先说结论秋招算法岗笔试尤其是有蚂蚁这样体量的公司筛人力度比大多数同学想象中狠。我今年把蚂蚁算法岗笔试作为重点来准备前后刷了两轮题、复盘了三套回忆版真题把整个备考逻辑、高频考点和实战中踩过的坑都整理了出来。这篇内容不是真题答案汇编而是从命题角度反推出来的备考框架目标是让你在考场上不慌遇到什么题都能有一套稳定的应对思路。后面秋招、春招想投算法岗的同学可以拿这篇当底稿。整个准备过程里我最深的感受是蚂蚁算法岗笔试并不是纯刷题比赛它更看重基础概念的扎实程度和工程落地意识。同样是考排序它可能不问你冒泡排序怎么写而是问你海量数据下的 topK 用哪种排序最合适同样是考机器学习它可能不让你默写公式而是给你一个支付风控场景让你说说 AUC 和 KS 怎么选。这种考法决定了你不能只靠背题得把知识点串成体系。1. 笔试命题逻辑与备考思路1.1 蚂蚁算法岗笔试到底在考什么从形式上看蚂蚁算法岗笔试通常由三大部分组成在线编程题、基础选择题/填空题、以及场景设计题。在线编程题一般是 2 到 3 道采用 ACM 模式需要自己处理输入输出题目范围覆盖数组、字符串、动态规划、贪心、图论、二分、排序这些经典领域。基础选择题主要考数据结构、概率统计、机器学习基础、深度学习基础偶尔会掺一两道跟公司业务相关的场景题。场景设计题则更自由通常给出一个实际业务问题比如用户流失预测、推荐召回策略、风险交易识别要求你描述方案、选模型、讲评估方式、说清楚为什么这么做。这里要特别注意蚂蚁笔试的在线编程题跟纯 ICPC 竞赛题风格不一样。竞赛题偏重巧思和数学构造蚂蚁的题更偏工程和边界处理很多题目来源于实际业务中的抽象比如风控规则里的区间合并、金融序列的特征提取、调度系统里的任务分配。我个人的建议是刷题时不要只刷 hard 题中高频的 medium 题反而更贴近实际考核难度尤其是那些涉及前缀和、双指针、单调栈、差分数组、字典树这类数据结构的题出现频率非常高。再说时间分配。笔试总时长一般在 90 分钟到 120 分钟之间题量却不少。很多同学最大的错误是纠结在某一题上导致后面明明会做的题没时间写。我的策略很明确拿到试卷先花 2 分钟扫一遍所有题目按难度和熟悉度排个序先把会做的、有把握的题全部写完拿稳分再回头啃难题。这个过程看起来简单但实战中真能做到的人不多因为对着题目会产生“我再想想就能做出来”的错觉而时间就是这么被耗掉的。1.2 从高频搜索词反推真实考点我在备考的时候习惯去查各种相关资料发现一个很有意思的现象只要是搜“算法”“蚂蚁集团”相关的内容搜索引擎就会自动带出一大堆关联词比如“KMP算法”“粒子群算法”“KL ELBO算法原理详解”“排序算法”“强化学习”等等。表面上看这些词是随机联动的但仔细分析它们其实暴露了准备算法岗笔试时大家普遍关心的知识密集区。把这些高频词拆分一下大致能分成三类。第一类是笔试必考的硬核数据结构与算法比如 KMP、堆排序、快速排序、动态规划、贪心、Dijkstra、快速幂、二分图匹配这些是代码题的常客而且是“会就会、不会就真的写不出来”的知识点必须反复练到肌肉记忆。第二类是机器学习理论底层比如 KL散度、ELBO、BM25、KNN、聚类、特征工程这些往往出现在选择题和简答题里考察的不是你能不能调用 sklearn而是你懂不懂背后的数学原理和适用条件。第三类是具备行业交叉背景的知识比如 PID 控制、粒子群优化、强化学习、卡尔曼滤波这些在通用算法笔试里出场率不算最高但在蚂蚁这类业务包罗万象的大厂里可能会出现一两道考察候选人的知识面和迁移能力。所以我的备考框架其实很朴素代码题按专题刷理论题按“公式加场景”背交叉知识按“浅尝辄止、能说清楚原理”的标准准备。下面分几个大块详细拆开讲。2. 代码题高频考点KMP、排序、数据结构与经典算法2.1 KMP 算法手算 next 数组与模板代码KMP 算法几乎是算法岗笔试里字符串匹配的“代言人”我身边十个准备笔试的人八个都会专门搜“KMP算法 next数组怎么算”。热点里那句“对于模式串 pabacaba其 next 数组定义为”正好是很多教材和习题里最喜欢拿来出题的样例我们把它当作一个完整案例算一遍。先说 next 数组的定义这里有一个特别容易踩坑的地方不同教材对 next 数组的定义不完全相同。