1. 这张卷子的定位算法岗笔试到底在筛什么贝壳找房2023届校招算法卷3这名字听起来像是一份普通的笔试题但真拿到手你会发现它其实是在用一套精心设计的问题检验你在学校刷题和实际落地之间到底有没有断裂感。作为经历过多次校招笔试、也帮团队筛过简历的人我有个很直白的感受算法卷3这类题目筛选的从来不是你会不会背模板而是遇到一个从没见过的场景时你能不能把它拆成熟悉的算法问题。先说一个很多人容易误判的点。贝壳做的是居住产业互联网业务场景横跨房源匹配、经纪人调度、房价预估、用户推荐、图像识别比如房源图审核等所以算法卷的题目并不会像纯竞赛那样只考脑筋急转弯而是会刻意往带业务背景的算法题方向靠。也就是说考题里经常出现的是一个披着业务外衣的经典问题比如给定一组房源和用户偏好如何做最优化匹配本质上可能就是一个二分图最大权匹配或贪心策略问题再比如如何对房源价格做排序可能就涉及排序算法和稳定性分析。这类题对考生的核心要求有四点第一基础数据结构要非常熟数组、链表、栈、队列、哈希表、堆、树、图这些不能只是见过得达到随手就能写出来的程度第二经典算法的推导过程要懂不能只背结论比如KMP的next数组、Dijkstra的优先队列优化、快速幂的二进制拆分这些都要能现场推演第三复杂度分析要形成肌肉记忆每写一个解法都要下意识想清楚时间复杂度和空间复杂度第四代码风格要干净边界条件处理要严谨因为阅卷系统不会给你辩解的机会跑不过就是跑不过。我见过太多同学在笔试前疯狂刷LeetCode Hot 100刷了三遍感觉稳了结果一到这种带业务包装的卷子上就懵了。原因很简单LeetCode的题目是有明确标签的你看到hard就知道要往动态规划想但校招卷子不会告诉你这题考什么你得自己从题面里提取特征、匹配算法模型、再落地成代码。这种能力光靠刷题刷不出感觉必须靠理解算法本质拆解场景双管齐下。接下来我结合这套卷子的题型特点把高频出现的核心考点和你可能需要补的短板一块一块拆开讲。2. 试卷里的必考常客数据结构与经典算法逐个击破校招算法卷虽然每年都在翻新但核心考点的分布其实有很强的规律性。贝壳这套卷3的题目从热搜词里也能反向印证——KMP、排序、快速幂、Dijkstra、贪心、模拟退火、粒子群这些名词全都在高频搜索列表里。这说明大部分考生在笔试前都在疯狂搜索这些东西也说明出题人确实爱在经典算法上做文章。2.1 KMP算法别再只会背next数组了KMP算法在热搜词里出现了两次足以说明它在校招笔试中的分量。字符串匹配是算法题中的基础款而KMP又是字符串匹配里最经典的优化算法出题人喜欢考它并不是因为你以后工作里真的会手写KMP——而是因为它能检验你对状态转移和预处理信息这两个核心思想的理解。我详细说一下next数组的推导。给定模式串pabacaba要求next[i]表示p[0..i]这个前缀中最长相等前后缀的长度注意这里next[i]定义的是前缀长度而不是下标不同教材定义略有差异但贝壳这套卷如果考到大概率会用前缀函数的标准定义。我们从头推一遍i0字符a没有真前后缀next[0]0。i1字符串ab前缀a后缀b不相等next[1]0。i2字符串aba最长相等前后缀是a长度1next[2]1。i3字符串abac前缀ab后缀ac最长相等前后缀长度0next[3]0。i4字符串abaca前缀abac后缀baca检查长度4的前后缀a和a相等长度2的前后缀ab和ca不相等长度3的aba和aca不相等最长相等前后缀是anext[4]1。i5字符串abacab最长相等前后缀是ab长度2next[5]2。i6字符串abacaba最长相等前后缀是aba长度3next[6]3。所以pabacaba的next数组就是[0, 0, 1, 0, 1, 2, 3]。如果你在笔试里遇到这道题别急着背答案现场十分钟就能推出来关键是理解最长相等前后缀的递归性质——求next[i]的时候可以利用next[i-1]的信息这就是KMP的核心加速点。我在辅导校招生时发现很多人写KMP挂了不是不理解next而是边界处理错了。比如求next数组时j指针回退要写成while(j 0 p[i] ! p[j]) j next[j-1]匹配时主串指针不回退、模式串指针回退。这些细节一旦写错样例跑不过还不算最惨最惨的是你以为对了但系统里有一个超长字符串的用例直接超时或数组越界。所以我的建议是笔试前把KMP手写三遍第一次照着思路写第二次默写第三次限时5分钟写完。2.2 排序算法从冒泡到堆排都要能说清楚为什么热搜词里冒泡排序和堆排序同时出现这个组合很有意思。冒泡排序是教学用的入门排序堆排序是面试爱问的高级排序但很多同学对它们的时间复杂度、稳定性、适用场景并没有形成系统认知。贝壳这类公司的校招卷子排序大概率会以两种形式出现一是直接考排序代码实现比如手写快排或堆排二是考排序算法的性质比如某场景该选哪种排序。冒泡排序C大概是这种写法void bubbleSort(vectorint arr) { int n arr.size(); for (int i 0; i n - 1; i) { bool swapped false; for (int j 0; j n - 1 - i; j) { if (arr[j] arr[j 1]) { swap(arr[j], arr[j 1]); swapped true; } } if (!swapped) break; // 优化无交换说明已有序 } }这个优化点在笔试里很加分——加上swapped标记后最好情况数组已经有序的时间复杂度从O(n²)降到了O(n)这就是为什么我在实际工程里遇到基本有序的小数组时会考虑用改进冒泡的原因。但如果数据量大直接上快排或归并。堆排序的难点在于建堆和调整堆两个操作的下标关系要理清。以大顶堆为例父节点下标i左孩子是2i1右孩子是2i2从最后一个非叶节点开始向下调整。