2018字节跳动算法笔试复盘：高频考点与工程实践避坑指南
1. 2018年这批算法笔试到底在考什么
先交代一下背景：2018年是算法岗校招的一个分水岭。那一年头部互联网公司的算法HC还远没有后来那么紧张，但考察的深度和广度已经明显上来了。字节跳动当时还在快速扩张期，头条、抖音几个产品线都在大量招人，算法方向的笔试题目整体风格偏“实用+硬核”，不像有些厂那样纯考背诵，也不像另一些厂那样几乎全是论文题。
我印象里，2018校招算法方向第二批次的笔试题型大致分成三类：客观选择题、主观简答题、在线编程题。选择题和简答题覆盖的内容很杂，包括机器学习基础、深度学习基础、数据结构与算法基础、概率统计、线性代数，甚至还会混进一两道类似“粒子群算法的基本流程”“KMP算法中next数组怎么求”这种经典但容易被忽视的题目。在线编程题则更偏向数据结构和算法本身，常见的有最长公共子序列、拓扑排序、字符串匹配、排序变种题，以及一些需要贪心或动态规划优化的场景题。
这里我要多说一句：这轮笔试的整体难度在同批校招里属于中上。它的“难”不是体现在题目本身有多冷门，而是体现在时间紧、题量大、边界条件多。我认识的不少同学考完之后抱怨“选择题做不完，编程题第二题还没调完就到时间了”。所以如果你想拿这批offer，首要任务不是背多少冷门公式，而是把高频考点练到“肌肉记忆”的程度，尤其是排序、字符串匹配、动态规划这三块，基本是逢考必出。
另外还有一点值得注意：2018年字节跳动的笔试系统已经采用了实时判题模式，编程题不像后来有些平台那样允许你反复提交试错，判题反馈比较严格。所以平时练习时最好养成“一次写对”的习惯，尽量减少调试依赖。这个习惯在校招笔试里非常管用，因为真实考试环境下你的时间确实不够用来反复调试。
2. 数据结构与排序：笔试里的送分题和埋伏题
2.1 排序算法那张表，你必须烂熟于心
不管哪一年的算法笔试，排序算法都是雷打不动的考点。2018年这批字节跳动校招题目里，排序相关的内容覆盖了选择题、简答题和编程题三个题型。考察范围并不仅仅是“快速排序的时间复杂度是多少”，而是更倾向于让你“手写快排的partition过程”，或者“给定一个几乎有序的数组，选用什么排序算法最优”。
我把当年复习时整理的一张核心对照表放在下面，按笔试出现频率排序：
| 算法 | 平均时间复杂度 | 最坏时间复杂度 | 空间复杂度 | 稳定性 | 笔试出现频率 |
|---|---|---|---|---|---|
| 快速排序 | O(n log n) | O(n²) | O(log n) | 不稳定 | 最高 |
| 归并排序 | O(n log n) | O(n log n) | O(n) | 稳定 | 高 |
| 堆排序 | O(n log n) | O(n log n) | O(1) | 不稳定 | 高 |
| 冒泡排序 | O(n²) | O(n²) | O(1) | 稳定 | 中 |
| 插入排序 | O(n²) | O(n²) | O(1) | 稳定 | 中 |
| 希尔排序 | O(n log n) 平均 | 依赖gap | O(1) | 不稳定 | 低 |
| 计数排序 | O(n+k) | O(n+k) | O(k) | 稳定 | 低 |
| 桶排序 | O(n) 平均 | O(n²) | O(n) | 稳定 | 低 |
这张表需要掌握到什么程度？我当时给自己定的标准是：每一种算法的基本思想能用两句话讲清，能写出核心代码，能说出它在什么场景下最优。比如插入排序在数组“几乎有序”时效率极高，因为每个元素最多移动一两次就能就位；又比如快速排序最怕“每次partition都选到最小或最大的元素作为基准”，所以工程实现里一般会用“三数取中”而不是直接取第一个元素做基准。
2.2 快排的partition为什么值得反复手写