常见的有两种。一种是部分匹配表PMT风格next[i] 表示 p[0..i] 这个子串的最长相等前后缀长度另一种是失配跳转风格next[0] -1next[i] 表示 p[0..i-1] 这个子串的最长相等前后缀长度失配时把模式串指针跳到 next[i]。两种定义下数组的值会差一位网上很多代码也是两种混着来的考试时一定要先看清题目给的是哪一种。按失配跳转风格来计算 “abacaba” 的 next 数组。模式串 p a b a c a b a长度 m 7。next[0] -1这是初始约定。next[1] 对应子串 p[0..0] “a”前缀集合只有 a后缀集合也只有 a但前后缀不能取整个串自身所以最长相等前后缀长度为 0next[1] 0。next[2] 对应子串 p[0..1] “ab”前缀 {a}后缀 {b}没有相等的前后缀next[2] 0。next[3] 对应子串 p[0..2] “aba”前缀 {a, ab}后缀 {a, ba}最长相等前后缀是 “a”长度 1next[3] 1。next[4] 对应子串 p[0..3] “abac”前缀 {a, ab, aba}后缀 {c, ac, bac}没有相等next[4] 0。next[5] 对应子串 p[0..4] “abaca”前缀 {a, ab, aba, abac}后缀 {a, ca, aca, baca}相等的是 “a”next[5] 1。next[6] 对应子串 p[0..5] “abacab”前缀 {a, ab, aba, abac, abaca}后缀 {b, ab, cab, acab, bacab}最长相等前后缀是 “ab”长度 2next[6] 2。所以按这个定义next 数组是 [-1, 0, 0, 1, 0, 1, 2]。如果题目问的是 next[7]也就是整个串 p[0..6] “abacaba” 的最长相等前后缀那就是 “aba”长度 3。很多笔试题目会把数组下标写成从 1 开始这时候需要根据题目说明做偏移千万不要默认。代码模板也给大家贴一份核心点是递归回溯 next[k]vectorint getNext(const string p) { int m p.size(); vectorint next(m); next[0] -1; int j 0, k -1; while (j m - 1) { if (k -1 || p[j] p[k]) { j; k; next[j] k; } else { k next[k]; } } return next; }很多同学会觉得 KMP 难难在 “为什么要回溯到 next[k] 而不是直接回退到 0”。简单说当前缀字符 p[k] 不匹配时说明 k 位置之前其实有一部分已经匹配上了这部分的最长相等前后缀已经算好存在 next[k] 里了所以直接从那里继续比较就行。这个思想搞懂了KMP 的代码就不会忘。笔试前建议把这个代码默写三遍因为考场上临时推导容易出错。2.2 排序算法全家桶与复杂度对照排序算法在蚂蚁笔试里的地位很微妙。像快速排序、堆排序这种题一般不会直接让你写完整实现但会在选择题里考察复杂度、稳定性、适用场景或者在场景题里隐含考察你知不知道“海量数据排序该用外部归并排序”。我建议把常考排序算法整理成一张对照表考前扫一遍就能快速回忆。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)不稳定计数排序O(n k)O(n k)O(k)稳定这张表背后有几个值得深挖的点。第一快速排序虽然平均复杂度跟归并、堆排序一样但实际运行的常数因子最小所以大多数工程场景里快排是默认选择然而它最坏会退化到 O(n²)在近乎有序的数组上尤其明显所以高级实现里都会加入随机化 pivot 或者三数取中笔试代码题里如果用快排最好也加上免得碰上极端用例超时。第二归并排序是稳定的这在处理“按某个字段排序后保持原始次序”的业务需求里很关键很多候选人只记得复杂度却说不出为什么要用稳定排序这就丢了印象分。第三堆排序在建堆阶段复杂度是 O(n)不是 O(n log n)这个点经常被拿来出选择题。