秋招刚开始那会儿我在蔚来汽车招聘官网上提交了算法岗的简历。投递后第三天邮件里就躺着笔试链接。相比于面试还能靠表达圆一下笔试几乎是把基本功摆在桌面上让人检查尤其算法岗。今天这篇就把我准备2024秋招蔚来汽车算法岗笔试时拆过的题、踩过的坑、总结的思路完整整理一下给后面投这个方向的同学做个参考。笔试不等于刷题也不等于论文复现。它考察的是你在有限时间内能不能用扎实的算法基础和清晰的工程思维解决一系列问题。我见过不少简历很亮眼的同学挂在笔试上也见过项目一般但笔试高分进面的。所以这篇文章不聊虚的直接聊笔试题型、高频考点、代码题套路、开放题答法最后给出备考时间线。1. 校招算法岗笔试岗位差异和出题套路得先看清1.1 蔚来算法岗并不是只有一个“算法”很多同学投递时只看到“算法岗”三个字实际上蔚来这种体量的车企算法岗位分布得很散。根据我搜集到的2024秋招信息大致能分成几个方向笔试侧重点差异不小。自动驾驶方向是投递人数最多的包括感知、融合、预测、规控等子方向。感知侧偏向图像和点云处理笔试里会出现CNN、Transformer、NMS、目标检测相关概念规控侧则更看重搜索算法、图论、轨迹优化、PID/MPC这类控制论基础知识。智能座舱方向会涉及语音识别、NLP、音频信号处理我甚至看到过“音频重采样算法”这种信号处理题出现在选择题里。智能制造和工业质检方向偏向传统图像处理和经典机器学习异常检测、缺陷检测是高频词。数字系统和中台方向则更接近互联网算法岗搜索、推荐、排序模型都会考到。所以备考前一定要先看清自己投的是哪个部门哪个方向别拿着一套互联网大厂的八股文就去应付所有笔试。方向不同题目风格真的差很多。我整理了一个简单的对比表方便快速对齐方向业务场景笔试侧重点自动驾驶感知目标检测、BEV感知、多传感器融合CV基础、CNN/Transformer、NMS、图像处理自动驾驶规控轨迹规划、决策控制图论、搜索、DP、贪心、PID/MPC概念智能座舱语音交互、音频处理信号处理、NLP基础、重采样、降噪智能制造/质检电池缺陷检测、工业异常检测经典ML、聚类、异常检测、图像处理中台/数据算法搜索推荐、用户增长排序模型、召回、BM25、Embedding1.2 笔试在整条招聘链路里的定位在秋招的流程里笔试是卡在简历筛选和面试之间的一个重要关卡。很多公司算法岗的简历投递量非常大面试官不可能每个人都聊一遍笔试就成了一个相对客观的筛选器。笔试的作用不是让你得满分而是快速滤掉基础不达标的候选人。所以你会明显感觉到题目覆盖很广但单题难度不一定高。它考察的往往是一个“最小知识集”比如KMP的next数组会不会求、堆排序的复杂度会不会分析、K-Means和DBSCAN的适用场景能不能说清。这些都属于“学过就会没学过就懵”的内容临时抱佛脚很难补起来。从2024届的反馈来看蔚来的笔试整体难度在车企里属于中上但不会像互联网大厂那样全篇都是动态规划压轴题。更多是把数据结构、经典算法、机器学习基础混合在一起压在一个半小时到两个小时里看你的知识体系是否完整。1.3 试卷整体风格从题量和时间上推测笔试大概包含40到60道题外加2到3道编程题时间一般在120分钟左右。选择题以单选和不定项选择为主不定项选择是重灾区选错一个就全扣所以拿不准的宁可少选。编程题不会特别刁钻重点在考察代码能不能在OJ上通过边界条件处理得是否严谨。还有一部分岗位会有简答题或方案设计题比如“请设计一个电池外壳缺陷检测方案”或者“如何评估一个自动泊车系统在雨天的性能”。这类题没有标准答案但能看出候选人有没有工程思维后面我会专门写一节怎么答。2. 题型分布与考察重点读题先读出题人的意图2.1 从做题顺序反推考察逻辑大部分在线笔试的模块顺序是固定的选择题靠前编程题靠后简答题穿插或放在最后。这个顺序背后有出题人的逻辑——先用客观题快速摸清你的知识广度再用代码题看你的工程落地能力最后用简答题考察你的系统设计思维。选择题里有一类很常见的问法“下列说法不正确的是”。这种反向题特别容易失分因为人对错误选项的敏感度远低于正确选项。我自己的习惯是先把每个选项都标成“对/错/不确定”再回头选最明显的错误项而不是凭第一感觉直接选。2.2 数据结构与算法的高频考点从2024秋招的热搜词来看数据结构排序算法、KMP、堆排序、Dijkstra、二分图HK算法、贪心算法、动态规划都是搜索量很高的考点。