我见过太多人在面试或笔试前表示“快排我背下来了”，但一到手写环节就卡在partition上。字节跳动这种注重工程实现的公司，特别喜欢让你写partition，因为它能同时考察你对指针移动、边界处理、数组下标的理解。
这里分享一个我后来在无数面试里验证过非常稳的写法（Lomuto partition方案）：
def partition(arr, low, high): pivot = arr[high] i = low - 1 for j in range(low, high): if arr[j] < pivot: i += 1 arr[i], arr[j] = arr[j], arr[i] arr[i + 1], arr[high] = arr[high], arr[i + 1] return i + 1 def quick_sort(arr, low, high): if low < high: pi = partition(arr, low, high) quick_sort(arr, low, pi - 1) quick_sort(arr, pi + 1, high)这个写法的好处是逻辑清晰、不容易出错，面试时和面试官交流也方便。但它有个小缺点：对于含有大量重复元素的数组，Lomuto方案的效率会退化。遇到这种情况，更推荐双路快排（两端的指针同时向中间移动，遇到不等于基准值的才交换），或者干脆在partition之前先做一次随机选择基准值。笔试做排序类编程题时，随机化基准值这个优化能救你很多次。
2.3 堆排序和优先队列：笔试里的“常青树”
2018字节跳动的算法笔试里，堆相关的内容出现得很频繁。倒不一定直接让你“手写堆排序”，而是更喜欢给你一个场景，问你“怎么找到数据流里最大的K个数”“怎么合并K个有序链表”“怎么求中位数”，这些问题的标准解法都离不开堆。
我建议你至少能手写一个简单的二叉堆，包括上浮（sift up）和下沉（sift down）两个操作。很多刷题网站上有现成的PriorityQueue可以用，笔试时如果语言支持，直接用封装好的优先队列问题不大。但面对面试官纸面提问时，“请实现一个最小堆”这类问题仍然会被问到，所以手写堆的基本操作还是需要的。
堆排序本身有几个容易踩的细节：
- 建堆时要从最后一个非叶子节点开始下沉，不是从第一个元素开始。
- 排序时每次把堆顶和当前堆末尾交换，然后堆大小减一，继续下沉。很多人会把“堆大小”和“数组长度”搞混，导致排序结果错误。
- 如果求的是第K大元素，用大小为K的最小堆，遍历一遍数组，最终堆顶就是答案；如果是求第K小，用最大堆。
2.4 二分查找的边界条件：看似简单实则容易翻车
二分查找也是字节跳动笔试的常客，但它往往不是单独出题，而是作为某个最优解的核心步骤藏在后面。比如“求一个有序数组里某个数第一次出现的位置”“旋转数组的最小值”这种题，本质上都是二分思想。
二分查找最大的坑就是边界条件。我见过太多人在while (left < right)还是while (left <= right)之间纠结，其实只需要记住一个原则：你的区间定义决定了一切。如果约定[left, right]是闭区间，那就用left <= right，更新时left = mid + 1、right = mid - 1；如果约定[left, right)是左闭右开，那就用left < right，更新时left = mid + 1、right = mid。一旦选定了区间定义，就全程保持一致，不要混着用。
另一个容易踩的点是死循环：当left + 1 == right时，如果mid计算用的是(left + right) // 2且向下取整，在某些更新逻辑下会永远停留在同一个位置。稳妥的做法是用mid = left + (right - left) // 2来避免整数溢出（虽然笔试环境下很少真溢出，但这是一个好习惯），并且在更新left = mid时要特别小心。
