1. 2015年阿里算法工程师实习生笔试真实考场复盘与考点拆解1.1 这场笔试的背景与含金量聊到2015年的阿里巴巴算法工程师实习生笔试我到现在还记得自己在考场上的那种紧张感。那一年阿里校招的竞争没有后来那么卷但算法岗的筛选已经明显有了自己的风格。很多同学以为算法工程师就是刷LeetCode、背机器学习公式结果拿到卷子发现根本不是这么回事。它考的既不是单纯的数据结构题海战术也不是纯数学推导而是把业务思维、算法基础、代码能力和工程判断力混在一起考时间还很紧。这份试卷放在今天看依然有很强的参考价值。原因很简单阿里算法团队当时做的事——搜索排序、推荐系统、广告投放、供应链预测——决定了他们招人时最看重的是“用算法解决业务问题”的潜力而不是“会多少模型”。所以试卷里既有KMP、排序、树这些计算机基础也有大量概率统计、机器学习和场景设计题。如果你现在正准备大厂算法岗笔试这篇复盘可以帮你少走很多弯路。1.2 试卷整体格局不是考你会不会而是考你熟不熟先说说整份卷子的结构。我记得大概是选择题、填空题、简答/计算题、编程题和一道综合设计题这么几大块。选择填空覆盖了数据结构、算法复杂度、操作系统、网络、概率论、机器学习基础范围很广但深度不算变态。简答题里会有手写KMP next数组、复杂度的推导、贝叶斯计算这类需要你动笔的题目。编程题一般是两三道风格偏“在特定约束下实现一个功能”不是纯LeetCode原题。最后那道综合设计题才是真正拉开差距的地方。这里有个很关键的判断阿里的笔试不是一个“及格性考试”而是一个“排序性考试”。什么意思呢就是它不指望你把每道题都做对而是通过题目难度梯度快速把候选人分层。我当年看到不少人卡在KMP的next数组上结果后面的编程题根本没时间碰。这就是策略上的失误——你需要在拿到卷子的前五分钟就完成全局判断哪些题是送分题哪些题是苦力题哪些题可以直接放弃。后面我会专门讲怎么分配时间。2. 数据结构与经典算法笔试的硬骨架2.1 栈、队列与递归藏在“简单题”里的功与过先说基础。阿里2015年的笔试试卷里栈和队列并没有单独出一道“实现一个栈”这种题而是把它们藏在了表达式求值、括号匹配、递归转非递归这类组合题里。比如我印象里有一道题是给一个中缀表达式要求用栈将其转换为后缀表达式并计算复杂度。这题本身不难但很多人会在这里犯错只记得“遇到左括号入栈遇到右括号出栈”的粗略规则却忽略了运算符优先级的细节处理。这类题背后真正的考点是“你有没有真正理解栈这个数据结构在系统底层的作用”。我当时复习的时候喜欢用一个生活化的类比来理解栈就像一摞盘子你永远只能拿最上面那个队列就像一群人排队先来的先服务。递归调用就是典型的栈结构——函数不停的往下调用自己每一层的局部变量都压在栈里直到触底再一层层弹出返回。很多人写递归只背模板不理解这个压栈和弹栈的过程一旦遇到“请用非递归方式实现二叉树中序遍历”这种题就懵了。关于非递归中序遍历我建议你亲手推导一遍用栈模拟递归过程中的调用栈。先把根节点一路向左压栈压到最左节点之后开始弹出每弹出一个节点就访问它然后转向它的右子树继续压栈。这套逻辑想明白了你不仅会写这道题还能理解为什么中序遍历可以得到有序序列——因为二叉搜索树的左子树都小于根节点右子树都大于根节点中序遍历就是左根右的顺序自然有序。这种“理解而不仅是记忆”的状态才是笔试最需要的。2.2 字符串匹配与KMP当年很多人的分水岭2015年那会儿KMP算法几乎是各大厂笔试的常客阿里也不例外。试卷里有一道题我记得特别清楚给了模式串pabacaba要求写出它的next数组。这个考点在近几年的热词里还在反复出现可见它的经典程度。先说next数组的定义next[i]表示模式串前i个字符组成的子串中最长的相同前缀和后缀的长度有些教材里定义不太一样有的叫失配函数有的是next[0]-1的版本考试时一定要看清题目给的约定。