我记得有一次模拟笔试让候选人手写堆排序有半数以上的人把siftDown写成了siftUp虽然代码能跑但建堆复杂度从O(n)直接变成O(n log n)在数据量大时就会超时。排序这块我给你的建议是把插入排序、冒泡排序、选择排序、快排、归并、堆排这六种都手写一遍并且用表格对比它们的性质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冒泡排序O(n²)O(n²)O(1)稳定插入排序O(n²)O(n²)O(1)稳定选择排序O(n²)O(n²)O(1)不稳定快速排序O(n log n)O(n²)O(log n)不稳定归并排序O(n log n)O(n log n)O(n)稳定堆排序O(n log n)O(n log n)O(1)不稳定这份表格如果你能脱口而出排序类的题目基本就稳了。2.3 快速幂与贪心两个看起来简单但容易翻车的点快速幂算法在热搜词里也出现了它通常不会单独考一道大题而是作为某个复杂题的内部组件。比如计算a的b次方取模10^97如果b的范围是10^18你用循环乘肯定超时必须用二进制拆分的思想把b写成二进制比如b13二进制是1101那a^13 a^8 × a^4 × a^1只需要log b次乘法。C实现大概是long long fastPow(long long a, long long b, long long mod) { long long res 1; while (b 0) { if (b 1) res res * a % mod; a a * a % mod; b 1; } return res; }这里有个容易踩的坑a * a可能溢出long long如果mod在10^9级别a*a最大是10^18接近long long上限9.22×10^18还算安全但如果mod是10^18级别那就要用快速乘或者__int128了。笔试题目一般会贴心地取1e97这种常见模数但你心里得有这根弦。贪心算法就更微妙了。它不像DP有明确的状态定义也不像图论有固定的模板它的难点在于证明贪心策略正确。校招卷里贪心题几乎必然出现最经典的包装方式是任务调度区间覆盖资源分配这三类。我做题时的经验是先用几个小样例验证贪心策略如果每个样例都符合直觉再尝试用交换论证法或反证法快速过一遍证明。考场时间有限不可能每次都很严谨地证明但至少要保证你的贪心策略能够在脑子里过三个反例如果反例不成立大概率是对的。3. 进阶考点专题图论、动态规划与机器学习算法的三重门如果说基础算法是送分题那进阶考点就是真正拉开差距的地方。贝壳算法卷3里的进阶题通常会结合业务场景来出难度不是单纯算法层面的而是你能不能把场景建模成算法问题。这一节我把图论、动态规划和机器学习算法三类分开讲因为它们的备考方式差异很大。3.1 Dijkstra算法的优先队列优化与最短路径相关的题目几乎必考Dijkstra算法在校招笔试里的地位某种程度上比动态规划还稳。原因很简单它既考了图的建模能力又考了贪心思想的延伸还涉及优先队列这一数据结构的运用一个题能检验三样东西。朴素版Dijkstra的时间复杂度是O(V²)因为每次要遍历所有节点找距离最小的那个。用优先队列优化后时间复杂度降到O((VE) log V)在大规模图上性能差异非常明显。核心实现如下vectorint dijkstra(vectorvectorpairint, int graph, int n, int src) { vectorint dist(n, INT_MAX); dist[src] 0; priority_queuepairint, int, vectorpairint, int, greater pq; pq.push({0, src}); while (!pq.empty()) { auto [d, u] pq.top(); pq.pop(); if (d dist[u]) continue; // 跳过过期的松弛记录 for (auto [v, w] : graph[u]) { if (dist[u] w dist[v]) { dist[v] dist[u] w; pq.push({dist[v], v}); } } } return dist; }我见过的最常见的错误有四个一是建图时忘了考虑无向图要加两条边二是优先队列没有用greaterpairint,int导致每次取的是最大值三是dist[u]累加时溢出int四是忘了if (d dist[u]) continue这行剪枝导致大量重复节点入队在极限数据下超时。尤其是第四个错误很多刷题量不够的同学根本想不到因为小数据下不影响结果只有大数据极限测试才会暴露。贝壳的业务场景里最短路径可以用在经纪人带看路线的优化上——给定多个房源地点如何安排带看顺序让总路程最短虽然这本质上是一个TSP问题但笔试时会简化成求两点最短路径或多源最短路径后者的解法是跑V次Dijkstra或直接用Floyd-Warshall看数据范围来选择。3.2 动态规划与贪心的边界什么时候用DP什么时候用贪心动态规划是算法笔试的分水岭题目。我所在的团队在筛校招简历时会特别看重候选人DP题的正确率因为DP题能映射出一个人是否理解状态设计和状态转移这两大核心而这两大核心在机器学习里的损失函数设计、特征组合优化等实际工作场景中也非常重要。备考DP我不建议一上来就刷难题。先把最基础的几类搞透斐波那契数列一维DP、背包问题0-1背包、完全背包、最长递增子序列LIS、最长公共子序列LCS、编辑距离、区间DP。每类DP都要理解两种实现方式——自顶向下带记忆化搜索和自底向上递推。在校招笔试中我推荐优先写自底向上的递推因为代码更短、不容易爆栈。这里有个特别容易混淆的点什么时候用贪心什么时候用DP我的经验是如果局部最优选择能推导出全局最优那可以用贪心如果当前选择会影响未来的选择空间那大概率要DP。