另一个高频关联考点是 topK 问题。如果 K 远小于 n用大小为 K 的小顶堆遍历一遍数组是最直观的做法复杂度 O(n log K)。如果内存放不下全部数据比如海量日志里取 top 100那就得走外部排序加重扫一遍的方案。笔试时遇到这类题先确认数据规模和数据存储方式再决定取舍。2.3 动态规划、贪心、快速幂等高频题型代码题里还有一个被反复翻牌的方向是动态规划热点里的“贪心算法”“快速幂算法 c”都指向这个方向。备考时不要想着一口气把所有 DP 类型全刷完而是把最常出现的几类吃透线性 DP、区间 DP、背包类 DP、状态压缩 DP 的入门题以及最长上升子序列、最长公共子序列、编辑距离这些经典模型。蚂蚁这样的公司笔试动态规划题往往会给一个贴近业务的包装。比如“一系列任务每个任务的开始和结束时间不同选择哪些任务能使得收益最大化”这种题本质是带权区间调度解法是排序后用动态规划加二分优化。一眼看穿包装背后的裸模型是做题速度的关键。我自己的训练方法是每道 DP 题用“状态定义、转移方程、边界条件、复杂度”四步法写笔记不追求题量追求每一题都彻底弄懂。贪心算法更看“直觉加证明”。笔试里常见的区间选点、跳跃游戏、分发饼干等题目很多都能从直观上猜出策略但你要能说出为什么贪心是对的比如交换论证或者反证法。快速幂则是必须掌握的基础工具尤其是结合取模运算的场景代码很短但出现频率很高模板我建议直接背下来long long powMod(long long a, long long b, long long mod) { long long res 1; while (b) { if (b 1) res res * a % mod; a a * a % mod; b 1; } return res; }Dijkstra 和堆优化也是常客。蚂蚁的业务里有很多路径规划和调度场景所以图论的题偶尔会出现至少要会写堆优化的 Dijkstra。至于热度很高的 KMP、二分图 HK 算法、BM25 这些词KMP 是必考重点HK 算法在竞赛里更常见笔试中出现概率不高但有精力的话可以了解原理作为加分项。3. 机器学习与深度学习理论考点3.1 KL 散度与 ELBO从公式到推导今年搜索热词里赫然在列的有“kl elbo算法原理详解”这其实对应着变分推断相关的内容。蚂蚁这类大厂在算法岗笔试中确实喜欢考 KL 散度和 ELBO因为这能看出候选人有没有理解生成模型、变分自编码器、贝叶斯推断这些进阶内容而不是只会调库。KL 散度的定义是衡量两个概率分布 P 和 Q 的差异程度KL(P || Q) Σ P(x) × ln(P(x) / Q(x))它有几个关键性质非负等于 0 当且仅当两个分布完全一致不对称KL(P || Q) 不等于 KL(Q || P)所以它不是真正意义上的距离可以理解为分布 P 相对于分布 Q 的“额外编码代价”。如果考选择题通常会在不对称性上做文章比如问你“为什么不能把 KL 散度作为对称度量函数使用”。ELBO 的全称是 evidence lower bound证据下界。它的核心推导思路是我们要最大化对数似然 log P(x)但直接计算 P(x) 通常不可行于是引入一个变分分布 q(z|x) 来近似后验 P(z|x)。推导过程可以写成这样log P(x) E_q(z|x)[log P(x)] E_q(z|x)[log(P(x, z) / P(z|x))] E_q(z|x)[log P(x, z) - log q(z|x)] E_q(z|x)[log q(z|x) / P(z|x)] ELBO KL(q(z|x) || P(z|x))因为 KL 散度恒大于等于 0所以 log P(x) 永远不小于 ELBO。换句话说我们没法直接最大化 log P(x)但可以通过最大化 ELBO 来间接逼近它同时这个过程等价于最小化公式第二项 KL 散度让近似后验逼近真实后验。这东西不能只背结论笔试简答题很有可能让你写出完整推导过程所以建议考前至少手推三遍直到能不看笔记写出来。另外热点里还有“卡尔曼滤波算法”这个词。卡尔曼滤波本质上也是在求解一个后验估计问题它利用预测和更新两步递推跟贝叶斯推断的思想一脉相承。