2018年那场商汤校招笔试第二场我到现在还记得。当时投的是算法开发岗但卷子上同时印着C、大数据、后端、运维、测试、数据挖掘好几条线的题单选、多选、填空、编程、简答全都有三个小时写下来手都是酸的。商汤作为AI视觉领域的头部公司笔试风格跟互联网大厂不太一样——不单是刷题更看重工程底子和数学理解。这篇不聊鸡汤纯粹把那次笔试涉及的核心考点、解题思路、踩过的坑从头到尾捋一遍给打算投AI公司技术岗的朋友当个参考。1. 整场笔试的概况与岗位差异1.1 这场笔试第二场的整体印象先说场景。商汤2018校招笔试分了多场第二场和第一场的题不重复但考察范围和难度梯度基本对齐。整张卷子覆盖了C/C、算法、大数据、后端、运维、测试、数据挖掘七个方向并不是每个岗位都要答所有题而是按照投递岗位有一组必答题其余题目算选做加分。比如我投算法岗算法和C的题是必答大数据和后端题目可以挑着做答对了能弥补前面的失分。从题量上看笔试大概是四道大题加十几道小题的结构。小题以填空、选择为主覆盖语言基础、数据结构、概率统计、机器学习概念大题则基本是代码题和设计题代码题要求写完整可运行的实现设计题要求给出方案和关键伪码。整体感觉是基础不扎实的人会卡在小题上浪费大量时间代码能力弱的人会在大题上丢大分。这就反映出商汤笔试的一个鲜明特点——它不考偏题怪题考的是你“能不能把学过的东西真正用起来”。1.2 多岗位同卷与选做策略背后的逻辑七条线放一张卷子初看有点乱细想其实是高效筛选。商汤这类AI公司招人岗位边界本身重叠度很高——算法工程师得会写C开发工程师得懂一点深度学习推理大数据开发要会处理训练数据管道测试开发则要能搭建模型评测平台。同卷选做能看出一个候选人的横向视野比单独考某一方向更能反映工程实战潜力。我当时的选做策略是先把必答的算法和C题做完再挑大数据方向里相对熟悉的内容下手后端和运维题看一遍有把握的简单写两笔。这样做的好处是保证核心项不失分坏处是如果目标岗位竞争激烈选做分不够高容易被比下去。建议你在作答前至少留出10分钟把所有题目快速浏览一遍标出哪些是自己有把握的哪些需要放弃先在脑子里形成一个答题优先级再动笔。这个习惯我在后来的多场笔试里一直沿用效果稳定。2. 基础题不是走过场C/C与数据结构的拿分要点2.1 指针、内存布局与字符串处理是C的命门商汤的C/C题很有代表性不考语法糖专考那些平时写工程才会真正遇到的东西。我印象最深的是一道关于指针的填空给定一个结构体里面有若干字段要求写出sizeof输出结果还要考虑内存对齐、指针大小是8字节还是4字节。这道题看着基础实际上整张卷子不少人在这里栽了跟头。sizeof问题表面考内存对齐实际考的是你对C对象模型的理解差一个字节都会导致判错。答题时注意三个原则一是先算字段本身的字节数二是看对齐方式默认按最大成员对齐三是不要忽略空类和虚函数表指针的影响。字符串相关题目也考得不少。热词里提到了“字符串逆序输出c”这场笔试里出现了一个很经典的变体题目要求在不使用额外数组的前提下把单词顺序翻转比如“I love coding”变成“coding love I”但每个单词内部字母顺序不变。解法是先整体反转字符串再逐个单词反转回正序时间复杂度O(n)、空间O(1)。这类题目在商汤笔试中出现频率很高本质上是在考察指针操作和边界控制。记得写代码时把首尾指针、空串、单字符串、连续空格这些边界情况都考虑进去面试官是会看你的测试用例思维的。2.2 KMP、排序算法与笔试常客为什么它们反复出现热词里专门提到了KMP算法和next数组计算。原题是模式串pabacaba要求写出next[i]数组next[i]定义为前缀的最长真前后缀匹配长度。这是典型到不能再典型的题但能完整手推出来的人并不多。这里给一个记忆方法next数组递推时分两种情况——如果p[i]等于p[next[i-1]]则next[i]等于next[i-1]加一如果不相等就回退到next[next[i-1]]继续比较直到匹配或退到0。手推时把表格画出来一行写模式串下标一行写字符一行写next值不容易乱。排序算法在大厂笔试里几乎必考。