用一句话概括——贪心是只看当下DP是记住所有可能的状态。举个例子找零钱问题中如果硬币面额是1、5、11要找15元贪心的做法是111111共5枚但实际上555只要3枚所以这种情况贪心是错的必须用DP。这种反直觉的题目在校招卷里很受欢迎因为它能快速鉴别你是否真的理解了算法的适用条件。3.3 机器学习与深度学习算法笔试试卷里的软实力贝壳找房作为产业互联网公司算法岗位不只是考传统算法还会涉及机器学习、深度学习的基础知识。热搜词里出现机器学习算法、深度学习算法、聚类算法、KNN、XGBoost、强化学习算法这些都是校招算法笔试的常客。关于ML/DL在笔试题里的考法我观察到的规律是不要求你手推复杂的数学证明但要求你说清楚核心思想和适用场景。比如XGBoost你至少要知道它和GBDT的区别在于二阶泰勒展开、加了正则项、支持列采样KNN要知道它的三个核心要素是K值选择、距离度量、分类决策规则K-Means要知道初始质心选择会影响最终结果所以会跑多次选最优。当然笔试现场如果出现用伪代码实现K-Means这种题你也得能写出来。K-Means的核心流程是初始化K个质心、迭代地分配样本到最近质心、更新质心位置、判断是否收敛。伪代码大概是这样输入样本集D簇数K 输出簇划分C 随机选取K个样本作为初始质心 repeat: 对每个样本计算其到K个质心的距离分配到距离最近的簇 对每个簇重新计算质心簇内样本的均值 until 质心不再发生变化这类题我建议你用手推一遍画图理解的方式来备考。比如在纸上画一堆二维点手动跑两轮K-Means感受质心是怎么移动的比死记硬背强得多。4. 题海之外从错题中总结的应试策略与常见陷阱这一节我想聊点别的——在刷题之外很多同学在真正的笔试环境中容易犯的策略性错误。这些错误不是知识性问题而是应试技巧问题但恰恰是它们导致了大量明明会做、却丢了分的情况。4.1 笔试环境与ACM模式的适配不只是写对代码那么简单贝壳这类公司的校招笔试通常是在牛客网、赛码网或者自研平台上进行的输入输出格式需要自己处理。这和LeetCode那种只需完成函数的模式完全不同。很多同学在LeetCode上刷习惯之后到了ACM模式的笔试环境里连标准的输入解析都要卡壳这是非常可惜的。具体来说要注意以下几点第一必须非常熟悉cin/coutC、ScannerJava、input()Python的常见用法尤其是读取一行数字然后按空格切分、读取多行数据直到EOF这种场景。Python可以用list(map(int, input().split()))一次性搞定C可以用while(cin x)处理不确定长度的输入。这些习惯如果不提前练考场上临时想就会浪费时间。第二循环输入输出时要注意输出格式的空格和换行。很多题目要求每个结果占一行或者结果之间用空格分隔如果你格式错了即使答案对OJ也会判WA。第三准备好自己的代码模板。我建议备考时在本地编辑器里存一些常用的代码片段比如快读快写、常用数据结构的初始化、取模运算的惯例写法等。考场上不需要现想直接调模板能省下不少时间。但要注意最后的提交代码里不能有模板中的无关内容否则编译器会报错。4.2 时间分配策略先易后难别在一道题上耗死算法卷3这种试卷一般会有4到6道编程题难度递增分值也递增。很多同学的习惯是从第一道题开始做遇到难题死磕结果后面的简单题没时间做这是典型的战术失误。我个人的建议是拿到题目后先把所有题都读一遍用两三分钟评估每道题的难度和熟悉度然后标记出必拿分题通常是前1-2题和冲击题通常是最后一两题。先专心把必拿分题做对、做稳再做冲击题。如果你在冲击题上卡了20分钟还没有思路果断放弃回头检查前面题目的边界条件和输入输出格式这比在一道题上耗一小时划算得多。另外关于暴力法如果一道题想不出最优解法但暴力解法能通过部分用例比如小数据那就先把暴力版写出来。校招笔试OJ往往会用分档数据来判题如果你的暴力能在小数据上通过至少能拿到一部分分数这比空着不写要强得多。我在模拟笔试时经常看到有人因为想不出最优解干脆不提交代码最后得了0分——非常亏。4.3 边界条件与极端值决定你是一题五分还是一题满分我在实际阅卷和模拟评测里发现很多候选人的代码在标准样例上能跑通但在一两个极端用例上就挂掉了。这往往是边界条件没处理好导致的。常见的边界条件有数组长度为0或1时代码是否会越界访问输入的数是否可能为负数、0、最大值比如INT_MAX字符串是否可能为空图是否可能不连通是否有自环和重边计算结果是否会溢出int是否需要long long递归树深度会不会太大导致栈溢出这些看似琐碎的细节恰恰是考官区分背模板和真正理解的关键。我举一个真实的例子有一道题是给定一个仅包含数字的字符串判断它是否是回文数很多人的解法是把字符串反转然后比较但忽略了字符串可能只有一个字符、可能包含前导零等边界最后在隐藏用例上挂了。这种题如果能在写完代码后主动花30秒到1分钟检查一遍边界条件就能大概率避免翻车。5. 专题深挖粒子群、模拟退火与非典型算法的复习定位热搜词里还有粒子群算法、模拟退火算法、强化学习算法、BM25算法、KL散度KL ELBO这些不太像传统笔试必考的内容。很多同学看到这些词会产生焦虑这些我都会考吗我的回答是大概率不会直接考你写粒子群算法的完整代码但你得知道它们是什么、解决什么问题、和经典算法有什么关联。5.1 粒子群算法与模拟退火启发式算法在校招笔试中的真实地位粒子群算法PSO和模拟退火算法SA都是启发式优化算法它们的共同点是不保证找到全局最优解但能在合理时间内找到足够好的解。在校招笔试里这类算法直接出编程题的概率非常低因为题目需要保证答案的确定性而启发式算法带有随机性OJ无法统一判分。