以abacaba为例我们从i1开始逐项推导。i1时子串是a既没有前缀也没有后缀next[1]0。i2时子串是ab前缀集合有a后缀集合有b没有相等的next[2]0。i3时子串是aba前缀有a,ab后缀有a,ba最长公共前后缀是a长度为1next[3]1。i4时子串是abac最长公共前后缀为0next[4]0。i5时子串是abaca公共前后缀是anext[5]1。i6时子串是abacab公共前后缀是ab长度为2next[6]2。i7时子串是abacaba公共前后缀是aba长度为3next[7]3。所以最终next数组是0,0,1,0,1,2,3。这套手算过程看起来不难但考场上很容易出错因为大家习惯在代码里写“求next数组的代码”而不是手工推导。我建议你考前专门练五到十个字符串的手算找找感觉特别要注意next数组求的是“最长相等前后缀”不是“最长回文串”也不是“当前字符前一个位置的下标”不少人会在这里混淆。KMP的核心思想其实就一句话失配时不要从头再来而是利用已经匹配过的信息把模式串向右滑动到合理的位置。这个“合理位置”就是由next数组决定的。理解了这个你就明白了为什么KMP能把暴力匹配的O(mn)优化到O(mn)——因为主串的指针永远不会回退只前进每次失配模式串只回退到next指定的位置。这种“用空间换时间、用预处理换匹配速度”的思路本身就是算法工程师的基本功。2.3 排序与查找八股背后的复杂度直觉排序算法在2015年阿里笔试里出了一道很有代表性的题给出一组排序算法的平均时间复杂度和最坏时间复杂度要求选出描述正确的组合。乍一看是送分题实际上很多人栽在“快排最坏情况是O(n²)”和“堆排序最坏也是O(n log n)”这种细节上。我把当时高频考的排序算法整理成一张表你可以对照复习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)稳定简单选择排序O(n²)O(n²)O(1)不稳定插入排序O(n²)O(n²)O(1)稳定希尔排序O(n^1.3)左右O(n²)O(1)不稳定归并排序O(n log n)O(n log n)O(n)稳定快速排序O(n log n)O(n²)O(log n)不稳定堆排序O(n log n)O(n log n)O(1)不稳定关于稳定性这里补一句什么时候你会真的在意排序的稳定性比如在推荐系统里先按点击率排序再按商品上架时间排序如果用的是不稳定排序前面点击率的相对顺序可能被破坏导致最终结果不是“在时间新近的前提下点击率最高”而是乱序。这种业务理解笔试里未必直接考但面试官很喜欢在聊项目时追问。另一个常考的点是快排的partition过程和复杂度推导。我当年在复习时特意推演过为什么快排平均是O(n log n)因为每次partition大致把数组分成两半递归深度是log n每层要处理的总元素数是n。而最坏情况比如数组已经完全有序且你固定取第一个元素做pivot下每次只分成1和n-1两半递归深度变成n总复杂度退化成O(n²)。所以后来很多工程实现都用“随机选pivot”或者“三数取中”来规避最坏情况。这个细节放在编程题里就是“你会不会写一个鲁棒的快速排序”。3. 机器学习与统计基础算法岗的“专业护城河”3.1 模型评估与过拟合一道题暴露你的工程直觉如果说数据结构题筛的是“计算机基本功”那机器学习题筛的就是“有没有做算法的sense”。2015年阿里笔试里有一道多选题大概是给一个分类模型的训练集准确率是98%测试集准确率是85%问可能的原因有哪些。选项包括模型过拟合、训练集和测试集分布不一致、特征维度太高、正则化系数太大。这道题几乎就是送分题但它的价值在于提醒你一个非常重要的事实阿里不考“什么是过拟合”这种背诵题而是给你一个现象让你反推原因。过拟合这个概念我常用的类比是“背答案”。