社招演算法崗

① 婀栧窞娉曞崕瀵虹ぞ鎷涙湞涔濇櫄浜旀湀鍚涓婁竾錛屽簲鎷涜呴渶瑕佹弧瓚沖摢浜涙潯浠訛紵

搴旇仒鏉′歡涓烘湰縐戝強浠ヤ笂瀛﹀巻錛屽彜鍏告枃鐚瀛︺佹眽璇璦鏂囧︺佷腑鏂囥佹柊闂匯佸巻鍙茬瓑鐩稿叧涓撲笟錛岄珮鍚鑲瀹氭剰鍛崇潃楂樿佹眰銆榪欎釜闂ㄦ涘凡緇忔嫤涓嬩簡涓嶅皯浜猴紝鐪嬬潃鏀跺叆鎸洪珮錛屽疄闄呬笂涓嶆槸浠涔堜漢閮借兘澶熻儨浠匯

涓嶇℃庝箞璇達紝楂樻敹鍏ヨ屼笟鍜屽矖浣嶄竴鐩撮兘鏄鐑闂ㄧ珵浜夛紝璋侀兘鎯寵嚜宸辨敹鍏ラ珮涓鐐癸紝鐢熸椿濂借繃涓鐐廣鎵浠ヨ佹兂寰楀埌涓浠藉ソ宸ヤ綔錛屾渶濂芥彁鍗囪嚜宸辮兘鍔涘拰瀛﹀巻銆傝櫧璇村﹀巻涓嶆槸鎵懼伐浣滅殑鍞涓鏉′歡錛屼絾鑳藉姏鍜屽﹀巻閮藉埌浣嶄簡錛屽伐浣滃彲閫夋у氨澶氫簡錛岄珮涓姣曚笟鍜屾湰縐戞瘯涓氾紝鎴戠浉淇′笉灝戜紒涓氶兘閫夋嫨鏈縐戱紝闄ら潪鑳藉姏鐪熺殑闈炲父紿佸嚭銆

② 都快2021年了，演算法崗位應該怎樣准備面試

說到演算法崗位，現在網上的第一反應可能就是內卷，演算法崗位也號稱是內卷最嚴重的崗位。針對這個問題，其實之前我也有寫過相關的文章。這個崗位競爭激烈不假，但我個人覺得稱作內卷有些過了。就我個人的感覺，這幾年的一個大趨勢是從迷茫走向清晰。

早在2015年我在阿里媽媽實習的時候，那個時候我覺得其實對於演算法工程師這個崗位的招聘要求甚至包括工作內容其實業內是沒有一個統一的標準的。可以認為包括各大公司其實對這個崗位具體的工作內容以及需要的候選人的能力要求都不太一致，不同的面試官有不同的風格，也有不同的標准。

我舉幾個例子，第一個例子是我當初實習面試的時候，因為是本科生，的確對機器學習這個領域了解非常非常少，可以說是幾乎沒有。但是我依然通過了，通過的原因也很簡單，因為有acm的獲獎背景，面試的過程當中主要也都是一些演算法題，都還算是答得不錯。但是在交叉面試的時候，一位另一個部門的總監就問我有沒有這塊的經驗？我很明確地說了，沒有，但是我願意學。

接著他告訴我，演算法工程師的工作內容主要和機器學習相關，因此機器學習是基本的。當時我就覺得我涼了，然而很意外地是還是通過了面試。

核心能力

由於我已經很久沒有接觸校招了，所以也很難說校招面試應該怎麼樣准備，只能說說如果是我來招聘，我會喜歡什麼樣的學生。也可以理解成我理解的一個合格優秀的演算法工程師應該有的能力。

模型理解

演算法工程師和模型打交道，那麼理解模型是必須的。其實不用說每一個模型都精通，這沒有必要，面試的時候問的模型也不一定用得到。但更多地是看重這個人在學習的時候的習慣，他是淺嘗輒止呢，還是會刨根究底，究竟能夠學到怎樣的地步。

