面试官坐在那撇着大嘴的，“咳，给你一机会，最短的时间内让我记住你。”这个我会，我抡圆了“啪！”，扭头我就走。我刚到家，录取通知书就来了，请你务必马上来一趟。

——出自郭德纲的相声

大家好，我是Severus，一个在某厂做中文文本理解的程序员。同时，也感谢小轶与我一同讨论和梳理本文的内容。

2021年的秋季招聘已经过去了，大概是从著名的“拥抱变化”开始，每一年的秋季招聘，都能看到知乎里面的阵阵哀嚎，比如，2020年算法岗一片红海，2021年算法岗灰飞烟灭，2022年算法岗人间地狱……。算法岗招聘标准看上去水涨船高，“内卷”这个词用在近几年的校园招聘上再合适不过。

我浏览各个技术公众号，或者技术交流平台，也是充斥着各种各样的面经、秋招指南等等。我深感其中存在许多观点很是有误人子弟的可能性。大概是由于这些文章多来源于当年刚刚斩获 offer 的毕业生，以至于这些经验也只是站在作者个人的面试经历来说，普适性很低。另外，应试者自身可能也并不清楚自己秋招成功，为面试官所赏识的关键点是什么，因而 ta 所分享的秋招攻略可能也颇具误导性。

那今天，我作为一个工作了6年，同时也是一个有相当经验的面试官，乘着现在的 offer 已经该发都发了，来分享一下我 从一个面试官的角度，是怎么看待算法岗求职的 。当然，以下的面试风格，有我非常浓厚的个人印记。我的工作，兼有基础算法研发、前沿探索以及部分工程、落地应用开发，所以自有我的面试要求及职业发展规划，但我也敢说，搞得定我，就能搞得定大部分一二面面试官。

这篇文章将围绕以下几个问题展开。前两个问题其实是我关于算法岗求职的一些概括性的观点，后面三个问题会涉及具体的面试细节。

1. 算法岗求职真的有那么卷吗？
2. 我面试时，会考察什么？
3. 简历有多重要？
4. 我如何和应试者聊项目？
5. 只要刷完三百道 LeetCode，就一定能通过算法考察吗？

算法岗求职真的有那么卷吗？

那么，从我们面试官的视角来看，这个行业招聘的时候卷不卷？

这里我也想给各位计划进入业界的在校生打一个强心针

——虽然卷，但我们也是真的很缺人！！！ 我们每年面试季，能遇到真正优秀的工程师凤毛麟角。本人工作6年有余，面试过后真正认为优秀的候选人只有4人；而最后一起共事的，仅有2人。所谓“卷”，完全是从应试者的角度看。从我们面试者的角度看，仍然是求贤若渴的状态。所以要具备基本的信心：只要你确实具备一名合格算法岗的潜质，一定会被各个大厂争抢。

那大家可能还是会觉得：求职者这么多的情况下，你们还是挑不出满意的，不是更加说明算法岗求职之艰难吗？如果我没有名校光环，没有顶会论文，是不是根本不可能脱颖而出？

对于这样的疑问，我还希望能够为大家树立一点信心的是：名校光环/顶会论文绝不是顶级 offer 的充要条件。论文等身的清北博士却拿不到顶级 offer 并不罕见，而普通高校本科毕业却能拿到 SSP 的也大有人在。是否应试成功的关键，还是在于其本身的能力是否过关，以及与应聘岗位的需求是否 match。上面提到招来共事的2人之一，当时就没有已发表的论文，但这没有成为他的短板。他们的优秀在于在自身研究领域内做得足够深入，分析问题非常全面，每一步创新有据可循，所以我认为和他合作，一定会高效且愉快。

我面试时，会考察什么？

那么，我面试的时候究竟会着重考察哪些方面呢？

关于这个内容的答案，其实我很多已经写在了我的上一篇推送《工作6年，谈谈我对“算法岗”的理解》中。我这篇推送中，我分享了我眼中算法岗所必须具备的能力。那我对面试者的考察要求，其实和我个人对算法岗的理解是一脉相承的。

除了尽可能客观地考察应试者的能力，这里我还想再补一点——那就是，我面试的最终目标还是考察我是否愿意与这个人一起共事。没错，面试的过程就是这样的，不仅仅要看这个人的客观技术水平，还要看我的主观合作意向。也就是说，哪怕所有的问题都回答了，但如果面试过程中发现了一些非技术层面的问题。例如沟通困难、逻辑表达混乱、情商过低等，都可能作为考量因素。

列位可能要问了，非技术层面的考察会不会带有过多面试官的主观性？没错，确实并非完全客观，但也不意味着不公平。实际上，这也就是所谓 “team match” 的过程，是完全双向的。就像相亲一样，面试官在考察候选人是否适合，候选人也同样要斟酌和这个面试官共事是否会愉快。

不过大家也不用过于紧张。大多数面试官，比如我，一般都是抱着“挑刺儿”的心态进行面试的。对我来说，面试的一大目标还是尽可能去挖掘候选人的优势，而不是找不足。

基于以上目标，各个面试官都会有自己的手段。而我按照面试风格，大体分为三种：

• 有固定题库，简历不相关的模板面试，多见于统招面
• 简历强相关，流程不固定的定制面试，多见于定向的团队面试
• 二者相结合，先用模板面试初步筛选，再使用定制面试深入了解