3. 字符串与图论：笔试里最能拉开差距的部分
3.1 KMP算法：next数组千万别背，要会推
KMP是字符串匹配里的经典算法，也是2018年这次校招的热搜词之一。我看到热搜词里有“对于模式串p=‘abacaba’，其next数组”这种具体描述，说明当时考察的深度不只是“你会不会背KMP”，而是“你能不能现场推导next数组”。
我强烈建议你不要死记硬背next数组的求法，而是理解它的本质：next[i]表示模式串前i个字符组成的子串中，最长相等前后缀的长度（有些教材定义为“失配后下一次匹配跳转的位置”，两种定义会差1，用的时候要统一）。记住这个本质后，做题时老老实实地对每个位置手推：
以p = "abacaba"为例：
- i = 0：单个字符，规定next[0] = -1（或0，看实现）
- i = 1："ab"，前缀{a}，后缀{b}，无相等，next[1] = 0
- i = 2："aba"，前缀{a, ab}，后缀{a, ba}，最长相等前后缀为{a}，长度1，next[2] = 1
- i = 3："abac"，无相等，next[3] = 0
- i = 4："abaca"，无相等，next[4] = 0
- i = 5："abacab"，无相等，next[5] = 0
- i = 6："abacaba"，前缀{a, ab, aba, abac, abaca, abacab}，后缀{a, ba, aba, caba, acaba, bacaba}，最长相等为"aba"，长度3，next[6] = 3
笔试题目如果给你p = "abacaba"，无非就是让你求next数组或利用next做匹配，把上面这套推导过程练熟，基本不会丢分。
3.2 字典树与AC自动机：笔试中“加分项”的存在
2018年算法校招笔试里，字典树（Trie）出现的概率不低，尤其是涉及“前缀匹配”“敏感词过滤”“单词搜索”这类场景的题目。AC自动机则相对进阶一些，但如果岗位是搜索或推荐相关方向，有可能会在面试环节被问到。
字典树的实现核心是每个节点存储若干子节点指针，Python可以用字典存储子节点：
class TrieNode: def __init__(self): self.children = {} self.is_end = False class Trie: def __init__(self): self.root = TrieNode() def insert(self, word): node = self.root for ch in word: if ch not in node.children: node.children[ch] = TrieNode() node = node.children[ch] node.is_end = True def search(self, word): node = self.root for ch in word: if ch not in node.children: return False node = node.children[ch] return node.is_end笔试时如果遇到“给一批单词，再给一个长字符串，问长字符串里出现了哪些单词”，最稳的思路就是建字典树，然后遍历长字符串的每个起点做匹配。虽然时间复杂度不一定是理论最优，但胜在思路清晰，不容易写错。AC自动机在这个基础上引入fail指针，把“每个起点都匹配一次”优化成“一次扫描完成多模式匹配”，属于进阶解法。
3.3 图论：拓扑排序、并查集、二分图
字节跳动2018算法笔试的编程题里，图论相关的题目几乎每年都有。最常出现的是拓扑排序（Kahn算法）和并查集（Union-Find），偶尔还有二分图相关的题。为什么爱考这些？因为实际业务里遇到的依赖关系解析、任务调度、内容分类等问题，底层都是这些东西。