我记得卷子上有一道多选问哪些排序算法是稳定的哪些是原地排序哪些在平均情况下的时间复杂度是O(n log n)。归并排序稳定但不是原地堆排序原地但不稳定快排平均O(n log n)但不稳定这些结论必须形成肌肉记忆。另外商汤这类AI公司比较喜欢考“大量数据场景下用什么排序算法”——比如10亿个整数存在多台机器上如何取Top100。这其实是堆排序和大数据分治思想的结合回答时要点出每个机器维护一个大小为100的小顶堆再在汇总层合并各机器堆顶复杂度是O(n log k)k取100空间可控。3. 算法与AI方向的核心考点从经典算法到机器学习3.1 代码题的难度分级与时间分配商汤算法岗笔试的代码题一般是两道到三道难度梯度拉得比较大。第一道通常偏向基础数据结构和模拟差不多是LeetCode中等偏简单的水准第二道开始上动态规划或者贪心如果还有第三道很容易是带约束优化的题。我记得第二场里有一道和“粒子群算法”沾边的题目不是说让写粒子群算法而是给了一个优化目标函数问如何设计迭代求解方案。当时很多人直接蒙了其实题目的核心是考察“是否理解启发式算法的思想和适用边界”不是让你实现粒子群本身。代码题时间分配建议是简单题控制在15分钟内中等题控制在25分钟左右难题能写多少写多少关键是把自己的思路清晰表达出来。很多人容易在第二道题上死磕结果最简单的题没有回头检查边界出现低级失误。笔试不是竞赛目标是“能拿的分全拿”。我会先把所有题目的核心算法思路用伪代码或注释写在代码块前面再填实现。这样哪怕最后代码没写完阅卷人也能看到思路能给过程分。3.2 深度学习基础与数学推导的考察尺度算法岗笔试另一个让人意外的地方是有一批机器学习/深度学习概念题。比如选择题里问ReLU激活函数在x0时的导数是几标准答案是0。还有一道题问对于深层网络梯度消失问题主要由什么引起可选项包括激活函数选择、网络层数过深、初始化方式不当、学习率过大——严格来说这些都有关联但如果只选一个最核心的原因应该选“激活函数选择”和“网络层数过深”引发的链式梯度连乘。这类题不考训练技巧的细枝末节考的是对基础原理的准确理解。还有一道手推题让我印象深刻给了一个简单的两分类逻辑回归损失函数要求写出梯度的推导过程。这是AI公司笔试里常见的送分题但每年都有人写错符号或漏掉sigmoid的导数形式。技巧是把sigmoid导数记为s(z)(1-s(z))把损失函数拆成两部分分别对w求偏导最后合并时会出现样本预测概率与真实标签的差值形式这个结果是深度学习反向传播的基石务必做到手推不卡壳。平时复习时我建议把逻辑回归、Softmax回归、线性回归、SVM的损失函数和梯度推导至少手写三遍。4. 大数据方向架构理解和SQL功底的两条腿4.1 大数据组件考点与数据倾斜问题大数据方向的题目在这张卷子里占了相当比重。有一道简答题是在处理大规模数据时数据倾斜是如何产生的如何解决数据倾斜高发场景是join操作时key分布不均匀比如用户维表join行为日志表少数活跃用户就贡献了几千万条关联记录。解法从几个层面考虑过滤异常key、对key加盐再二次聚合、使用广播join把小表分发给所有节点等。答题时最好把每个方案的适用场景写清楚比如加盐适合大key但要注意group by的结果还原广播join适合维表小于内存容量的情况。组件考点集中在Hadoop和Spark。有一道选择题问MapReduce的shuffle过程包括哪几个阶段正确答案涉及map端分区、排序、溢写、reduce端拉取合并。当时还考了一道HDFS写文件的副本放置策略——第一副本放在客户端所在节点第二副本放在同rack不同节点第三副本放在不同rack的节点。这类题是纯记忆型考点平时不做大数据开发的人可能一脸懵但投大数据岗的人必须把这几个经典细节背熟。Spark方面则考了宽依赖和窄依赖的区别以及哪些算子会产生shuffle。这属于大数据开发面试必考题复习时反复多看几遍不会亏。4.2 数据挖掘场景题怎么答才不跑偏数据挖掘方向的考题大多是给业务场景设计挖掘方案。热词里提到了“大数据面试题”和“基于大语言模型的云盘非结构化数据理解与内容生成方法”虽然2018年还没大语言模型这说法但“非结构化数据”确实是当年的热点。