一个学生如果只是把练习册的题目和答案一字不差背下来做练习册时满分一旦考试题目稍微变一变就傻眼。机器学习里的过拟合也是这样模型把训练数据里的噪声和异常点也当成了规律导致泛化能力差。解决方法无非是加正则化L1让权重稀疏、L2让权重趋近于0、增加训练数据、降低模型复杂度、做交叉验证调参。这些必须做到条件反射式地脱口而出因为在后续面试中面试官会围绕你项目里的过拟合问题反复追问。关于正则化L1和L2的区别值得多说一句。L1正则化会让很多权重变成0相当于自动做了特征选择L2正则化则让权重整体变小但很少变成0。你可以把L1理解成“精简团队”只留下最有贡献的人其他人直接裁掉L2理解成“全员降薪”每个人都少拿点但都还在岗位上。这个直觉对做稀疏特征场景很有帮助比如广告点击率预估这种特征维度十万百万的场景L1几乎必不可少。3.2 聚类与分类从原理到计算一步都不能省2015年那场笔试里有一道k-means的手算题给了几个二维坐标点初始聚类中心也给了要求迭代一轮之后的聚类中心和簇划分。这类题目考察的是“你真的动手算过聚类过程而不是只会调库”。我印象很深因为当时班里不少同学都挂在最后一步算新的聚类中心时要取簇内所有点的均值而不是取中位数或随意指定一个代表点。k-means这个算法我建议每个准备算法岗的同学都手推一遍完整的迭代过程。假设我们有四个点A(1,1), B(2,1), C(4,3), D(5,4)初始中心是C1(1,1), C2(4,3)。第一轮A离C1距离0B离C1距离1C离C2距离0D离C2距离约1.41C离C1约3.61B离C2约2.83所以A、B归C1C、D归C2。第二轮新的C1(1.5,1)新的C2(4.5,3.5)。再算距离发现A、B仍属C1C、D仍属C2收敛。这套流程这么顺畅但考试时很多人会算错欧式距离的开根号或者把整数点求均值后当成新中心却忘了坐标是浮点数。细节决定成败真不是一句空话。分类方面朴素贝叶斯也是高频考点。它之所以叫“朴素”是因为它假设特征之间相互独立。这个假设在现实中几乎不成立但很多场景下它依然表现不错而且计算极其高效。我记得笔试里有一道题给你一堆邮件样本统计某些词在不同类别中出现的次数让你计算一封包含特定词汇的邮件是垃圾邮件的概率。这种题本质上就是在考贝叶斯公式P(类别|特征) P(特征|类别) × P(类别) / P(特征)。算的时候要注意平滑处理比如拉普拉斯平滑否则某个词在训练集里没出现时概率直接变成0就会把整个乘积清零。3.3 特征工程与业务理解阿里风格的“算法落地题”阿里笔试的另一个特色是它很少考“给你一个数据集你用什么模型”而是喜欢考“给你一个业务场景你会怎么构建特征和选择模型”。这类题往往出在简答或者综合设计题中比如预测下个月的销售额、给用户推荐商品、判断一笔交易是否有风险。答这类题时最容易犯的错误是只谈模型不谈特征。实际上在工业界特征工程决定了模型效果的上限模型只是在逼近这个上限。以商品推荐为例我当年答题时是按这个框架来写的用户特征年龄、性别、历史购买类目、点击行为序列、商品特征价格、类目、品牌、历史好评率、近30天销量、交互特征用户与商品类目的历史点击率、购买间隔、上下文特征当前时间、季节、是否大促。模型选择上可以从LR、GBDT到FM/FFM逐步升级但首次上线的MVP往往是逻辑回归或GBDT这类可解释性强、易调试的模型。这种“先业务后模型、先特征后算法”的答题思路我认为是阿里这类公司最欣赏的。顺便提一句那个年代正是FM因子分解机在推荐系统里逐渐流行的时期。如果你在笔试里能写出“用FM建模二阶特征交叉解决稀疏特征下的组合爆炸问题”会让阅卷人眼前一亮。这个知识点到今天依然是推荐算法的基础值得系统学一遍。4. 数学基础与逻辑思维容易被低估的送命题4.1 概率统计题三门问题、贝叶斯与条件概率数学部分在2015年阿里笔试里占的比例不低题型集中在概率统计和线性代数上。