍：自己写一个逻辑回归、自己实现一个 mini 的 Transformer、自己微调一次 LoRA。不是要你变成工程专家，而是只有亲手做过，你才能说出"我当时遇到什么问题、怎么解决的"这类真实素材，这在面试里比任何八股都值钱。

可以找朋友模拟面试，尤其是场景题和项目深挖题。我在帮人模拟时发现，很多候选人自己复习时觉得都会，但一旦被连续追问，就乱了阵脚。模拟面试能帮你提前暴露这个问题。

6.3 现场发挥技巧与心态调整

面试最后十分钟到十五分钟是反问环节，千万别浪费。建议问两类问题：一是关于业务和技术方向的，比如"这个团队目前主要的推荐优化目标是什么""你们怎么做多目标权衡"，能让面试官感觉到你是真的想来；二是关于团队协作和数据的，比如"算法和运营/产品之间怎么配合"，体现你的协作意识。不要一上来就问薪资和加班，那是 HR 面该问的。

如果真的遇到完全没思路的算法题，不要慌也不要装懂。可以尝试从暴力解法开始，先写一个复杂度高但正确的解，然后主动说"这里可以用 xxx 优化"；或者直接承认"这个类型的题我没有准备充分"，但要跟一句"如果让我从 DP 的方向想，我会先定义 xxx 状态"。面试官更容易被一个诚实且思路清晰的人打动，而不是一个背题背到答非所问的人。

从我自身的经验来看，算法岗面试最核心的素质不是知识面有多广，而是把知识讲清楚、把问题拆明白、把代码写干净这三种能力的组合。准备过程中，一定要多做输出式练习，不是"看懂了"，而是"讲出来"。能讲到让别人听懂，才说明你真的掌握了。祝所有正在准备的同学都能拿到满意的 offer。