在實際的工作當中我們可能會面臨各種各樣的情況，比如說新加了特徵但是沒有效果，比如升級了模型效果反而變差了等等，這些情況都是有可能發生的。當我們遇到這些情況之後，需要我們根據已知的信息來推理和猜測導致的原因從而針對性的採取相應的手段。因此這就需要我們對當前的模型有比較深入地了解，否則推導原因做出改進也就無從談起。

所以面試的時候問起哪個模型都不重要，重要的是你能不能體現出你有過深入的研究和理解。

數據分析

演算法工程師一直和數據打交道，那麼分析數據、清洗數據、做數據的能力也必不可少。說起來簡單的數據分析，這當中其實牽扯很多，簡單來說至少有兩個關鍵點。

第一個關鍵點是處理數據的能力，比如SQL、hive、spark、MapRece這些常用的數據處理的工具會不會，會多少？是一個都不會呢，還是至少會一點。由於各個公司的技術棧不同，一般不會抱著候選人必須剛好會和我們一樣的期待去招人，但是候選人如果一無所知肯定也是不行的。由於學生時代其實很少接觸這種實踐的內容，很多人對這些都一無所知，如果你會一兩個，其實就是加分項。

第二個關鍵點是對數據的理解力，舉個簡單的例子，比如說現在的樣本訓練了模型之後效果不好，我們要分析它的原因，你該怎麼下手？這個問題日常當中經常遇到，也非常考驗演算法工程師對數據的分析能力以及他的經驗。數據是水，模型是船，我們要把船駛向遠方，只懂船隻構造是不行的，還需要對水文、天象也有了解。這樣才能從數據當中捕捉到trick，對一些現象有更深入的看法和理解。

工程能力

雖然是演算法工程師，但是並不代表工程能力不重要，相反工程能力也很重要。當然這往往不會成為招聘的硬性指標， 比如考察你之前做過什麼工程項目之類的。但是會在你的代碼測試環節有所體現，你的代碼風格，你的編碼能力都是你面試的考察點之一。

並不只是在面試當中如此，在實際工作當中，工程能力也很關鍵。往小了說可以開發一些工具、腳本方便自己或者是團隊當中其他人的日常工作，往大了說，你也可以成為團隊當中的開發擔當，負責其團隊當中最工程的工作。比如說復現一篇paper，或者是從頭擼一個模型。這其實也是一種差異化競爭的手段，你合理地負擔起別人負擔不了的工作，那麼自然就會成為你的業績。

時代在變化，行業在發展，如今的校招會問些什麼早已經和當年不同了。但不管怎麼說，這個崗位以及面試官對於人才的核心訴求幾乎是沒有變過的，我們從核心出發去構建簡歷、准備面試，相信一定可以有所收獲。

③ 華為OD（外包）社招技術二面，總結復盤

一、華為OD簡介

首先來解釋一下什麼是華為OD面試，OD一般是指的是華為的「外包」公司，比如像德科這種。網上其實有很多人都吐槽過這個招聘模式，因為招進去的人不直接是華為內部的人，掛在德科名下或其他，工作地點大部分都是在華為公司，雖然明面上同薪同酬，福利獎金與華為內部員工一致，但其實差很多，尤其是待遇和期權上面。

之前，成都華為的招聘主管和我聊的是雖然是外包，但是每年可以從外包公司中選擇前25%的人進入華為，選擇標准目前不清楚，但肯定的是實力越強越容易突出。

這個外包進內包的概念是由華為的一位老總提出的，至今實行一年了，整體社會評價在下滑，但依舊堅挺，很多人除非在某個領域一枝獨秀或有所建樹，很難直接跳槽到華為內部，而博主我就是一位大白，自身實力實屬薄弱，所以只能通過面試進入某些知名企業。

整個華為OD面試流程如下：

我今天剛經歷了技術面試的第二輪及綜合素質測試，下面我將詳細聊聊從頭至目前狀態的一些復盤信息，有不對的地方望各位海涵。

1、首先是簡歷問題，每一個人的簡歷一定要對其所投的崗位有針對性，不要想著一份簡歷走遍天下，那隻能走近科學。比如對應崗位是嵌入式軟體開發，那麼你在你的簡歷里一定要著重介紹你涉及到的嵌入式領域有哪些，優勢在哪等等；