这些词基本能代表笔试选择题的命题范围。以KMP为例我印象很深的是热搜里频繁出现“在KMP算法中对于模式串pabacaba其next数组是什么”。这个题我刻意练过因为不同教材对next数组的定义有偏差有的从-1开始有的从0开始做题前必须看清题目定义。我按“最长相等前后缀长度不包含自身”的定义手算一遍p a b a c a b a i0: next[0] 0 i1: 子串ab无相等前后缀next[1] 0 i2: 子串aba最长相等前后缀a长度1next[2] 1 i3: 子串abac无next[3] 0 i4: 子串abaca最长a长度1next[4] 1 i5: 子串abacab最长ab长度2next[5] 2 i6: 子串abacaba最长aba长度3next[6] 3所以next数组结果是[0, 0, 1, 0, 1, 2, 3]。如果题目定义的是失配时跳转的数组通常会在原索引上左移一位变成[-1, 0, 0, 1, 0, 1, 2]这种形式。我自己做题时吃过亏所以提醒一句遇到KMP先确认定义再动手算。堆排序、快速排序、归并排序的复杂度比较是必考内容。要牢记堆排序最坏和平均都是O(n log n)不稳定快速排序平均O(n log n)最坏O(n²)不稳定归并排序始终O(n log n)稳定但需要额外O(n)空间。选择题专门挑“稳定排序”或者“原地排序”这些属性来考。2.3 机器学习与深度学习理论题这类题比数据结构更考验理解深度。从热词里能看到聚类算法、KNN算法、机器学习算法、深度学习算法、强化学习算法、KL ELBO算法原理都是被高频率搜索的概念这几个词基本勾勒出了选择题的考察范围。常见的考查方式是给一个具体业务场景让你选合适的算法。比如“面对一个类别分布极不均衡的缺陷检测任务以下哪个方法最合适”选项里可能有SVM、XGBoost、简单随机森林和做了过采样的逻辑回归。这种题没有绝对正确只有“在给定约束下最优”的答案需要你同时考虑数据特点、模型能力和落地成本。理论题还喜欢考公式的物理含义而不只是公式本身。比如KL散度为什么不对称、ELBO在VAE里是怎么推导出来的这些如果只是背结论换个说法就答不上来。我建议复习时把每个算法的“解决什么问题、输入输出是什么、核心假设是什么、失效场景是什么”都写成一页笔记远比背一堆数学公式有用。3. 代码题实战高频算法套路与边界处理3.1 KMP 的 next 数组题目变体要先看定义如果编程题里出现字符串匹配KMP几乎是标准解法。笔试环境一般只提供纯文本编辑器没有补全所以要求你不仅懂原理还得能盲写出代码。我自己的模板是这样写的def get_next(p): m len(p) nxt [0] * m j 0 for i in range(1, m): while j 0 and p[i] ! p[j]: j nxt[j - 1] if p[i] p[j]: j 1 nxt[i] j return nxt这个版本求的是“当前位置i之前的子串的最长相等前后缀长度”和前面手算的例子一致。实际笔试里题目可能要求另一种定义比如跳转到哪里继续匹配那就得在返回数组时做移位。我建议考前把两种定义都写一遍一是加深理解二是防止笔试现场临时改代码。KMP的核心是主串指针不回溯模式串指针根据next数组跳转。这个优化在文本长度很大时特别重要复杂度从O(n*m)降到O(nm)。如果笔试的输入规模在10的5次方以上基本可以确定考点就是KMP或类似线性算法写暴力匹配大概率超时。3.2 堆排序与传统数据结构的边界问题“堆排序算法C”也是热搜词。编程题里直接让手写完整堆排序的情况不多但Top K问题、查找中位数、合并K个有序链表这些高频题本质都在考堆。Top K问题最容易踩的坑是堆的方向选反。找前K个最大值要维护一个大小为K的最小堆找前K个最小值要维护一个最大堆。原因是堆顶是当前堆中最大或最小的元素遍历新元素时只需要和堆顶比较满足条件就替换堆顶并调整堆始终保持堆的大小为K。复杂度上暴力排序是O(n log n)堆方案是O(n log k)。当n远大于k时堆方案的性能优势非常明显。