但为什么它们会出现在热搜词里我推测有两种可能一是这些公司在部分技术面或HR面里会考察候选人的知识广度问你了解哪些优化算法这时候你能说出粒子群算法的核心思想——每个粒子代表一个潜在解通过个体最优和全局最优来更新速度与位置——就会加分二是候选人需要在简历里体现自己了解多种算法所以在搜索引擎上临时补课。对于这类非典型算法我的复习建议是不要花太多时间在写代码上但要把解决什么问题、核心思想、适用场景、优缺点这四件事记清楚。比如粒子群算法的优点是实现简单、参数少、收敛快缺点是容易陷入局部最优模拟退火的优点是能以一定概率跳出局部最优缺点是参数初温、降温系数敏感。5.2 BM25、KL散度与ELBO这些偏搜索/ML理论的考点要不要深挖BM25是搜索引擎中常用的文本相关性排序算法贝壳作为房产信息平台它的房源搜索排序确实可能用到类似技术所以在算法笔试或面试中有概率出现如何评估query和doc的相关性这类开放性问题。这时候如果你能说出BM25的核心公式——它基于词频TF和逆文档频率IDF并引入了文档长度归一化——就能体现出你对信息检索基础的理解。KL散度和ELBO是机器学习理论里的概念更常出现在算法岗的面试环节而不是笔试环节。KL散度Kullback-Leibler divergence衡量两个概率分布的差异公式是KL(P||Q) Σ P(x) log(P(x)/Q(x))它是不对称的所以P对Q的KL散度不等于Q对P的KL散度。ELBOEvidence Lower Bound是变分推断中的核心概念常见于VAE变分自编码器的推导。如果你投的是偏机器学习方向的算法岗这两个概念值得弄懂如果是偏工程的数据挖掘岗优先级可以适当降低。5.3 规则引擎与Rete算法一个容易被忽视的冷门考点热搜词里出现规则引擎drools的rete算法实现原理和事实匹配过程这个知识点在互联网大厂的算法笔试里并不常见但如果你投的是偏后端的算法工程岗或者岗位描述里提到规则引擎、风控系统那有可能被问到。Rete算法的核心思想是利用空间换时间通过构建一个网络来缓存规则匹配的中间状态避免每次事实变化时都从头匹配所有规则。它把规则分解成条件部分和动作部分条件部分被编译成一个网络结构当新事实加入时只需要在网络中传播和匹配而不需要重新扫描全部规则。在校招笔试中不太可能让你实现Rete但可能会给你一个简单场景让你说明为什么规则数量多的时候Rete比朴素匹配更快。这类题考查的是知识迁移能力如果你能答出利用结构共享和状态缓存来减少重复计算就已经踩到得分点了。6. 备考路线复盘从基础算法到业务建模的三步走计划到了这一步我想把这篇文章的核心内容整合成一个可执行的备考路线帮助你在有限的时间内最大化地提升算法笔试表现。这条路线我自己在带人复盘时反复用效果还可以分享给你参考。第一步打牢基础数据结构与算法。用两到三周时间把线性表、栈、队列、哈希表、树二叉树、二叉搜索树、堆、图邻接表、邻接矩阵这些数据结构的增删改查和遍历全部手写一遍排序算法至少掌握6种并能手写二分查找、双指针、滑动窗口这三大基本算法要形成条件反射。这期间不需要做难题重点是熟练。第二步攻克动态规划、图论经典算法和字符串算法。用三到四周时间把DP的几类经典题型背包、LIS、LCS、编辑距离、区间DP刷熟练把Dijkstra、Floyd、拓扑排序、并查集、KMP、Trie树这些经典算法吃透。这一阶段的重点不是会做而是能快速识别题型特征。看到从左上角走到右下角求最小路径和能立刻想到DP看到依赖关系无环能立刻想到拓扑排序看到字符串匹配能立刻想到KMP或Boyer-Moore。第三步做业务场景下的算法建模训练。这一步是很多刷题党忽略的但恰恰是校招笔试拉开差距的地方。你可以尝试把现实业务问题抽象成算法问题——比如在北京地图上找从某小区到某写字楼的通勤时间最短路径可抽象为图论最短路根据用户浏览记录推荐最匹配的房源可抽象为推荐系统里的相似度计算与排序将经纪人分配到不同区域使得总通勤成本最小可抽象为二分图最优匹配或指派问题。这一步听起来抽象实际上只需要你在刷题时多想一步如果这个题换成一个业务背景题目应该怎么描述练得多了考场上看到业务包装的题就能快速脱壳。7. 一些掏心窝的总结与提醒文章写到这里核心内容基本都覆盖到了。最后说几句可能不算技术、但很重要的心得。第一别迷信刷题数量。刷500道题但每道题只看题解不求甚解不如把100道经典题吃透、能举一反三。我在实际面试中问过很多候选人你刷了多少题有人报800道但让他现场写一个反转链表都会struggle这就是典型的量变没有引起质变。第二一定要做真题和模拟题。LeetCode刷得再好也一定要在牛客网或赛码网上做几套企业真题提前适应ACM模式的输入输出、试卷的时间压力和题目的业务包装感。我第一次做企业真题时光是处理输入就浪费了十分钟那之后才意识到LeetCode函数模式和企业笔试模式之间的巨大差异。第三笔试只是第一关别把全部精力押在上面。算法笔试的目的是筛选出算法基础扎实、代码能力强的候选人但它无法完全衡量一个人的工程能力、业务理解力和团队协作力。如果你的笔试发挥不理想还有面试环节可以展示你的项目经验和技术深度。所以放平心态把笔试当成一次检验自己基础的机会而不是决定命运的判决书。第四关于卷。算法岗的竞争确实激烈但竞争激烈不代表你要陷入无意义的焦虑。给自己制定一个可执行的计划按部就班地复盘和提升每次模拟笔试后认真分析错题和耗时瓶颈比盲目刷题有效得多。我见过太多人在网上看了很多经验贴和收藏了很多学习资料之间反复横跳却很少真正坐下来写一道题。执行力才是你和offer之间最短的距离。最后再分享一个小技巧笔试前一晚不要刷难题把六种排序算法、KMP的next数组推导、Dijkstra的优先队列模板、快速幂模板这些基础肌肉记忆默写一遍然后早点睡觉。考试时保持头脑清醒比多背一个冷门公式重要得多。祝准备校招的你能在算法卷3这类试卷上发挥出自己的真实水平。