笔试如果考到大概率是考察它适用于线性高斯系统、计算复杂度低、能在线实时更新这几个特点不会让你手推整个滤波器公式。3.2 模型评估指标怎么结合业务来答机器学习理论部分模型评估永远是重点因为这是从理论走向工程的必经环节。热点里没有直接出现“AUC”或“ROC”这类词但搜“算法”必然会关联出来我也建议大家重点准备。蚂蚁的业务场景里风控、支付、信用评估都极其依赖评估指标的选择。精确率和召回率的差异很多人都知道但结合业务就说不太清了。比如风控场景把好用户误判为风险用户可能只是造成体验损失但把风险用户漏过去可能造成资金损失。这时你会选择更高的召回率哪怕牺牲掉一部分精确率。再比如推荐场景用户看到一个不感兴趣的广告损失相对较小但漏掉一个感兴趣的物品损失的是增长机会策略又不一样。笔试简答题如果给你业务背景一定要把业务代价和指标对应起来而不是只背公式。AUC 和 KS 这两个指标很容易混淆。AUC 衡量的是模型把所有正样本得分排在负样本前面的概率取值范围 0 到 1越大越好。KS 统计量衡量的是正负样本累积分布的最大差距常用于风控模型分箱后的区分度评估。可以把 AUC 理解为“整体排序质量”KS 理解为“最大区分能力”。很多候选人只说了定义没答出“在风控里通常两个都看”这个工程细节这就是区分度所在。特征工程也值得花时间准备。搜索词里出现的“图像锐化的拉普拉斯算法”“图像分类算法”虽然偏向 CV但特征工程的核心思路是一样的从原始数据里提取出对预测目标有区分度的信息。蚂蚁的算法岗笔试不太会考特别深的 CV 细节但你至少要能说清楚连续特征离散化、WOE 编码、IV 值筛选、缺失值填充这些基本操作背后的逻辑以及为什么离散化之后模型会更稳定。3.3 强化学习与经典控制算法的交叉考点热点词里同时出现了“强化学习算法”和“pid算法在crps psu power的作用”初看毫无关联但放在一起恰恰说明一个趋势大厂的算法岗位正在越来越看重交叉领域知识。蚂蚁的 AI 平台、OceanBase 基础设施等方向都可能遇到资源调度、自动控制、配置优化这类实际问题而这些场景往往是强化学习和 PID 控制的交叉地带。强化学习准备到什么程度笔试阶段不用你会写 PPO 或 DQN 的完整代码但必须清楚四要素状态 state、动作 action、奖励 reward、策略 policy。要能说清楚它和监督学习、无监督学习的本质差异强化学习通过与环境交互获取奖励信号依赖代价函数学习策略数据分布会随着策略变化而变化存在 exploration 与 exploitation 的均衡问题。如果笔试里给一个广告出价自动优化的场景你能顺势说出用强化学习来解决并简单解释状态空间怎么定义、奖励怎么设计就已经能拿到大部分分数了。PID 控制作为经典控制方法也值得了解理解它不需要控制论基础只需要一个直觉。PID 公式是u(t) Kp × e(t) Ki × ∫e(τ)dτ Kd × de(t)/dt其中 e(t) 是当前偏差Kp 比例项让系统快速响应偏差Ki 积分项消除长期积累的稳态误差Kd 微分项提前感知偏差变化趋势、抑制超调。把 PID 和强化学习对比记忆很有效PID 是“固定参数的反馈控制”适合模型清晰、动态简单的场景强化学习是“数据驱动的自适应决策”适合状态空间大、最优策略不明显的场景。笔试如果出到这类题答出这个对比就很出彩。4. 笔试实战时间分配与避坑指南4.1 笔试前三天这样做很多同学在笔试前三天还在疯狂刷难题我认为这是性价比最低的做法。到了冲刺阶段最该做的是三件事第一把高频公式和模板系统过一遍包括 KMP 的 next 数组、快速幂、Dijkstra 模板、KL 散度与 ELBO 推导、PID 公式这些必须达到能默写的程度第二把刷题笔记里的错题重做一遍尤其是那些“第一次想错方向第二次还是错”的题它们往往代表你的思维盲区第三严格按照考试时长做一次模拟用陌生题不开 IDE 自动补全模拟真实考场环境。这里要特别说一句不要迷信“押题”。网上流传的所谓“蚂蚁笔试原题”很多是网友回忆版真假难辨题型和难度也未必还原。你把它当练习可以但不要因为没见过哪道题就焦虑。大厂笔试题库更新周期很快与其赌原题不如把底层能力和物理速度练上去。另外笔试前的作息也很重要。