手写堆时还要注意数组下标从0开始还是从1开始很多人在siftDown的边界处理上出错导致死循环。我的建议是写一个基础模板笔试时直接改参数复用比现场临时推演可靠得多。如果面试官追问“还有没有更优方案”可以提快排partition思想期望复杂度O(n)。但要说明它的局限不能在线处理流式数据最坏情况下会退化为O(n²)。在笔试里通常写堆就足够了。3.3 图论题Dijkstra 的堆优化与匹配问题的复杂度陷阱图论算法在互联网算法岗笔试里不一定常考但车企的规控、导航、路径规划相关岗位很喜欢出。Dijkstra算法的堆优化写法属于必须掌握的模板。import heapq def dijkstra(graph, start, n): dist [float(inf)] * n dist[start] 0 pq [(0, start)] while pq: d, u heapq.heappop(pq) if d dist[u]: continue for v, w in graph[u]: if dist[u] w dist[v]: dist[v] dist[u] w heapq.heappush(pq, (dist[v], v)) return dist注意这里面有个经典坑用优先队列弹出节点后要判断当前节点是否已经被更小的距离处理过也就是d dist[u]时直接continue。没有这个判断代码在负权图或复杂图上会出bug虽然标准Dijkstra要求非负权图但这个防御性检查很重要。二分图HK算法在选择题里出现更多考的是复杂度。常规匈牙利算法是O(V·E)HK算法能优化到O(E·sqrt(V))。如果再结合二分图最大匹配的应用场景比如卡尔曼跟踪里的目标关联、传感器融合中的匹配问题那就把算法和业务场景串起来了。不用手撕HK但要知道它比匈牙利快在“多路增广”。3.4 动态规划和贪心怎么快速识别状态和贪心依据代码题里如果出现动态规划通常不会太难但需要你快速建立状态。我自己用的方法是从两个问题入手一是有几个决策变量二是当前状态由哪些前序状态决定。举个例子最长递增子序列的经典状态是dp[i]表示以第i个元素结尾的最长递增子序列长度转移时要枚举之前所有比当前元素小的位置。这是典型的O(n²)解法而贪心二分能优化到O(n log n)。笔试里如果只要求15分钟写出来我通常先写O(n²)因为正确性容易保证再说明可以优化到O(n log n)。时间充足再改成优化版。贪心算法则要判断局部最优是否能推出全局最优题目经常会用反例来迷惑你。比如区间调度问题按结束时间排序是经典贪心策略但换成按开始时间排序就可能错。如果拿不准可以在纸上先画几个例子验证再做决策。模拟退火、粒子群这类启发式算法在笔试选择填空里偶尔出现但编程题基本不会要求手撕。大家知道它们是在解空间巨大、没有精确解时用的优化方法就够了重点还是放在确定性算法上。4. 机器学习与深度学习理论别停留在“背结论”4.1 经典 ML 题聚类和 KNN 的常见陷阱KNN和聚类算法是热搜常客因为太基础出题人反而容易挖坑。KNN的陷阱有三个k值选择的敏感度、距离度量的选择、样本不均衡对结果的影响。k值太小容易过拟合噪声干扰大k值太大会让分类边界过于平滑小类别容易被吞掉。距离度量上欧氏距离适合连续数值特征曼哈顿距离对异常值更鲁棒而文本场景里可能用余弦相似度更合理。这些辨析题是笔试选择题最喜欢的。理解KNN“能力”的时候要注意它虽然是惰性学习模型不显式训练但预测时需要对全部样本计算距离存储和计算开销并不低。K-Means聚类的问题更经典K怎么定、初始中心怎么选、聚类结果对初始中心是否敏感。K-Means假设簇是凸的所以对不规则簇效果不好。DBSCAN则基于密度能处理任意形状的簇且不需要预设K但对密度变化大的数据集不友好。选择题经常拿这两个算法的对比出题理解“凸假设”和“密度定义”这两个关键词基本就能答对。SVM的核函数、XGBoost的基学习器和正则化项、逻辑回归的损失函数这些概念也常考。复习策略很直接每个模型搞清楚三件事——优化目标是什么、怎么学习参数、什么场景下失效。4.2 车企特色PID、卡尔曼滤波、MPPT、FOC车企算法岗笔试和互联网算法岗最大的不同就是会出现控制论和信号处理相关的概念。这部分我准备时完全没料到后来发现很多做自动驾驶的岗位都会考。