1. 这张卷子的定位算法岗笔试到底在筛什么贝壳找房2023届校招算法卷3这名字听起来像是一份普通的笔试题但真拿到手你会发现它其实是在用一套精心设计的问题检验你在学校刷题和实际落地之间到底有没有断裂感。作为经历过多次校招笔试、也帮团队筛过简历的人我有个很直白的感受算法卷3这类题目筛选的从来不是你会不会背模板而是遇到一个从没见过的场景时你能不能把它拆成熟悉的算法问题。先说一个很多人容易误判的点。贝壳做的是居住产业互联网业务场景横跨房源匹配、经纪人调度、房价预估、用户推荐、图像识别比如房源图审核等所以算法卷的题目并不会像纯竞赛那样只考脑筋急转弯而是会刻意往带业务背景的算法题方向靠。也就是说考题里经常出现的是一个披着业务外衣的经典问题比如给定一组房源和用户偏好如何做最优化匹配本质上可能就是一个二分图最大权匹配或贪心策略问题再比如如何对房源价格做排序可能就涉及排序算法和稳定性分析。这类题对考生的核心要求有四点第一基础数据结构要非常熟数组、链表、栈、队列、哈希表、堆、树、图这些不能只是见过得达到随手就能写出来的程度第二经典算法的推导过程要懂不能只背结论比如KMP的next数组、Dijkstra的优先队列优化、快速幂的二进制拆分这些都要能现场推演第三复杂度分析要形成肌肉记忆每写一个解法都要下意识想清楚时间复杂度和空间复杂度第四代码风格要干净边界条件处理要严谨因为阅卷系统不会给你辩解的机会跑不过就是跑不过。我见过太多同学在笔试前疯狂刷LeetCode Hot 100刷了三遍感觉稳了结果一到这种带业务包装的卷子上就懵了。原因很简单LeetCode的题目是有明确标签的你看到hard就知道要往动态规划想但校招卷子不会告诉你这题考什么你得自己从题面里提取特征、匹配算法模型、再落地成代码。这种能力光靠刷题刷不出感觉必须靠理解算法本质拆解场景双管齐下。接下来我结合这套卷子的题型特点把高频出现的核心考点和你可能需要补的短板一块一块拆开讲。2. 试卷里的必考常客数据结构与经典算法逐个击破校招算法卷虽然每年都在翻新但核心考点的分布其实有很强的规律性。贝壳这套卷3的题目从热搜词里也能反向印证——KMP、排序、快速幂、Dijkstra、贪心、模拟退火、粒子群这些名词全都在高频搜索列表里。这说明大部分考生在笔试前都在疯狂搜索这些东西也说明出题人确实爱在经典算法上做文章。2.1 KMP算法别再只会背next数组了KMP算法在热搜词里出现了两次足以说明它在校招笔试中的分量。字符串匹配是算法题中的基础款而KMP又是字符串匹配里最经典的优化算法出题人喜欢考它并不是因为你以后工作里真的会手写KMP——而是因为它能检验你对状态转移和预处理信息这两个核心思想的理解。我详细说一下next数组的推导。给定模式串pabacaba要求next[i]表示p[0..i]这个前缀中最长相等前后缀的长度注意这里next[i]定义的是前缀长度而不是下标不同教材定义略有差异但贝壳这套卷如果考到大概率会用前缀函数的标准定义。我们从头推一遍i0字符a没有真前后缀next[0]0。i1字符串ab前缀a后缀b不相等next[1]0。i2字符串aba最长相等前后缀是a长度1next[2]1。i3字符串abac前缀ab后缀ac最长相等前后缀长度0next[3]0。i4字符串abaca前缀abac后缀baca检查长度4的前后缀a和a相等长度2的前后缀ab和ca不相等长度3的aba和aca不相等最长相等前后缀是anext[4]1。i5字符串abacab最长相等前后缀是ab长度2next[5]2。i6字符串abacaba最长相等前后缀是aba长度3next[6]3。所以pabacaba的next数组就是[0, 0, 1, 0, 1, 2, 3]。如果你在笔试里遇到这道题别急着背答案现场十分钟就能推出来关键是理解最长相等前后缀的递归性质——求next[i]的时候可以利用next[i-1]的信息这就是KMP的核心加速点。我在辅导校招生时发现很多人写KMP挂了不是不理解next而是边界处理错了。比如求next数组时j指针回退要写成while(j 0 p[i] ! p[j]) j next[j-1]匹配时主串指针不回退、模式串指针回退。这些细节一旦写错样例跑不过还不算最惨最惨的是你以为对了但系统里有一个超长字符串的用例直接超时或数组越界。所以我的建议是笔试前把KMP手写三遍第一次照着思路写第二次默写第三次限时5分钟写完。2.2 排序算法从冒泡到堆排都要能说清楚为什么热搜词里冒泡排序和堆排序同时出现这个组合很有意思。冒泡排序是教学用的入门排序堆排序是面试爱问的高级排序但很多同学对它们的时间复杂度、稳定性、适用场景并没有形成系统认知。贝壳这类公司的校招卷子排序大概率会以两种形式出现一是直接考排序代码实现比如手写快排或堆排二是考排序算法的性质比如某场景该选哪种排序。冒泡排序C大概是这种写法void bubbleSort(vectorint arr) { int n arr.size(); for (int i 0; i n - 1; i) { bool swapped false; for (int j 0; j n - 1 - i; j) { if (arr[j] arr[j 1]) { swap(arr[j], arr[j 1]); swapped true; } } if (!swapped) break; // 优化无交换说明已有序 } }这个优化点在笔试里很加分——加上swapped标记后最好情况数组已经有序的时间复杂度从O(n²)降到了O(n)这就是为什么我在实际工程里遇到基本有序的小数组时会考虑用改进冒泡的原因。但如果数据量大直接上快排或归并。堆排序的难点在于建堆和调整堆两个操作的下标关系要理清。以大顶堆为例父节点下标i左孩子是2i1右孩子是2i2从最后一个非叶节点开始向下调整。