不要临时熬夜刷题睡眠不足直接导致反应变慢而算法笔试恰恰是拼反应的考试。我有一次就是前一天刷题到凌晨第二天做一道很常规的二分题边界条件反复出错白白丢分。这个教训很深刻现在写出来给大家避雷。4.2 考场时间分配与做题顺序进入笔试系统之后第一件事不是看题干而是花一分钟把整张试卷的题量、分值和题型分布看清楚。编程题分值通常最大但也最耗时间填空题和选择题分值小但拿分快。我的建议是选择题和填空题控制在 15 到 20 分钟之内快速扫过会就选不会就跳过千万不要在一道概率题上耗 5 分钟。剩下的时间尽量全部投给编程题和设计题。编程题的做题顺序也有讲究。先写最有把握的题代码写出来并跑通样例后立刻提交先落袋为安。对于没有思路的题不要马上放弃先看数据范围如果 n 很小考虑暴力搜索能不能过如果 n 很大但题目有强烈的单调性考虑二分答案如果题目是“求最值”且看不出贪心策略往 DP 方向想。实在做不出来就写一个能过部分数据的暴力版本笔试通常按用例给分暴力分拿一分是一分。场景设计题不建议写太长关键是结构清晰。我常用的结构是问题定义、方案选型、核心步骤、评估方式、风险与改进。选型时不要只写模型名字要写清楚为什么选它而不选别的比如“这里选择 XGBoost 而不是逻辑回归因为特征之间有明显的非线性交互且数据量足够支撑树模型”。展示出你的思考过程比堆砌一堆名词有用得多。4.3 常见问题与调试技巧笔试现场最容易翻车的不是不会做而是代码因边界和细节卡住。根据我自己的刷题经验整理几个高频问题。第一ACM 模式下的输入输出处理。很多同学平时刷 LeetCode 习惯了核心代码模式不关注输入输出一到笔试现场就卡住。建议提前熟悉 readline 和 split 的用法尤其是当输入可能包含空行或多个测试用例时要写一个健壮的读入模板避免因为格式问题导致样例都跑不过。第二整数溢出。有些题看起来很简单比如求斐波那契数列第 n 项但如果 n 很大普通 int 会溢出而且结果要取模。我建议所有涉及加法乘法的代码在不确定范围时直接使用 long long 或者自动判断是否需要取模这是成本最低的规避方式。第三数组越界和递归栈溢出。动态规划遍历时经常在 dp[i-1] 和 dp[j1] 这类访问上出现越界。写循环之前先在纸上把边界条件列清楚尤其是左闭右开还是左闭右闭很多题目坑就埋在这里。递归深度较大的题比如树的遍历如果数据规模到达十万级别优先考虑改成迭代写法避免爆栈。第四输出格式。有多次 printf 或 cout 时末尾多打一个空格通常不影响判断但少打、或格式与题目要求不一致就会判错。写完代码后仔细检查几组边界用例比如 n0、n1、数组全相等、最大值在首位等情况。5. 经验沉淀这些细节决定了你的笔试分差5.1 我眼中的“加分项”笔试并不是只看对错同一道题不同人的答案能拉开很大差距。我自己的体会是可以在代码注释里体现思路比如写上“这里用二分是因为物品价值单调递增”这既可以帮自己整理思路也能让阅卷人看出你的推导过程。另外在做场景设计题时如果能主动提到“这个方案上线后要监控线上指标并进行 AB 测试防止离线评估和线上效果不一致”这就是一个很自然的加分项。还有一个常被忽略的点编程题即使做不出来也要把思路写到注释里。大厂笔试的判分系统虽然主要按用例跑分但如果有“人工复核”环节一个清晰的思路会成为你的救命稻草。我还见过有些同学会把部分通过的用例贴到注释里说明自己知道问题出在哪里这比留空白强一百倍。5.2 给下一届的几句实在话最后说几句实在话算法笔试只是一道门槛不是终点更不是全部。如果你在蚂蚁笔试中发挥不理想不用立刻否定自己后续还有面试环节可以展示真实能力。反过来笔试过了也不要放松面试才是真正筛选“能不能干活”的地方。我自己的秋招之路走了不少弯路最大的教训就是前期太沉迷于难题和偏题把基础概念给忽略了。等到真正做笔试复盘时才发现拉开差距的往往是那些“看起来很基础但没弄透”的知识点比如 KMP 的 next 数组为什么这么算、ELBO 完整推导过程是什么、PID 的三个参数分别解决什么问题。这些东西不要求在考场上临场发挥而是靠平时的肌肉记忆。把基本功练扎实把高频模板默写熟把业务场景和模型选择结合起来想问题你自然能在蚂蚁算法岗笔试中保持稳定。