PID是比例-积分-微分控制比例项能快速缩小当前误差但会产生超调积分项可以消除稳态误差微分项能预测误差变化趋势抑制超调。选择题可能会问“系统出现稳态误差应该调大哪一项”答案是积分项。这个逻辑清楚后选项再怎么变也不慌。卡尔曼滤波在传感器融合里非常重要。它假设系统噪声和观测噪声都是高斯分布用状态预测和观测更新两步交替进行。笔试常考基本流程比如“预测步骤利用上一时刻的后验估计得到先验估计更新步骤用观测值修正得到新的后验估计”这种描述判断题只需要抓住预测-更新循环即可。物理意义比推导重要至少能说清楚它为什么能融合多个传感器。FOC是磁场定向控制MPPT是最大功率点跟踪。这两个词听起来吓人但笔试基本只会问它们用在什么场景。FOC用于永磁同步电机的精确控制MPPT用于光伏发电系统实时追踪最大功率点。知道一张“场景标签”就够了不会让你推导电机方程。4.3 CV 基础Sobel、拉普拉斯、图像锐化与NMS图像处理算法也是热搜词里的高频项Sobel算法、图像锐化的拉普拉斯算法、图像分类算法、图像算法这些词密集出现说明自动驾驶感知和工业质检岗位很看重这块基础。Sobel算子本质是一个离散的微分算子用来计算图像在水平方向和垂直方向的梯度近似值。梯度的幅值可以用来做边缘检测。拉普拉斯算子是二阶微分算子对噪声非常敏感所以实际使用前通常先做高斯平滑。高通滤波提取的是高频细节加到原图上就能实现图像锐化增强边缘和纹理。NMS非极大值抑制是目标检测中必不可少的后处理步骤。它的作用是当多个检测框覆盖同一个物体时只保留置信度最高的框抑制掉重叠度过高的其他框。笔试里可能会问NMS的IoU阈值、流程细节甚至让你描述实现思路。这些都属于“做过项目就懂没做过只能猜”的题建议提前把流程用文字写一遍。4.4 进阶模型概念KL 散度、ELBO、VAE热词里有“KL ELBO算法原理详解”这说明蔚来的理论题可能不满足于传统机器学习基础也会碰生成模型和变分推断这类进阶内容。KL散度衡量的是两个概率分布之间的差异但它不是距离度量因为它不对称即KL(P||Q)不等于KL(Q||P)。VAE的核心公式ELBO是证据下界它把对数似然分解成重构误差和KL散度两项前者保证生成样本逼近真实数据后者约束隐变量分布贴近先验。如果觉得自己对这块不熟也不用太焦虑但至少要理解KL散度的不对称性和ELBO的优化含义。笔试只要出现大概率是概念辨析不会让你从头推导变分下界。把注意力放在“为什么需要”而不是“怎么推导”上性价比更高。5. 开放题和综合题用工程思维拆解业务场景5.1 开放题背后考的是工程思维开放题更容易拉开分差。比如一个典型的题目如何设计一个动力电池外观缺陷检测系统这类题没有标准答案但阅卷人心里有一套评判标准看的是能不能把模糊问题拆成可执行的步骤。我的答题框架固定为六个模块任务定义、数据方案、模型选型、评估指标、工程落地、风险控制。先定义清楚检测哪些缺陷类型再说明数据从哪来、怎么标注、类不均衡怎么处理。模型部分给出baseline和可选方案比如先用经典图像处理做边缘检测定位缺陷区域再用ResNet或YOLO做分类和定位。评估指标要结合业务漏检率往往比误检率更不可接受所以不能只看准确率。工程落地要考虑推理速度、部署平台、计算资源最后点明可能存在的边界情况如光照变化、产品型号切换导致模型失效。这样答的好处是逻辑完整、有层次感即使细节不完美也能看出你有工程思维。最怕的是只写一两句话比如“我会上深度学习模型”这等于白卷。5.2 具体技术点也常在简答里出现有些简答题会更具体比如规则引擎Drools的Rete算法实现原理和事实匹配过程这在做智能决策中台方向时可能被问到。Rete算法的核心是构建规则网络把多个规则的公共条件共享起来利用缓存避免重复匹配所以大规模规则集下性能很高。答这个题时能画出alpha网络和beta网络的概念再解释事实如何在网络中传播和匹配基本就能过关前提是对它的运作逻辑有清晰认知。BM25算法则更容易在搜索或知识库相关方向出现。它本质是词频与逆文档频率的改良版同时考虑文档长度的影响。答这类题时不要只背公式最好能结合一个具体场景比如“用户搜索‘底盘异响’如何排序匹配的故障文档”这样会显得你真正理解技术点落地的价值。音频重采样算法属于信号处理题如果投智能座舱方向可能要会。