Kahn算法的思想非常朴素：每次从图里拿出一个入度为0的节点，删除它和它的出边，重复这个过程。如果最后拿出的节点数不等于总节点数，说明图里有环。这个算法在手写时几乎不会出错，关键是要会用邻接表存图，并且维护好每个节点的入度数组。
并查集则是一种极其优雅的数据结构，核心操作只有两个：find（找根）和union（合并）。它非常适合处理“判断两个点是否连通”“统计连通分量数量”这类问题。笔试和面试中出现时，通常需要你额外加上路径压缩和按秩合并两个优化：
parent = list(range(n)) rank = [0] * n def find(x): while parent[x] != x: parent[x] = parent[parent[x]] # 路径压缩 x = parent[x] return x def union(x, y): root_x = find(x) root_y = find(y) if root_x == root_y: return if rank[root_x] < rank[root_y]: parent[root_x] = root_y elif rank[root_x] > rank[root_y]: parent[root_y] = root_x else: parent[root_y] = root_x rank[root_x] += 1二分图相关题目，主要是判断一个图能否被二染色。用BFS从每个未访问节点出发，给相邻节点染不同颜色，如果发现冲突就不满足二分图性质。这道题的隐藏考点是“你的图可能是不连通的”，所以只从一个起点出发遍历会漏判。2018年那批题里，有个同学就栽在这个细节上，他以为题目一定给的是连通图，结果有个测试用例是不连通的。
4. 机器学习与深度学习：算法方向的差异化战场
4.1 过拟合、正则化与损失函数：选择题高频区
字节跳动算法岗笔试和面试非常看重机器学习基础。2018年第二批的客观题里，关于过拟合、正则化、损失函数、模型评估的题目数量相当多。
过拟合的常规考题包括：哪些方法能缓解过拟合（数据增强、正则化、Dropout、早停、降低模型复杂度）；L1和L2正则化的区别（L1产生稀疏解，L2产生小权重解）；为什么Dropout能缓解过拟合（相当于训练多个子网络的集成）。
损失函数方面，交叉熵和均方误差是必考项。选择题常问“为什么分类问题用交叉熵而不是均方误差”，标准答案是：交叉熵对应的是极大似然估计，且梯度形式更有利于收敛；均方误差配Sigmoid时，在预测值接近0或1时梯度会很小，导致学习缓慢。这类问题在面试中出现的频率也非常高，属于必须张口就来的知识点。
我当时复习时把常用的公式手抄了一遍，反复默写。这个习惯帮我扛住了不少突击问题，比如“SVM的损失函数是什么”“逻辑回归的损失函数是什么”。这些东西看起来简单，但在时间紧张的笔试环境里，如果你没有形成肌肉记忆，是很容易在选项之间犹豫的。
4.2 特征工程与评估指标：会算更要会解释
字节跳动的算法笔试不会只考模型理论，还会考特征工程和评估指标。特征工程相关的题目大多是“给定一个场景，你会怎么构造特征”这类简答题，或者“缺失值处理有哪些方法”这类选择题。评估指标则是精确率（Precision）、召回率（Recall）、F1、ROC、AUC这五件套。
AUC是一个很容易被小看的考点。面试官喜欢问“AUC的意义是什么”“AUC和准确率的区别是什么”。我这里提供一个能绕开常见误区的回答框架：
- AUC衡量的是模型对正样本得分高于负样本得分的概率。
- 它不受分类阈值的影响，因此特别适合评估排序能力。
- 对于正负样本极度不均衡的数据，准确率可能严重失真，但AUC依然能反映模型的区分能力。
ROC曲线的绘制也需要理解，但笔试阶段很少要求你手绘，更多是考概念和计算。如果能动手算一个小例子，比如4个样本的预测得分，手算一下TPR和FPR，然后画出一个折线图，那这对理解整个指标体系会有很大帮助。