记得有一道题给出大量云盘中的照片、聊天记录、文档等非结构化数据要求设计一套自动打标签和检索方案。这道题考察的是端到端的思路先做数据清洗和OCR/图像分类再提取文本和视觉特征然后用聚类或分类模型生成标签最后建倒排索引支撑检索。回答时要体现“数据获取—特征工程—模型选择—效果评估”的完整闭环哪怕细节不深入框架也要清晰。我当时还在场景题里写了文本预处理的几个细节中文分词用jieba、去停用词、TF-IDF做初筛、Word2Vec做语义向量这些其实面试官都认可。数据挖掘笔试有个特点它不是要你展示多高深的理论而是看你能不能把问题拆解成可执行的技术方案并且考虑到数据质量、计算资源、评估指标等实际因素。回答场景题时切忌只写“用深度学习模型解决”起码要写出具体的输入输出、训练数据怎么来、模型效果怎么量化有这几个要素答案基本就不跑偏。5. 后端方向的考点接口设计、并发与工程落地5.1 从RESTful到幂等性笔试里的工程题后端方向的题就很实在了。有一道设计题设计一个短链接服务要求支持高并发并给出核心接口定义。答案需要覆盖短码生成策略可选用发号器或Hash加去重、存储选型Redis缓存热点MySQL持久化、重定向逻辑301还是302以及如果同一个长链接重复提交要不要返回相同的短码。这题考察的其实是“RESTful接口设计缓存策略幂等性”的组合拳和热词里“前后端分离项目实战”所涉及的后端工程能力是同一个层次。另一个容易失分的地方是并发控制。记得有选择题问在减库存场景下如何防止超卖可选方案有数据库悲观锁、乐观锁CAS、Redis分布式锁、纯Redis的Lua脚本原子操作。每个方案都有致命细节悲观锁可能拖垮数据库性能乐观锁在高并发下重试率极高Redis分布式锁要注意锁的过期时间和持有者标识Lua脚本则要保证脚本逻辑全部原子执行。笔试时别只写方案名字要把“为什么这个方案能防超卖”的原理说清楚阅卷人往往就是看这个。后端题目对工程素养的要求一点都不低不太懂并发的人很容易在这里丢分。5.2 前后端分离、Node.js与常见后端技术栈当年商汤后端笔试还涉及了一点前后端分离的场景题。比如要求解释浏览器跨域问题时需要答到同源策略、CORS头部配置、反向代理等几种解决方式。这道题有意思的地方在于它虽然是后端岗位却要求你理解前端调接口的流程——后端配CORS或代理转发是当下前后端协作的常见切面。热词里也反复出现“node.js后端服务应用程序开发示例”“java 前后端工作原理”“spring”这些内容说明后端考点不止纯粹的业务逻辑开发还涵盖服务端框架选型、中间件使用和部署运维。我还记得卷子里有一道关于Spring的题大意是介绍控制反转和依赖注入的区别。别觉得基础能一两句话讲清楚的人不多——控制反转是设计原则把对象创建和依赖管理的控制权从对象内部反转给外部容器依赖注入是实现该原则的一种具体手段。而Node.js作为高并发I/O密集型服务的方案商汤笔试里也出现过选择题问其事件驱动、非阻塞I/O特点适合什么场景。回答时可以举例聊天服务、实时推送、API网关等但要注意纯计算密集型任务不适合Node.js容易阻塞事件循环。后端岗位范围很杂复习时建议把“设计原则、框架原理、缓存与消息队列、常见中间件”四条线都过一遍。6. 运维与测试岗位被低估的加分项6.1 运维笔试的方向从C盘清理到集群部署运维岗位的题目有两个特点一是贴近实际二是考察排查思路。当时有一道题是线上服务CPU占用率突然飙高到100%如何一步步排查标准流程是先用top或htop定位高CPU的进程再通过线程栈比如jstack看是不是GC频繁或者用perf分析热点函数。答题时最重要的不是背命令而是要体现出“由粗到细、先定位再处理”的排查顺序。这跟热词里“c盘满了怎么清理”“磨针c盘清理”这类问题的思路本质上一样——先看空间占用大户再用工具定位最后再动手清理而不是盲目删文件。大数据集群部署策略也是运维方向的高频题。