概率题里有三门问题、抛硬币问题、条件概率应用题、期望计算题。这些题目难吗知识点本身不难难的是“在考场上能不能快速找到正确的计算路径”。以贝叶斯公式为例我记得有一道题是这样的某种疾病的发病率是0.1%检测试剂的准确率是99%也就是有病的人检测出来阳性的概率是99%没病的人检测出来阴性的概率也是99%。问一个人检测出阳性他真正患病的概率是多少。这道题的答案是约9%不是99%。很多人一下笔就写99%——这就是没有把“先验概率”带进去算。按照贝叶斯公式P(患病|阳性)0.001×0.99/(0.001×0.990.999×0.01)≈0.0902。这个9%和99%的巨大反差恰恰是贝叶斯思维最迷人的地方即使检测很准在疾病本身极其罕见时阳性结果也需要谨慎解读。为什么算法工程师要懂这些因为搜推广场景里大量问题都是不确定性推理。比如用户点了某个商品他真正想买的概率有多大这时候你不能只看点击行为本身还要结合用户历史行为的先验分布。我在实际工作中发现很多模型效果不好不是模型不够强而是工程师没有把正确的先验信息编码进模型里。4.2 线性代数与优化矩阵求导、梯度与收敛线性代数的考点主要集中在矩阵乘法、特征值、正定矩阵、矩阵求导这些方面。2015年的卷子里有一道题让计算一个2×2矩阵的特征值还有一道题涉及最小二乘法的正规方程。这类题考察的核心能力是你能不能把“矩阵运算”和“优化目标”联系起来。最小二乘法的正规方程是θ(X^T X)^(-1) X^T y。这个公式看起来简单但它背后的推导逻辑很漂亮我们的目标是最小化误差平方和把目标函数对θ求导并令导数为0就能得到这个闭式解。这个过程中你需要会矩阵求导的规则。如果考试时记不住公式也可以从几何角度理解最小二乘的本质是把y投影到X列空间上残差垂直于列空间。这个投影视角不仅帮你记公式还能帮你理解为什么当X^T X不可逆时比如特征共线需要加正则化项——因为加了λI之后矩阵变成正定的求逆就稳定了。另一个常考的是梯度下降的收敛性。我记得有一道选择题问当学习率过大时会发生什么。答案是损失函数可能会震荡甚至发散。理解这个很简单你把梯度下降想成是下山步子迈得太大会直接跨过山谷跳到对面山坡甚至越跳越高。这个直觉在做深度学习调参时极其重要。现在很多框架默认帮你设了学习率但当你从零开始训练一个模型时学习率往往是最先需要调的参数没有这个直觉你很难定位问题。4.3 逻辑推理与智力题时间管理的大坑阿里笔试里还会有几道纯逻辑推理题比如“有1000瓶药水和10只老鼠其中一瓶有毒怎么用老鼠最少的时间找出毒药”或者“25匹马5个赛道最少比赛几次找出前三名”。这类题目不是考算法而是考“转化建模”的能力。第一题的经典解法是二进制编码给1000瓶药水编号用二进制表示10只老鼠对应10个二进制位混合喂药后根据老鼠死亡情况反推出毒药编号。第二题的做法是先分5组各跑一次找到每组第一名再让5个第一名跑一次得出总排名最后淘汰法找出可能的前三候选再跑一次决出二三。总次数是5117次。这类题放在试卷里作用主要有两个。第一是考察你在信息不完整的情况下能否抽象出最优策略。第二是消耗你的时间——如果你在智力题上死磕很久后面的综合题就危险了。我的建议是逻辑推理题放在最后做能做出来就做做不出来就果断填一个相对合理的答案绝对不要恋战。实际上我那一批进面试的同学里几乎没有人是在智力题上拿满分的大家都在综合题上靠扎实的业务建模能力拉开差距。5. 编程题与综合大题从“会做”到“能过”5.1 手写代码的评分逻辑不只是AC编程题是阿里笔试的重头戏但和LeetCode不太一样的是它更关注你的代码风格、边界条件处理和复杂度分析而不是单纯追求AC。我经历的那场笔试编程题大概有两三道一道是链表相关的操作一道是动态规划或贪心还有一道和搜索有关。我印象里有一道链表题是“给定一个单链表判断它是否有环如果有环返回环的入口节点”。