而我大多数情况是第二种，本篇我也着重于介绍第二种面试。当然，根据候选人情况不同，我的面试流程也会直接退化到第一种面试（其实就是简历内容可聊的点不多的时候，只能用模板化面试先挖掘一些潜质）。

简历有多重要？

作为一个面试官，每一次面试之前，我也是要准备的。开始我会要到简历，花一点时间浏览一下。

网上有很多关于如何写求职简历的经验分享，对简历的重要性强调得很重。确实，简历会给我下一个第一印象，但简历绝不是最终 offer 的决定因素。简历的主要作用，是用于筛选是否给予面试机会。一般来说，只要有方向 match 的岗位，简历不是过于离谱，都是会给予初面机会的。事实上，我也遇到过很多简历平平但面试发现非常惊喜的候选人。

所以，对于简历，我能给出的建议就是，真诚与专注。

• 真诚是指实实在在的写出自己的经历、能力等，如果在面试的过程中发现问出来的表现和简历上写的东西有区别，会是非常掉分；
• 专注指的是简历内容集中针对技术岗位的求职，甚至只针对某个细分方向。其余的东西（比如什么学生干部经历什么的），至少对于技术岗位来讲，是不需要，且不会被关注的（在我这种性格比较隔路的面试官眼里甚至可能是减分项）。
• 其他的方面，比如在项目经历排序、删减上，针对不同的岗位可能都会有不同的安排（当然项目经历在介绍简历环节可能也是要调整着重点的），体验上来讲，如果是多页的简历，第一页一定是最想要对这个岗位展示的内容。

作为技术面试官，在看简历的时候，第一眼注意到的一定是研究经历或实习经历部分。看一看候选人做过什么项目，里面是怎么写的。如果主要的研究领域我了解不足，我会花一些时间迅速了解一下该域的经典做法、前沿做法等。如果候选人贴出了论文，我也会粗读一下，了解他选择了什么样的方法；如果贴了 GitHub repo，我也会翻一翻，大体观察一下。这一套功课做下来，少则10分钟，多则一两小时。

如果有预设的问题，也会事先记录下来，留着面试的时候去问，碰到简历上有什么疑虑（为防止被拿去反套路，这部分不会详细阐述），也会记下来当成决定面试结果的依据。也就是说，当我看过简历后，自然而然地就对候选人产生了一系列的疑问，面试过程中，部分问题也是在解决这些疑问。

这里也从技术面试官的角度，谈谈某些关于简历的江湖传闻。

首先是简历格式，现在绝大多数的简历模板都还不错，格式上比较干净美观，没什么可说的。不过，电子简历的格式，肯定是 pdf 为最好，尽可能不要传 doc 的简历过来，因为 doc 格式文档可能因为使用编辑软件不同，或者同一个编辑软件，版本不同，导致格式乱套，首先在感官上就造成了非常糟糕的体验，而且可能一些内容会直接看不到。

相对来讲，简历是什么邮箱地址发过来的确实没有那么重要（不存在QQ邮箱发过来就low了，Gmail发过来就高端的说法）。至少简历到我手里的时候，我是不会特意去注意候选人的联系方式那一栏的（至于筛简历的HR怎么想我就不知道了）。

我如何和应试者聊项目？

模板化的面试中，考察算法的方式多数是直接问基本概念、公式推导、以及一些证明之类的（例如比较著名的，BatchNorm 有什么用，SVM 公式推导），这些题目流行的现象也被戏称为“面试八股化”。实际上，这些题目是非常容易准备的（当然针对这个也有了不少的培训手段），毕竟，其是固定题库，面试之前，以应试的思路突击复习即可，形式实则更像是笔试，但有时作为初步筛选的手段是有效的，毕竟都是学校课程，这些都不会，就别谈后面的东西了。

在我这里，从自我介绍开始，算法考察就开始了。

对于我比较有面试兴趣的简历，我的第一个问题往往是：请选择简历中，认为最满意的一个项目给我整体介绍一下。这个问题实际上就是想看一下，候选人的技术品味是什么样子的，同时也看得出，候选人对哪个项目的掌握程度是比较有自信的。在候选人介绍的过程中，遇到我感觉比较模糊或有疑虑的地方，会记录下来。在介绍之后，一个一个确认，而在这个过程中，真正考察的，就是候选人对这个问题本身、及对他的方法背后的背景知识的理解程度。往往通过这个过程，就可以判断，这个候选人到底是在搭积木撞运气还是真的有本事了。这里，我关注的细节有：候选人增加的模块自己是否知道是为什么要加。是否有理论上的推导过程以及对应的消融实验；如果将这个模块更换为其他的模块是否可以。例如：将图神经网络建模的依存分析树更换为 用 self-attention 直接对文本建模是否可以？图神经网络中是否使用了边 embedding 将不同种关系投影到了不同的空间中？