有一道简答题假设给你五台机器要部署一个Hadoop加Spark的集群你会怎么规划角色分布合理的答案是一台做NameNode、ResourceManager和Spark Master另外三台做DataNode和NodeManager最后一台可以跑辅助服务如SecondaryNameNode或监控组件。这样设计既保证主节点高可用预留又不浪费数据节点存储。2018年这道题背后还隐含了一个思路——机器少时如何合理分配角色让每台机器负载可控。从运维的角度看回答这类题不用堆术语关键是你的划分有没有逻辑依据。6.2 测试用例设计与自动化测试思维测试岗位的笔试题也很有代表性核心是考察用例设计能力。当时有一道题给一个登录接口设计测试用例要求包括正常场景、异常场景和边界情况。要拿高分至少得覆盖这四类正确账号密码返回200和合法token错误密码返回401且提示明确连续多次失败后触发验证码或锁定参数缺失、超长字符串、SQL注入字符等安全性用例。这些用例背后其实是一种穷举假设的思维方式——你不光要考虑“正常能不能跑通”还要考虑“异常下会不会崩、会不会被攻击”。自动化测试的题目通常和开发结合紧密。有一道选择题问在持续集成中接口自动化测试应该安排在哪个阶段很多人会选“代码提交后立即跑全量回归”这其实是误区正确做法是在构建完成后先跑冒烟用例通过再跑全量回归不然每次提交都全量跑维护成本会拖垮团队效率。热词里“idea 如何进行前后端开发”“sseemitter后端本地启动前端无法获取数据”这类联调问题放到测试视角其实就是本地联调环境的数据流验证。测试岗笔试开始有点“开发化”了建议投这个方向的人把Python或Java基础的代码功底练一练。7. 考后复盘我踩过的坑与给后来人的建议7.1 时间分配和做题顺序有哪些门道考完回头看整张卷子最大的坑其实是时间分配。我一开始在选择题上花了不少时间结果最后一道代码题只剩20分钟写得非常仓促有一处逻辑错误根本没有测出来。后来再应对类似笔试我给自己定了一个死规矩小题总时间不超过总时长的40%至少留40%给代码题剩下20%用于检查和补充思路。做题顺序上先把所有必答题里会做的快速写完再回头啃难题——这样能保证基础分先落袋。关于选做题我的体会是“宁精勿滥”。当时我贪多比如大数据题和运维题都答了一些但因为时间被切碎每道题的深度都不够。后来复盘时发现一旦在某一道选做题上能展现出比旁人更完整的方案比零散答三题更容易让面试官记住。毕竟笔试看的是能力上限不是答题数量。7.2 代码环境与细节习惯别在非技术点丢分笔试还有一个老生常谈但很多人不重视的点代码环境。我见过有人连本地编译环境都没配好直接在线写最后只用一个不存在的函数名吊了很久。热词里“vscode配置c/c环境”“npm : 无法加载文件 c:\program files\nodejs\npm.ps1,因为在此系统上禁止运行脚本”这类问题在校招笔试现场频繁发生。如果你平时习惯用某个编辑器写代码考前一定要在笔试平台上把输入输出模板手动跑一遍确认各种库能正常引用。我现在还保持着一个习惯每周至少手写一次完整可编译的C或Python代码不依赖自动补全防止考试时手生。写代码时还有一些细节习惯值得养成变量命名别用a、b、c这种无意义的字符要在代码开头注释里写明算法复杂度和思路处理输入时考虑多种分隔符输出格式严格对齐题目要求。这些看似琐碎的习惯在笔试阅卷时都会变成加分点。7.3 给后来人的三个具体准备方向经历过这一轮校招再回头看商汤这类AI公司的笔试它真正想筛的人其实是“基础扎实、工程全面、有临场拆解能力”的候选人。如果问我准备方向我的核心建议是三个第一把C内存模型、STL常用容器原理、SQL基本功这些“硬通货”反复打磨确保小题不丢分第二刷题时不要只满足于Accept要把每道题从题目分析、复杂度计算到边界测试串下来形成一套自己的解题模板第三针对自己投递的方向多看看已上岸同学的面经和笔试经验提前了解公司考察侧重点。最后再分享一个心态层面的技巧笔试过程中遇到不会的题目是正常的重要的是学会先跳过去先把能拿的分拿到手。2025年了当年那场笔试的很多具体题目已经模糊但那种“在有限时间内拆解问题、给出可落地方案”的思路直到现在依然是我工作里最常用的能力。希望这篇复盘能帮看到这里的你少走一些弯路笔试中多拿几分。