这题有两个经典解法哈希表记录访问过的节点空间O(n)快慢指针空间O(1)。面试官更期待的是快慢指针法因为你能说出空间复杂度上的优势说明你有工程意识。快慢指针的核心是快指针每次走两步慢指针每次走一步如果链表有环它们必定在环内相遇相遇后把慢指针或一个新指针放回头节点两个指针都每次走一步再次相遇位置就是环的入口。我记得这个结论在数学上是可以严格证明的建议你亲手推导一遍而不是死记。动态规划题比较典型的是“最长上升子序列”或者“编辑距离”。这类题的难点不在状态转移方程的建立而在于你是否能用“自底向上”的方式填表以及如何优化空间复杂度。以编辑距离为例二维DP表的每个格子dp[i][j]表示字符串A前i个字符转成B前j个字符的最小编辑次数转移方程是如果A[i]B[j]则dp[i][j]dp[i-1][j-1]否则dp[i][j]min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1])1。写完二维版本之后你要能进一步优化成一维滚动数组因为dp[i][j]只依赖上一行和当前行的前一个位置。这种“从能跑到能省内存”的优化习惯非常符合工业界对算法工程师的期望。贪心算法在笔试里也出现过比如活动选择问题。它的核心是“每次选结束时间最早的活动”这个策略能保证全局最优。我在复习时发现很多人搞不清贪心和动态规划的区别这里给一个简单判断方法贪心是每一步做局部最优决策且不回退动态规划是枚举所有可能的决策并用状态记录中间结果。能用贪心解决的问题都有一种“拟阵”结构但考试不用理解这么深你只需要记住几个经典例题熟悉什么场景下贪心是可行的。5.2 推荐系统场景题把业务问题翻译成算法问题综合设计题是整张卷子最有阿里味道的部分。2015年那场给了一个推荐相关的场景要求你设计一个方案来提升某类商品的点击率或转化率。这题没有标准答案但阅卷人可以通过你的回答看出你的思维框架是否完整。我当时的答题思路分四步。第一步明确问题是要提升点击率还是转化率目标不同特征和模型选择完全不同。第二步梳理数据和特征可以用用户行为日志、商品信息、上下文信息特征要细化为数值型、类别型、序列型。第三步选择模型和评估方式离线用AUC、GAUC等指标上线用AB实验。第四步给出冷启动方案和兜底策略比如新用户没有行为数据时用热门推荐或基于内容的推荐。这套框架不是临时想的而是我在准备时专门总结的一套“业务算法设计模板”。这里要特别强调“评估”这个环节。很多同学的答案写到“用机器学习模型预测点击率”就结束了几乎没有提到怎么做离线评估和在线AB实验。但实际工作中一个模型90%的工作量在评估和调优上。你在笔试里能写出“通过GAUC衡量用户级别排序效果通过AB实验验证线上指标是否显著提升”会让你瞬间从候选人中跳出来。这说明你不只是一个会调包的人而是真的有系统思维。5.3 从笔试到面试考完才是真正的开始笔试结束后的48小时往往是面试通知陆续发放的时间。在我看来笔试最大的价值其实不是“过不过”而是帮你把整个知识体系暴露了一遍。哪些地方薄弱哪些地方是凭运气蒙对的考完对一遍答案就知道了。我当年考完之后用了整整一天时间把错题整理成一份文档每个错题不仅写了正确答案还写了“我当时为什么选错”的原因分析。这份文档后来成了我准备面试的宝贵资料。面试环节里面试官大概率会拿着你的笔试卷来追问。比如你在一道机器学习题上选了一个不合理的答案面试官可能在面试时说“我注意到你笔试里有一道题选择了XXX你能再讲讲你的思路吗”这时候如果你在笔试后认真复盘过就能坦诚说出当时哪里想错了现在怎么理解。这种“敢于承认错误并展示成长路径”的沟通方式反而会给面试官留下好印象。所以千万不要考完就扔笔试复盘是校招准备链条里最划算的一环。6. 实战路线与踩坑记录6.1 我是怎么用30天准备这场笔试的我当年准备这场笔试的时间线大概是30天前15天过基础后15天刷题加模拟。