4.3 常见模型的原理对比：从LR到集成学习
2018年那批笔试的简答题部分，经常能看到类似“请比较逻辑回归和决策树的优缺点”这种题目。复习时我建议至少准备这样一张对比表，防止临场组织语言卡壳：
| 模型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 逻辑回归 | 简单、可解释、训练快 | 线性边界，特征交互需手工 | 高维稀疏特征、风控 |
| 决策树 | 可解释、非线形、无特征缩放 | 容易过拟合，需要剪枝 | 表格数据 |
| 随机森林 | 抗过拟合、并行训练 | 模型大、解释性下降 | 中等规模数据 |
| GBDT/XGBoost | 精度高、能处理缺失值 | 训练串行，调参有门槛 | 搜索排序、点击率预估 |
如果时间允许，最好能把XGBoost的目标函数推导过一遍，这个在面试里是一张“王牌”。它把损失函数做二阶泰勒展开，加上正则项后求解最优叶子权重。能把这个流程讲清楚，面试官对你的印象会明显不一样。笔试阶段虽然不一定要求推导，但简答题里如果出现“XGBoost为什么比GBDT快”“XGBoost的正则化体现在哪里”，你至少需要答得出。
4.4 深度学习基础：反向传播与常见网络结构
机器学习之外，深度学习基础也是必考内容。笔试选择题常考的点包括：激活函数选择（ReLU为什么比Sigmoid收敛快）、梯度消失和梯度爆炸的原因及对策、Batch Normalization的作用、卷积感受野计算、RNN和LSTM的区别。
我印象比较深的是有一道关于反向传播的手算题，给了你一个很小的神经网络，三个输入两个隐藏节点一个输出，让你手动计算一次前向传播和反向传播的梯度。这类题目完全能通过多练几遍拿满分。我的建议是，至少手推过一个两层网络的全部梯度公式，特别是Sigmoid的导数形式σ'(x) = σ(x)(1 - σ(x))，这个几乎年年考。
卷积感受野计算也是高频题。公式是：RF_{l+1} = RF_l + (kernel_size - 1) * stride_accumulated，很多同学会背公式但不会用，其实只需要记住一个规律：当前层的感受野等于上一层感受野加上当前层卷积核能扩大的范围。手推的时候从后往前算，先算最后一层的1×1，再逐步向前推，就不容易错。
5. 笔试中的常见扣分点和避坑实录
5.1 审题不清：比不会做更可惜
2018年那批考试结束后，我复盘发现，真正让人丢分的大概率不是“不会做”，而是“看错题”。比如编程题要求输出浮点数并保留两位小数，很多同学输出整数；要求如果无解输出-1，很多同学忘了写这个分支；要求排序按字典序而不是按长度，很多同学直接按长度排了。
审题这个环节，平时刷题很容易忽略，因为刷题平台会明确告诉你输入输出格式，你照着写就行。但真正的笔试题目往往是几百字一段的场景描述，输入输出格式夹杂在文字中间，稍不留神就会漏掉关键约束。我自己的习惯是：先看数据范围，再看输入输出样例，最后才看题目正文。数据范围能直接告诉你应该用O(n)还是O(n log n)的算法，如果看到n ≤ 10⁵还写O(n²)的代码，基本必挂。
5.2 边界条件：不是每次都有“保姆”帮你处理
编程题容易挂掉的另一个重要原因是边界条件没处理干净。空数组、单元素数组、全相同元素、已经有序的数组、重复元素很多的情况，这些都属于笔试里的“常规暗坑”。
拿排序题举例，如果一个题目要求“输出排序后的结果，且相同元素保持原有相对顺序”，那就不能用不稳定的排序算法；如果要求“去除重复元素”，那就要额外处理相等情况。我曾经在一次模拟笔试里，用C++写了快排版本，结果遇到有大量重复元素的测试用例直接超时，因为那个版本没做任何针对重复元素的优化。后来我把随机化基准值加上，问题就解决了。