我记得有一次模拟笔试让候选人手写堆排序有半数以上的人把siftDown写成了siftUp虽然代码能跑但建堆复杂度从O(n)直接变成O(n log n)在数据量大时就会超时。排序这块我给你的建议是把插入排序、冒泡排序、选择排序、快排、归并、堆排这六种都手写一遍并且用表格对比它们的性质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冒泡排序O(n²)O(n²)O(1)稳定插入排序O(n²)O(n²)O(1)稳定选择排序O(n²)O(n²)O(1)不稳定快速排序O(n log n)O(n²)O(log n)不稳定归并排序O(n log n)O(n log n)O(n)稳定堆排序O(n log n)O(n log n)O(1)不稳定这份表格如果你能脱口而出排序类的题目基本就稳了。2.3 快速幂与贪心两个看起来简单但容易翻车的点快速幂算法在热搜词里也出现了它通常不会单独考一道大题而是作为某个复杂题的内部组件。比如计算a的b次方取模10^97如果b的范围是10^18你用循环乘肯定超时必须用二进制拆分的思想把b写成二进制比如b13二进制是1101那a^13 a^8 × a^4 × a^1只需要log b次乘法。C实现大概是long long fastPow(long long a, long long b, long long mod) { long long res 1; while (b 0) { if (b 1) res res * a % mod; a a * a % mod; b 1; } return res; }这里有个容易踩的坑a * a可能溢出long long如果mod在10^9级别a*a最大是10^18接近long long上限9.22×10^18还算安全但如果mod是10^18级别那就要用快速乘或者__int128了。笔试题目一般会贴心地取1e97这种常见模数但你心里得有这根弦。贪心算法就更微妙了。它不像DP有明确的状态定义也不像图论有固定的模板它的难点在于证明贪心策略正确。校招卷里贪心题几乎必然出现最经典的包装方式是任务调度区间覆盖资源分配这三类。我做题时的经验是先用几个小样例验证贪心策略如果每个样例都符合直觉再尝试用交换论证法或反证法快速过一遍证明。考场时间有限不可能每次都很严谨地证明但至少要保证你的贪心策略能够在脑子里过三个反例如果反例不成立大概率是对的。3. 进阶考点专题图论、动态规划与机器学习算法的三重门如果说基础算法是送分题那进阶考点就是真正拉开差距的地方。贝壳算法卷3里的进阶题通常会结合业务场景来出难度不是单纯算法层面的而是你能不能把场景建模成算法问题。这一节我把图论、动态规划和机器学习算法三类分开讲因为它们的备考方式差异很大。3.1 Dijkstra算法的优先队列优化与最短路径相关的题目几乎必考Dijkstra算法在校招笔试里的地位某种程度上比动态规划还稳。原因很简单它既考了图的建模能力又考了贪心思想的延伸还涉及优先队列这一数据结构的运用一个题能检验三样东西。朴素版Dijkstra的时间复杂度是O(V²)因为每次要遍历所有节点找距离最小的那个。用优先队列优化后时间复杂度降到O((VE) log V)在大规模图上性能差异非常明显。核心实现如下vectorint dijkstra(vectorvectorpairint, int graph, int n, int src) { vectorint dist(n, INT_MAX); dist[src] 0; priority_queuepairint, int, vectorpairint, int, greater pq; pq.push({0, src}); while (!pq.empty()) { auto [d, u] pq.top(); pq.pop(); if (d dist[u]) continue; // 跳过过期的松弛记录 for (auto [v, w] : graph[u]) { if (dist[u] w dist[v]) { dist[v] dist[u] w; pq.push({dist[v], v}); } } } return dist; }我见过的最常见的错误有四个一是建图时忘了考虑无向图要加两条边二是优先队列没有用greaterpairint,int导致每次取的是最大值三是dist[u]累加时溢出int四是忘了if (d dist[u]) continue这行剪枝导致大量重复节点入队在极限数据下超时。尤其是第四个错误很多刷题量不够的同学根本想不到因为小数据下不影响结果只有大数据极限测试才会暴露。贝壳的业务场景里最短路径可以用在经纪人带看路线的优化上——给定多个房源地点如何安排带看顺序让总路程最短虽然这本质上是一个TSP问题但笔试时会简化成求两点最短路径或多源最短路径后者的解法是跑V次Dijkstra或直接用Floyd-Warshall看数据范围来选择。3.2 动态规划与贪心的边界什么时候用DP什么时候用贪心动态规划是算法笔试的分水岭题目。我所在的团队在筛校招简历时会特别看重候选人DP题的正确率因为DP题能映射出一个人是否理解状态设计和状态转移这两大核心而这两大核心在机器学习里的损失函数设计、特征组合优化等实际工作场景中也非常重要。备考DP我不建议一上来就刷难题。先把最基础的几类搞透斐波那契数列一维DP、背包问题0-1背包、完全背包、最长递增子序列LIS、最长公共子序列LCS、编辑距离、区间DP。每类DP都要理解两种实现方式——自顶向下带记忆化搜索和自底向上递推。在校招笔试中我推荐优先写自底向上的递推因为代码更短、不容易爆栈。这里有个特别容易混淆的点什么时候用贪心什么时候用DP我的经验是如果局部最优选择能推导出全局最优那可以用贪心如果当前选择会影响未来的选择空间那大概率要DP。