前15天里我每天安排三块内容上午数据结构与算法下午机器学习与概率统计晚上做一套模拟卷或专项练习。数据结构这块我把栈、队列、树、图、排序、查找、KMP、并查集这些高频考点全部过了一遍重点放在了“手写代码”上因为笔试是要写代码的光看不练等于白学。机器学习这块我当时学的是经典机器学习算法包括逻辑回归、SVM、决策树、朴素贝叶斯、k-means、KNN、PCA等。每学一个算法我要求自己做到三件事写出损失函数和优化目标、说出适用场景和优缺点、能在纸上推演一个简单例子。这个“纸上推演”的习惯让我在笔试遇到手算k-means、朴素贝叶斯这类题时完全不慌。后15天我每天固定刷题两小时同时在牛客网找往年的阿里笔试模拟题来练手掐表做题培养考场节奏感。6.2 考场上最容易犯的五个错误根据我自己的实战经历和身边同学的反馈我总结了考场上最容易犯的五个错误每个都对应具体的规避方法。第一个错误是在选择题上死磕。有些题明明不会却非要花十分钟琢磨。我的原则是一道选择题如果30秒内没有明确思路先标记跳过最后有时间再回来蒙一个。第二个错误是KMP手算next数组时疏忽定义。不同教材对next数组的定义不同有的从0开始有的从-1开始考试时如果不仔细读题很容易按错误定义算。第三个错误是编程题直接上手写不先规划。我见过很多同学在编程题上写了半天最后发现算法思路不对白白浪费了草稿纸和时间。正确做法是先花两三分钟想清楚算法和数据结构甚至在草稿纸上画出关键步骤再开始写代码。第四个错误是完全放弃综合设计题。综合题分数占比很高即使你只能写出一个框架也比空着强。哪怕只能列出特征、模型、评估三个小标题阅卷人都能从中看到你的思考轨迹。第五个错误是时间分配不合理前面所有题平均发力导致最后的大题没有时间展开。关于时间分配我建议用“50%时间做基础题30%时间做编程题20%时间做综合题”的大原则再根据实际卷面微调。6.3 给后来人的一份“考点自测清单”最后分享一份我在准备过程中沉淀下来的考点自测清单你可以拿来对照查漏补缺你能随手写出KMP的next数组手算过程吗能说出KMP相比暴力匹配的时间复杂度优势吗你能画出二叉树的三种遍历前序、中序、后序的递归和非递归实现吗能说明为什么非递归要用栈吗你能说出快排、归并排序、堆排序的时间复杂度、空间复杂度和稳定性吗能解释快排最坏情况什么时候出现吗你能手推k-means的一轮迭代吗能解释k-means可能收敛到局部最优的原因吗你能用贝叶斯公式算出一个罕见的疾病检测问题吗能解释先验概率对后验概率的影响吗你能给一个推荐场景写出特征工程、模型选择、离在线评估的完整方案框架吗你能在半小时内完成一道链表、一道动态规划、一道贪心的中等难度代码题吗你能解释L1和L2正则化的区别并说出各自适用的场景吗如果你对上面八成以上的问题都能给出清晰稳定的回答那你面对2015年阿里这套笔试题基本可以做到心里有底了。如果还有模糊的地方我的建议是不要等立刻打开书或者找一道对应的题来练手。算法笔试这件事归根到底没有捷径它要求的不是天赋而是你愿不愿意静下心来把每个考点真正弄明白。我就是这样一步步走过来的所以我相信你也可以。
2015阿里算法工程师笔试复盘：从KMP到推荐系统的考点全解析
1. 2015年阿里算法工程师实习生笔试真实考场复盘与考点拆解1.1 这场笔试的背景与含金量聊到2015年的阿里巴巴算法工程师实习生笔试我到现在还记得自己在考场上的那种紧张感。那一年阿里校招的竞争没有后来那么卷但算法岗的筛选已经明显有了自己的风格。很多同学以为算法工程师就是刷LeetCode、背机器学习公式结果拿到卷子发现根本不是这么回事。它考的既不是单纯的数据结构题海战术也不是纯数学推导而是把业务思维、算法基础、代码能力和工程判断力混在一起考时间还很紧。这份试卷放在今天看依然有很强的参考价值。