而對於大部分本科畢業生來說，工作經驗無從談起時，應該從你所學課程或所參加的比賽及項目出發，把HR或面試官覺得你潛力無限等等。當然簡歷信息一定要真實，不要弄虛作假，不然面試官在與你交流的過程中回答不出來，豈不是很尷尬，並且你寫在簡歷上的技術點也是你能夠很好回答出來的。

2、投簡歷的話，只推薦兩個地方，華為官網和BOSS，回復效率我覺得算是比較高的了，而且不會耽誤你的其他時間，在線簡歷也很好製作，並且華為官網會提供招聘崗位，不管是校招還是社招，都比較准確和清晰，參考價值高。

3、簡歷一般投出去後的兩個星期內會有華為的HR主動聯系你，會給你提供的郵件發送機試題鏈接地址，一般情況在機試前，華為HR也會CALL你聊聊你的現狀等等生活及工作上面的事情。如果你的簡歷石沉大海了，不要灰心，可以去尋找適合自己的崗位。

4、機試題一般為中難度的演算法題，但如果人品好也會有簡單的題，其實博主的題不算難，但也不算簡單，這里不說，授人與🐟不如授人與漁，大家可以去牛客網上面去找到一些題來訓練自己的思維。（PS：多注意一些DP問題，時間限制60分鍾一題）

5、機試完後一般會間隔三天會有HR跟你聯系，當然也可以隔一到兩天去詢問自己的情況，但一般來說過60%就沒啥問題了，而且盡量第一次機試的時候不要掛，會有後台記錄，以後會死的很難看的。所以一定要認真備戰，切記不可掉意輕心。

6、因為2020疫情原因，我的技術面試也推遲到了4月份，也怪自己沒有主動去詢問技術面試時間等等一系列問題吧。大家引以為鑒，不要像我之前那樣不管不問哈。線上的技術面試第一輪會通過視頻軟體zoom來操作，並且博主建議大家盡可能安裝，很多會議也會通過這個視頻軟體來工作。關於技術面試第一輪的問題如下：

7、其實在面試完後，我以為自己已經掛了，但是沒想到第二天又收到了技術面試第二輪的通知及綜合素質測試的通知，我又得好好的准備了。

技術面試第二輪相比於第一輪來講，差別不是特別大的，也是從從工作加技術方向去問，但切入點和重點不一樣，兩輪面試是不同的技術面試官來面試，問的問題都是每個面試官自己擅長的或者你簡歷上引起他興趣的地方，問題總的來說不算特別難，但深挖下去，有點頂不住。

同樣的第二輪技術面試的結尾，面試官會贈送你一道題，這道題的難度也不算難，同樣也可以去牛客網上多做做練習。目前博主也在等待下一步的消息，不管怎麼樣，都有所收獲吧。

我在此次的面試過程中，由於第一次視頻面試應聘工作，有點不適應，但第二次就能夠適應了。

首先，面試技術面試時，一定要充分准備，不打無准備之仗，很多時候面試官只會問一些普通難度的問題，重視基礎與潛力吧。

其次，面試前一定要多AC幾道DP的題，華為特別喜歡考這種演算法思想的題，沒事的話盡可能去多練習一下，防止做題時無思路或思路混亂。再者，面試過程中，注意專業措辭，盡可能說專有名詞，增加自己的專業度但同時自己也要能夠理解其中的原理及意義。

最後，一定要從始至終保持一個良好的心態，不急躁、不浮躁、沉著冷靜的思考問題及分析問題。這次總結有總結得不對的地方望指正！

祝大家都可以獲得自己心意公司的offer，干就完事了！

本人免費整理了Java高級資料，涵蓋了Java、Redis、MongoDB、MySQL、Zookeeper、Spring Cloud、Dubbo高並發分布式等教程，一共30G，需要自己領取。
傳送門： https://shimo.im/docs/rQRKDPx6dPXqvYPq