用一句话概括——贪心是只看当下DP是记住所有可能的状态。举个例子找零钱问题中如果硬币面额是1、5、11要找15元贪心的做法是111111共5枚但实际上555只要3枚所以这种情况贪心是错的必须用DP。这种反直觉的题目在校招卷里很受欢迎因为它能快速鉴别你是否真的理解了算法的适用条件。3.3 机器学习与深度学习算法笔试试卷里的软实力贝壳找房作为产业互联网公司算法岗位不只是考传统算法还会涉及机器学习、深度学习的基础知识。热搜词里出现机器学习算法、深度学习算法、聚类算法、KNN、XGBoost、强化学习算法这些都是校招算法笔试的常客。关于ML/DL在笔试题里的考法我观察到的规律是不要求你手推复杂的数学证明但要求你说清楚核心思想和适用场景。比如XGBoost你至少要知道它和GBDT的区别在于二阶泰勒展开、加了正则项、支持列采样KNN要知道它的三个核心要素是K值选择、距离度量、分类决策规则K-Means要知道初始质心选择会影响最终结果所以会跑多次选最优。当然笔试现场如果出现用伪代码实现K-Means这种题你也得能写出来。K-Means的核心流程是初始化K个质心、迭代地分配样本到最近质心、更新质心位置、判断是否收敛。伪代码大概是这样输入样本集D簇数K 输出簇划分C 随机选取K个样本作为初始质心 repeat: 对每个样本计算其到K个质心的距离分配到距离最近的簇 对每个簇重新计算质心簇内样本的均值 until 质心不再发生变化这类题我建议你用手推一遍画图理解的方式来备考。比如在纸上画一堆二维点手动跑两轮K-Means感受质心是怎么移动的比死记硬背强得多。4. 题海之外从错题中总结的应试策略与常见陷阱这一节我想聊点别的——在刷题之外很多同学在真正的笔试环境中容易犯的策略性错误。这些错误不是知识性问题而是应试技巧问题但恰恰是它们导致了大量明明会做、却丢了分的情况。4.1 笔试环境与ACM模式的适配不只是写对代码那么简单贝壳这类公司的校招笔试通常是在牛客网、赛码网或者自研平台上进行的输入输出格式需要自己处理。这和LeetCode那种只需完成函数的模式完全不同。很多同学在LeetCode上刷习惯之后到了ACM模式的笔试环境里连标准的输入解析都要卡壳这是非常可惜的。具体来说要注意以下几点第一必须非常熟悉cin/coutC、ScannerJava、input()Python的常见用法尤其是读取一行数字然后按空格切分、读取多行数据直到EOF这种场景。Python可以用list(map(int, input().split()))一次性搞定C可以用while(cin x)处理不确定长度的输入。这些习惯如果不提前练考场上临时想就会浪费时间。第二循环输入输出时要注意输出格式的空格和换行。很多题目要求每个结果占一行或者结果之间用空格分隔如果你格式错了即使答案对OJ也会判WA。第三准备好自己的代码模板。我建议备考时在本地编辑器里存一些常用的代码片段比如快读快写、常用数据结构的初始化、取模运算的惯例写法等。考场上不需要现想直接调模板能省下不少时间。但要注意最后的提交代码里不能有模板中的无关内容否则编译器会报错。4.2 时间分配策略先易后难别在一道题上耗死算法卷3这种试卷一般会有4到6道编程题难度递增分值也递增。很多同学的习惯是从第一道题开始做遇到难题死磕结果后面的简单题没时间做这是典型的战术失误。我个人的建议是拿到题目后先把所有题都读一遍用两三分钟评估每道题的难度和熟悉度然后标记出必拿分题通常是前1-2题和冲击题通常是最后一两题。先专心把必拿分题做对、做稳再做冲击题。如果你在冲击题上卡了20分钟还没有思路果断放弃回头检查前面题目的边界条件和输入输出格式这比在一道题上耗一小时划算得多。另外关于暴力法如果一道题想不出最优解法但暴力解法能通过部分用例比如小数据那就先把暴力版写出来。校招笔试OJ往往会用分档数据来判题如果你的暴力能在小数据上通过至少能拿到一部分分数这比空着不写要强得多。我在模拟笔试时经常看到有人因为想不出最优解干脆不提交代码最后得了0分——非常亏。4.3 边界条件与极端值决定你是一题五分还是一题满分我在实际阅卷和模拟评测里发现很多候选人的代码在标准样例上能跑通但在一两个极端用例上就挂掉了。这往往是边界条件没处理好导致的。常见的边界条件有数组长度为0或1时代码是否会越界访问输入的数是否可能为负数、0、最大值比如INT_MAX字符串是否可能为空图是否可能不连通是否有自环和重边计算结果是否会溢出int是否需要long long递归树深度会不会太大导致栈溢出这些看似琐碎的细节恰恰是考官区分背模板和真正理解的关键。我举一个真实的例子有一道题是给定一个仅包含数字的字符串判断它是否是回文数很多人的解法是把字符串反转然后比较但忽略了字符串可能只有一个字符、可能包含前导零等边界最后在隐藏用例上挂了。这种题如果能在写完代码后主动花30秒到1分钟检查一遍边界条件就能大概率避免翻车。5. 专题深挖粒子群、模拟退火与非典型算法的复习定位热搜词里还有粒子群算法、模拟退火算法、强化学习算法、BM25算法、KL散度KL ELBO这些不太像传统笔试必考的内容。很多同学看到这些词会产生焦虑这些我都会考吗我的回答是大概率不会直接考你写粒子群算法的完整代码但你得知道它们是什么、解决什么问题、和经典算法有什么关联。5.1 粒子群算法与模拟退火启发式算法在校招笔试中的真实地位粒子群算法PSO和模拟退火算法SA都是启发式优化算法它们的共同点是不保证找到全局最优解但能在合理时间内找到足够好的解。在校招笔试里这类算法直接出编程题的概率非常低因为题目需要保证答案的确定性而启发式算法带有随机性OJ无法统一判分。但为什么它们会出现在热搜词里我推测有两种可能一是这些公司在部分技术面或HR面里会考察候选人的知识广度问你了解哪些优化算法这时候你能说出粒子群算法的核心思想——每个粒子代表一个潜在解通过个体最优和全局最优来更新速度与位置——就会加分二是候选人需要在简历里体现自己了解多种算法所以在搜索引擎上临时补课。