原因很简单阿里算法团队当时做的事——搜索排序、推荐系统、广告投放、供应链预测——决定了他们招人时最看重的是“用算法解决业务问题”的潜力而不是“会多少模型”。所以试卷里既有KMP、排序、树这些计算机基础也有大量概率统计、机器学习和场景设计题。如果你现在正准备大厂算法岗笔试这篇复盘可以帮你少走很多弯路。1.2 试卷整体格局不是考你会不会而是考你熟不熟先说说整份卷子的结构。我记得大概是选择题、填空题、简答/计算题、编程题和一道综合设计题这么几大块。选择填空覆盖了数据结构、算法复杂度、操作系统、网络、概率论、机器学习基础范围很广但深度不算变态。简答题里会有手写KMP next数组、复杂度的推导、贝叶斯计算这类需要你动笔的题目。编程题一般是两三道风格偏“在特定约束下实现一个功能”不是纯LeetCode原题。最后那道综合设计题才是真正拉开差距的地方。这里有个很关键的判断阿里的笔试不是一个“及格性考试”而是一个“排序性考试”。什么意思呢就是它不指望你把每道题都做对而是通过题目难度梯度快速把候选人分层。我当年看到不少人卡在KMP的next数组上结果后面的编程题根本没时间碰。这就是策略上的失误——你需要在拿到卷子的前五分钟就完成全局判断哪些题是送分题哪些题是苦力题哪些题可以直接放弃。后面我会专门讲怎么分配时间。2. 数据结构与经典算法笔试的硬骨架2.1 栈、队列与递归藏在“简单题”里的功与过先说基础。阿里2015年的笔试试卷里栈和队列并没有单独出一道“实现一个栈”这种题而是把它们藏在了表达式求值、括号匹配、递归转非递归这类组合题里。比如我印象里有一道题是给一个中缀表达式要求用栈将其转换为后缀表达式并计算复杂度。这题本身不难但很多人会在这里犯错只记得“遇到左括号入栈遇到右括号出栈”的粗略规则却忽略了运算符优先级的细节处理。这类题背后真正的考点是“你有没有真正理解栈这个数据结构在系统底层的作用”。我当时复习的时候喜欢用一个生活化的类比来理解栈就像一摞盘子你永远只能拿最上面那个队列就像一群人排队先来的先服务。递归调用就是典型的栈结构——函数不停的往下调用自己每一层的局部变量都压在栈里直到触底再一层层弹出返回。很多人写递归只背模板不理解这个压栈和弹栈的过程一旦遇到“请用非递归方式实现二叉树中序遍历”这种题就懵了。关于非递归中序遍历我建议你亲手推导一遍用栈模拟递归过程中的调用栈。先把根节点一路向左压栈压到最左节点之后开始弹出每弹出一个节点就访问它然后转向它的右子树继续压栈。这套逻辑想明白了你不仅会写这道题还能理解为什么中序遍历可以得到有序序列——因为二叉搜索树的左子树都小于根节点右子树都大于根节点中序遍历就是左根右的顺序自然有序。这种“理解而不仅是记忆”的状态才是笔试最需要的。2.2 字符串匹配与KMP当年很多人的分水岭2015年那会儿KMP算法几乎是各大厂笔试的常客阿里也不例外。试卷里有一道题我记得特别清楚给了模式串pabacaba要求写出它的next数组。这个考点在近几年的热词里还在反复出现可见它的经典程度。先说next数组的定义next[i]表示模式串前i个字符组成的子串中最长的相同前缀和后缀的长度有些教材里定义不太一样有的叫失配函数有的是next[0]-1的版本考试时一定要看清题目给的约定。以abacaba为例我们从i1开始逐项推导。i1时子串是a既没有前缀也没有后缀next[1]0。i2时子串是ab前缀集合有a后缀集合有b没有相等的next[2]0。i3时子串是aba前缀有a,ab后缀有a,ba最长公共前后缀是a长度为1next[3]1。i4时子串是abac最长公共前后缀为0next[4]0。i5时子串是abaca公共前后缀是anext[5]1。i6时子串是abacab公共前后缀是ab长度为2next[6]2。i7时子串是abacaba公共前后缀是aba长度为3next[7]3。