每个项目介绍之后，我也会去询问，这个项目如果要继续做的话，会怎么做，继续引出一系列的讨论，而这个讨论，就是宏观层面上，技术视野的交锋，看一下候选人对项目整体把控怎么样，技术成长空间大不大。

通常这类问题的背后，考察的就是候选人对他所使用的算法的理解程度，到底是仅限于定义，还是有自己的理解。这个交流的过程中，有的候选人能够完完全全说服我，有的候选人则是经不住我多次挑战。

以上是考察候选人在自己的研究领域的深入情况。在考察完深度之后，我就会用我的一个固定题库去试探广度。

是的，我也有题库，题库里面仅仅有一道题。

上图就是我们题库的缩影。说是题库，实则是我们的“面试指导书”。这道题提出了一个非常粗的需求，也只给出了大体数据规模。需要候选人从理解这个需求开始，直到将完整的算法设计出来，图中，每一个分支都代表了一类解决方案，向下的细分支则是一个个算法的应用考察点。这就要求候选人知道，想要达到某一个目的，可以去应用什么样的算法，遇到了某一些问题，可以用什么样的思路去解决。我们认为，这种思路，相比于机械记忆要有价值得多。毕竟现在的深度学习有强力的框架支持，丰富的文档。相比于精准记忆怎么推，更应该充分理解怎么用。

以上整个过程，说是面试，实则是思想交流，期间，我不仅仅是在提问题，引导候选人把自己的项目讲清楚，我也会提观点，与候选人的思想碰撞，看与候选人是否能对得上频率。

只要刷完三百道 LeetCode，就一定能通过算法考察吗？

专项的工程能力考察，实际上就是基础数据结构/算法，以及代码实现、需求实现等。

算法面试中，实际上也可以部分了解到工程能力，比如候选人对自己工作的完成情况、实验情况等，如果算法面试中得到的反馈已经让我对其工程能力放心了，专项的工程能力考察我或许会跳过。

我看到的很多面经，或准备面试的说辞中，多数是在 LeetCode 上下功夫，或者看一些类似于《剑指offer》之类的书，或者靠刷题博客来试图通关基础数据结构/算法考察。但，在我这里，单靠无脑刷题一般会失效。

可以说，很多朋友们刷题是不会刷的。他们在刷题的时候，更像是在背考试题库，想要对题库里面的题形成肌肉记忆，而非去理解题目背后对应的算法思维。但我们在问候选人这类题目的时候，考察的从来不是肌肉记忆、思维定势，而是思维方式。学习数据结构/算法，从来也不是学习解决某一类或者某几类固定问题的模板，而是学会以计算机思维高效解决问题的方式，而这些本应是 CS 专业的基本功（这里想要吐槽，一些 CS 朋友们本科课程没学好，以为上岸 AI 了之后就更可以弥补 CS 的不足了，不是的）。在实际工程开发中，我会不断地利用基础数据结构/算法优化我的项目，题目也往往是从实际需求中抽象而来。

哪怕是使用成题，我会尽可能避免从 LeetCode 中或其他面试题库中选题；哪怕是从题库中选题，我也会在条件上有所增减，或者脑子里有一个比市面上流通的答案更好的解法（反套路），才会用于面试。而那些例如限制零内存的类似于脑筋急转弯之类的问题，我倒是认为，至少我们不会在那样的硬件环境里面工作，所以我也不会去考察那种问题。

其余的，例如代码风格等，只要不是太离谱，一般我都认为是可以培养的，所以写代码方面的考察我倒是标准比较松。

这里插播一段有趣的经历，几年前我找工作的时候，流传一个江湖传说，就是面试的时候，如果被问到了算法题，哪怕这道题已经会了，那第一次回答的时候也说最笨的方法，等面试官说“你再想想”之后，再看似艰难地说出标准答案。但是朋友们，你们能看到的江湖传说，面试官也能看到，莫不如真诚一些。我入行的导师告诉我，如果他真出了这种题，那一定准备好了比标准答案更好的算法，如果候选人能从暴力方法跨越到标准答案，那也一定能推出更优的方法。

巧合的是，在8月的一场面试中，我也遇到了这个套路，惊叹于还有人使用，故在此说出，以为诫勉。

小结

以上，是我以面试官的角度，对面试的理解。出于避免被针对、被反套路，以上的内容中，没有涉及到太具体的观察手段，以及考评标准，具体的题目也只放了高糊图，没有披露细节。

写这篇的目的，也是看着满世界的面经，以及内卷的所谓人间地狱的哀嚎，给出一些属于我个人的回应以及态度。自大一些，也是想讲出我心中求职季的正风，希望有志于此的学生，以及需要人才的岗位，以后都能够容易一些。

从我求职，到现在成为“老司机”，我一直坚信，技术岗位的面试、工作，贵在简单、纯粹、真诚。面试过程中的套路，终归有在工作中见真章的时候，实习期、试用期实际上都是考察期。从我的角度，不妨功在平常，而非在套路与突击。

最后，也祝愿所有正在求职的读者小伙伴们都能够找到自己满意的工作，正在招聘的老伙伴们都能够找到自己想要的人才。