对于这类非典型算法我的复习建议是不要花太多时间在写代码上但要把解决什么问题、核心思想、适用场景、优缺点这四件事记清楚。比如粒子群算法的优点是实现简单、参数少、收敛快缺点是容易陷入局部最优模拟退火的优点是能以一定概率跳出局部最优缺点是参数初温、降温系数敏感。5.2 BM25、KL散度与ELBO这些偏搜索/ML理论的考点要不要深挖BM25是搜索引擎中常用的文本相关性排序算法贝壳作为房产信息平台它的房源搜索排序确实可能用到类似技术所以在算法笔试或面试中有概率出现如何评估query和doc的相关性这类开放性问题。这时候如果你能说出BM25的核心公式——它基于词频TF和逆文档频率IDF并引入了文档长度归一化——就能体现出你对信息检索基础的理解。KL散度和ELBO是机器学习理论里的概念更常出现在算法岗的面试环节而不是笔试环节。KL散度Kullback-Leibler divergence衡量两个概率分布的差异公式是KL(P||Q) Σ P(x) log(P(x)/Q(x))它是不对称的所以P对Q的KL散度不等于Q对P的KL散度。ELBOEvidence Lower Bound是变分推断中的核心概念常见于VAE变分自编码器的推导。如果你投的是偏机器学习方向的算法岗这两个概念值得弄懂如果是偏工程的数据挖掘岗优先级可以适当降低。5.3 规则引擎与Rete算法一个容易被忽视的冷门考点热搜词里出现规则引擎drools的rete算法实现原理和事实匹配过程这个知识点在互联网大厂的算法笔试里并不常见但如果你投的是偏后端的算法工程岗或者岗位描述里提到规则引擎、风控系统那有可能被问到。Rete算法的核心思想是利用空间换时间通过构建一个网络来缓存规则匹配的中间状态避免每次事实变化时都从头匹配所有规则。它把规则分解成条件部分和动作部分条件部分被编译成一个网络结构当新事实加入时只需要在网络中传播和匹配而不需要重新扫描全部规则。在校招笔试中不太可能让你实现Rete但可能会给你一个简单场景让你说明为什么规则数量多的时候Rete比朴素匹配更快。这类题考查的是知识迁移能力如果你能答出利用结构共享和状态缓存来减少重复计算就已经踩到得分点了。6. 备考路线复盘从基础算法到业务建模的三步走计划到了这一步我想把这篇文章的核心内容整合成一个可执行的备考路线帮助你在有限的时间内最大化地提升算法笔试表现。这条路线我自己在带人复盘时反复用效果还可以分享给你参考。第一步打牢基础数据结构与算法。用两到三周时间把线性表、栈、队列、哈希表、树二叉树、二叉搜索树、堆、图邻接表、邻接矩阵这些数据结构的增删改查和遍历全部手写一遍排序算法至少掌握6种并能手写二分查找、双指针、滑动窗口这三大基本算法要形成条件反射。这期间不需要做难题重点是熟练。第二步攻克动态规划、图论经典算法和字符串算法。用三到四周时间把DP的几类经典题型背包、LIS、LCS、编辑距离、区间DP刷熟练把Dijkstra、Floyd、拓扑排序、并查集、KMP、Trie树这些经典算法吃透。这一阶段的重点不是会做而是能快速识别题型特征。看到从左上角走到右下角求最小路径和能立刻想到DP看到依赖关系无环能立刻想到拓扑排序看到字符串匹配能立刻想到KMP或Boyer-Moore。第三步做业务场景下的算法建模训练。这一步是很多刷题党忽略的但恰恰是校招笔试拉开差距的地方。你可以尝试把现实业务问题抽象成算法问题——比如在北京地图上找从某小区到某写字楼的通勤时间最短路径可抽象为图论最短路根据用户浏览记录推荐最匹配的房源可抽象为推荐系统里的相似度计算与排序将经纪人分配到不同区域使得总通勤成本最小可抽象为二分图最优匹配或指派问题。这一步听起来抽象实际上只需要你在刷题时多想一步如果这个题换成一个业务背景题目应该怎么描述练得多了考场上看到业务包装的题就能快速脱壳。7. 一些掏心窝的总结与提醒文章写到这里核心内容基本都覆盖到了。最后说几句可能不算技术、但很重要的心得。第一别迷信刷题数量。刷500道题但每道题只看题解不求甚解不如把100道经典题吃透、能举一反三。我在实际面试中问过很多候选人你刷了多少题有人报800道但让他现场写一个反转链表都会struggle这就是典型的量变没有引起质变。第二一定要做真题和模拟题。LeetCode刷得再好也一定要在牛客网或赛码网上做几套企业真题提前适应ACM模式的输入输出、试卷的时间压力和题目的业务包装感。我第一次做企业真题时光是处理输入就浪费了十分钟那之后才意识到LeetCode函数模式和企业笔试模式之间的巨大差异。第三笔试只是第一关别把全部精力押在上面。算法笔试的目的是筛选出算法基础扎实、代码能力强的候选人但它无法完全衡量一个人的工程能力、业务理解力和团队协作力。如果你的笔试发挥不理想还有面试环节可以展示你的项目经验和技术深度。所以放平心态把笔试当成一次检验自己基础的机会而不是决定命运的判决书。第四关于卷。算法岗的竞争确实激烈但竞争激烈不代表你要陷入无意义的焦虑。给自己制定一个可执行的计划按部就班地复盘和提升每次模拟笔试后认真分析错题和耗时瓶颈比盲目刷题有效得多。我见过太多人在网上看了很多经验贴和收藏了很多学习资料之间反复横跳却很少真正坐下来写一道题。执行力才是你和offer之间最短的距离。最后再分享一个小技巧笔试前一晚不要刷难题把六种排序算法、KMP的next数组推导、Dijkstra的优先队列模板、快速幂模板这些基础肌肉记忆默写一遍然后早点睡觉。考试时保持头脑清醒比多背一个冷门公式重要得多。祝准备校招的你能在算法卷3这类试卷上发挥出自己的真实水平。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