再比如二分查找类题目，如果数组中所有元素都小于目标值，你的left最后会停在什么位置？如果所有元素都大于目标值，right又会怎么移动？这些都需要在草稿纸上捋清楚。我有个屡试不爽的方法：写完代码后不要急着提交，先在脑子里跑几个极端用例，包括空数组、首尾命中、完全不存在等情况，跑通了再提交。这个习惯在笔试里能为你挽回不少分数。
5.3 复杂度估计失误：O(n²)救不了n = 10⁵
笔试平台判题虽然不会直接告诉你超时，但如果你写的是明显超复杂度的算法，大概率会收获大量TLE。我们简单算一下：假设每秒能执行约10⁷到10⁸次基础操作，n = 10⁵时，O(n²)就是10¹⁰次操作，显然会超时；即使n = 10⁴，O(n²)的10⁸次操作也处于危险边缘。
所以拿到题目后，应该第一时间根据数据范围倒推算法复杂度要求。我一般按这个节奏估算：
| 数据范围 | 可接受复杂度 |
|---|---|
| n ≤ 10 | O(n!) 或 O(2ⁿ) |
| n ≤ 20 | O(2ⁿ × n) |
| n ≤ 500 | O(n³) |
| n ≤ 5×10³ | O(n²) |
| n ≤ 10⁵ | O(n log n) 或 O(n) |
| n ≤ 10⁷ | O(n) |
如果题目给的是n ≤ 10⁵，最稳妥的思路是往二分、双指针、堆、单调栈、前缀和、哈希表这些方向想。不要一上来就写暴力解法，哪怕暴力法能过样例，也不代表它能过全部测试数据。
5.4 手写代码时的“脏”习惯
还有一类丢分属于“非技术性”的：命名混乱导致自己看错变量、缩进不对导致逻辑嵌套错误、用了全局变量导致多组测试用例之间相互干扰。这些问题在平时刷题时影响不大，但在真实的笔试系统里很致命，尤其是多测试用例输入的情况。
如果你的代码里定义了全局变量，每次处理新测试用例时没有重置，上一轮的结果就会污染下一轮。解决方案是：把核心逻辑封装成函数，每个测试用例调用一次，局部变量用完即释放。不要嫌麻烦，这个习惯在笔试里能省掉大量“不知道为什么错”的调试时间。
另外，输入输出最好用更高效的方式。Python的input()在数据量大的时候会拖慢程序，建议使用sys.stdin.read()一次性读取再解析。这个优化在n较大时效果明显。
5.5 时间分配：“先做会做的”不是废话
我见过不少同学在笔试时死磕一道编程题，磕了四十分钟没写出来，结果后面的选择题和简答题完全没时间做。字节跳动这种公司的笔试，编程题一般有两到三道，选择题和简答题的分数加起来也不算少。所以策略一定要灵活。
我的建议是：拿到试卷后先用两分钟把全部题目扫一遍，标注出“会做”“有点思路”“完全不会”三档；然后优先做“会做”的，确保稳拿分；再做“有点思路”的；最后才是“完全不会”的。对于一些感觉能做出来但需要大量调试的编程题，如果时间过半还没有进展，果断止损，回头检查选择题和简答题，保住基础分。
这个策略在2018年那批笔试里帮我拿下了不少分数。我有个朋友当时在第二道编程题上卡了四十分钟，最后第三道题连题目都没看完，白白丢了一道可能拿部分分的题。考完他跟我复盘，说早知道就先跳过做第三题了。笔试不是“一题定胜负”，而是“总分定生死”，学会取舍非常关键。
6. 从真题到应试：算法方向的备考路线
6.1 以“真题”为锚，建立自己的重点清单
虽然每年校招的题目不会完全重复，但重点方向总体来说非常稳定。我根据2018年这次的考察方向，以及后来几年观察到的变化，整理了一个针对算法方向校招笔试的高频考点清单：
- 数据结构：数组、链表、栈、队列、哈希表、树、堆、并查集、字典树
- 算法思想：排序、二分、双指针、滑动窗口、贪心、分治、回溯、动态规划、DFS/BFS
- 字符串：KMP、字典树、马拉车（Manacher，进阶）
- 图论：拓扑排序、最短路径、最小生成树、二分图判定
- 机器学习：过拟合、正则化、损失函数、评估指标、常见模型对比、特征工程