重采样前后的采样率不同但时间长度对应的采样点数要重新生成核心工作是插值和抗混叠滤波。可能考的技巧是多数重采样器会先升采样到最小公倍数采样率再降采样到目标采样率而不是直接映射采样点。5.3 答题模板不是套话是结构保障答题模板并不是说生搬硬套而是提供一个完整的思路骨架避免漏掉关键点。我通常按下面这个结构组织简答题答案1. 明确问题定义清楚输入、输出和约束条件。 2. 数据与预处理数据来源、标注方式、异常情况。 3. 模型/算法选择给出baseline和进阶方案说明理由。 4. 评估方式离线指标、线上指标、AB实验设计。 5. 工程实现算力预算、推理延迟、内存占用。 6. 风险与降级方案极端场景、数据分布漂移、fail-safe机制。实际作答时不需要六个模块全铺开而是根据题目类型灵活裁剪。但有了这个骨架你思考时不会漏掉重要环节答出来也更像一位有经验的算法工程师而不是只会调库的脚本小子。5.4 让答案有“记忆点”的三个技巧第一主动提出baseline和失败case。比如回答路径规划方案时先提“我会用Dijkstra或A*作为baseline再根据场景引入动态约束”。这说明你能从简单方案起步迭代而不是一上来就上复杂模型。第二点出数据闭环。很多车企岗位特别看重算法在真实场景中的持续迭代能力回答里可以提“部署后模型会持续采集bad case定期增量训练并回流到数据集”。这句话能让阅卷人知道你理解工程迭代的重要性。第三主动谈到实时性和资源约束。真实业务里模型精度不是唯一指标推理速度、内存占用、功耗都是关键。答题时加上这部分明显比只会堆精度指标的同学高一个层次。6. 备考时间线与环境准备临场稳定发挥的细节6.1 从投递到笔试的时间线投递蔚来之后到笔试链接发出往往只有三五天时间差所以提前准备非常重要。我建议把备考周期拉长到一个月左右前两周集中刷数据结构和经典算法第三周看机器学习和深度学习理论最后一周做模拟笔试并整理自己的代码模板。前两周不必追求难题重点是把基础题刷得又快又稳。LeetCode前200题里的数组、链表、二叉树、动态规划、图论题目基本覆盖笔试主流考点。第三周整理理论笔记时尽量压缩成每个算法一页纸内容包括解决的问题、核心步骤、复杂度、使用场景、容易混淆的点。最后一周一定要进行一次完整的线上模拟计时答题模拟摄像头监控环境提前适应考场状态。6.2 在线笔试的硬件和网络环境在线笔试最怕的不是题难而是环境出问题。建议提前做三件事一是调试摄像头位置要能拍到整个面部二是关闭所有无关软件尤其是带有远程控制功能的工具容易被误判为作弊三是准备有线网络或单独测试Wi-Fi稳定性断网重连会浪费宝贵的答题时间。浏览器兼容性也要提前检查部分笔试系统只适配Chrome其他浏览器可能白屏或者Python编辑器加载不出来。这些细节都会直接影响状态千万别小看。6.3 做题顺序和时间分配策略我自己的策略是“先选择题再简答最后编程”但容易在选择题上纠结太久。后来调整为先快速看完所有题标记出一眼有把握的把不确定的先空着。选择题部分控制在40分钟内简答题每道留10到15分钟编程题至少留50分钟。编程题一定要先看一眼所有题目再动手不要在第一题上死磕。如果第一题卡住可以先写暴力解法保底再考虑优化。另外输出去要留意样例格式很多人在读题上踩坑比如明明看懂了思路却因为输出格式有空格差异而得不到分。多选题原则是“宁少选不多选”不确定的选项不要冒险。不定项选择通常按答对得分、选错扣分或不得分处理稳妥策略是只选有把握的选项。6.4 笔试后的复盘笔试结束不等于完事第一时间把自己记住的题目和解法记录下来。因为秋招是海投很多公司的笔试题目互相之间有参考价值尤其是同一行业内的题型往往具有高度一致性。我会用一份在线文档保存各公司的题型分布、高频考点、编程题列表每次笔试后更新一次。这个习惯让我在后来的面试中明显更从容。很多面试官会问“笔试里那道题你怎么想的”这时候能清晰复述自己的思路并且指出当时的考虑和不足会让面试官觉得你是个爱思考的候选人。如果笔试表现不够理想也不要灰心。算法岗笔试更多是筛选门槛不代表你的全部能力关键是每次都要复盘出具体原因是题量太大没写完还是数据结构和基础理论有盲区然后针对性补齐。秋招是一场长跑笔试环节只是其中一段路稳扎稳打才能走到最后。