- 深度学习：反向传播、梯度问题、Batch Norm、卷积/循环网络基础
对照这个清单，你可以快速判断自己的薄弱环节。不要均匀用力，把时间花在“高频考点+自己的弱项”上性价比最高。
6.2 刷题计划的“两个阶段”
我当时用的刷题节奏可以拆成两个阶段，分享出来供参考。
第一阶段是“按专题刷”。花三到四周时间，把高频数据结构和算法思想各练十几道题。比如这一周专门刷二分和双指针，下一周专门刷动态规划。这个阶段的目的不是刷量，而是建立“看到题目就能联想到对应解法”的条件反射。每刷完一类题，自己写一个总结文件，记录这类题的通用思路、常见变体和易错点。
第二阶段是“混着刷+计时模拟”。每天挑一道新题和一道旧题，模拟真实笔试的节奏来练。周末可以找一套往年的校招笔试题，定时90分钟完整做一遍。这个阶段最重要的不是正确率，而是时间分配和心态管理。如果一道题卡了15分钟还没思路，我会直接看题解，复盘自己的卡点在哪，然后在错题本上记录下来。
我不推荐一上来就刷大量难题。笔试中80%的题目其实是高频常规题，只要基本功扎实，那些题你都能拿分。与其钻研偏题怪题，不如把常规题练到“闭眼能写”的程度。
6.3 关于面试的延伸准备
虽然标题叫“笔试”，但如果你通过笔试进入面试环节，算法方向的技术面试大概率也会围绕机器学习和算法题展开。字节跳动的面试风格是“连环追问式”的，特别喜欢在你回答的基础上不断加深。比如你提到“用XGBoost建模”，面试官可能会追问“XGBoost的叶子权重怎么求”“缺失值分裂策略是什么”“它和LightGBM在直方图算法上有什么区别”。
所以我的建议是：笔试复习阶段不要只盯“会做题”，还要多问自己几个“为什么”。为什么这里用贪心而不是动态规划？为什么AUC不受阈值影响？为什么L1正则化更容易得到稀疏解？这些问题的答案不仅面试有用，在笔试简答题里也经常能作为加分细节写进去。
6.4 简历和项目经历：让你的算法功底“可视化”
作为补充，我想聊聊简历。笔试题目再难，终究是“硬实力”的体现，但简历上的项目和实习经历决定了你有没有机会坐到笔试考场里。2018年的字节跳动校招非常看重候选人的项目经历是否和算法方向相关。
如果你当时没有正式的算法相关实习，也没关系，可以把自己做过的课程项目、竞赛经历、开源项目好好包装一下。重点不是写了多少行代码，而是你解决了什么问题、用了什么方法、拿到了什么结果。比如“在某某竞赛中排名前5%”，就比“熟悉机器学习算法”有说服力得多。
如果你面试的是推荐、搜索、NLP方向，最好能对“召回-粗排-精排-重排”这个整体架构有基本的了解。2018年字节跳动的信息流产品正在高速增长，面试官会特别关注你对推荐系统的理解深度。笔试当然不会考这么宏观的问题，但面试环节一定会涉及。
6.5 最后再分享一个真实的小技巧
备考期间我养成了一个习惯：每次模拟笔试结束后，都会用10分钟写“复盘笔记”，记录这次模拟中考到的每个考点、自己做错的每道题的原因、以及下次要改进的点。这本笔记后来成了我最重要的复习资料，比任何参考书都实用，因为它完全针对我自己的薄弱环节。
具体操作上，我会把复盘笔记分成三栏：题目简述、错误原因、改进措施。比如：
- 题目简述：给定一个数组，找到所有和为target的三元组。
- 错误原因：去重逻辑写错，导致相同组合重复输出。
- 改进措施：双指针去重时，要先跳过左指针的重复元素，再处理右指针。
这个习惯看上去很简单，但坚持三个月后，你会发现自己犯过的错误越来越少，而且大多集中在少数几个特定类型上。针对这些高频错误做专项突破，远比漫无目的地刷题高效。
字节跳动2018校招算法方向（第二批）的笔试已经过去很多年，但它的考察逻辑、重点方向、做题策略，放到今天依然有很强的参考价值。数据结构、算法、机器学习基础、深度学习基础，这四大块内容无论校招形势怎么变，都是算法方向绕不开的基石。希望这篇复盘能帮即将参加算法校招的你少走一些弯路。