所以最终next数组是0,0,1,0,1,2,3。这套手算过程看起来不难但考场上很容易出错因为大家习惯在代码里写“求next数组的代码”而不是手工推导。我建议你考前专门练五到十个字符串的手算找找感觉特别要注意next数组求的是“最长相等前后缀”不是“最长回文串”也不是“当前字符前一个位置的下标”不少人会在这里混淆。KMP的核心思想其实就一句话失配时不要从头再来而是利用已经匹配过的信息把模式串向右滑动到合理的位置。这个“合理位置”就是由next数组决定的。理解了这个你就明白了为什么KMP能把暴力匹配的O(mn)优化到O(mn)——因为主串的指针永远不会回退只前进每次失配模式串只回退到next指定的位置。这种“用空间换时间、用预处理换匹配速度”的思路本身就是算法工程师的基本功。2.3 排序与查找八股背后的复杂度直觉排序算法在2015年阿里笔试里出了一道很有代表性的题给出一组排序算法的平均时间复杂度和最坏时间复杂度要求选出描述正确的组合。乍一看是送分题实际上很多人栽在“快排最坏情况是O(n²)”和“堆排序最坏也是O(n log n)”这种细节上。我把当时高频考的排序算法整理成一张表你可以对照复习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)稳定简单选择排序O(n²)O(n²)O(1)不稳定插入排序O(n²)O(n²)O(1)稳定希尔排序O(n^1.3)左右O(n²)O(1)不稳定归并排序O(n log n)O(n log n)O(n)稳定快速排序O(n log n)O(n²)O(log n)不稳定堆排序O(n log n)O(n log n)O(1)不稳定关于稳定性这里补一句什么时候你会真的在意排序的稳定性比如在推荐系统里先按点击率排序再按商品上架时间排序如果用的是不稳定排序前面点击率的相对顺序可能被破坏导致最终结果不是“在时间新近的前提下点击率最高”而是乱序。这种业务理解笔试里未必直接考但面试官很喜欢在聊项目时追问。另一个常考的点是快排的partition过程和复杂度推导。我当年在复习时特意推演过为什么快排平均是O(n log n)因为每次partition大致把数组分成两半递归深度是log n每层要处理的总元素数是n。而最坏情况比如数组已经完全有序且你固定取第一个元素做pivot下每次只分成1和n-1两半递归深度变成n总复杂度退化成O(n²)。所以后来很多工程实现都用“随机选pivot”或者“三数取中”来规避最坏情况。这个细节放在编程题里就是“你会不会写一个鲁棒的快速排序”。3. 机器学习与统计基础算法岗的“专业护城河”3.1 模型评估与过拟合一道题暴露你的工程直觉如果说数据结构题筛的是“计算机基本功”那机器学习题筛的就是“有没有做算法的sense”。2015年阿里笔试里有一道多选题大概是给一个分类模型的训练集准确率是98%测试集准确率是85%问可能的原因有哪些。选项包括模型过拟合、训练集和测试集分布不一致、特征维度太高、正则化系数太大。这道题几乎就是送分题但它的价值在于提醒你一个非常重要的事实阿里不考“什么是过拟合”这种背诵题而是给你一个现象让你反推原因。过拟合这个概念我常用的类比是“背答案”。一个学生如果只是把练习册的题目和答案一字不差背下来做练习册时满分一旦考试题目稍微变一变就傻眼。机器学习里的过拟合也是这样模型把训练数据里的噪声和异常点也当成了规律导致泛化能力差。解决方法无非是加正则化L1让权重稀疏、L2让权重趋近于0、增加训练数据、降低模型复杂度、做交叉验证调参。这些必须做到条件反射式地脱口而出因为在后续面试中面试官会围绕你项目里的过拟合问题反复追问。关于正则化L1和L2的区别值得多说一句。L1正则化会让很多权重变成0相当于自动做了特征选择L2正则化则让权重整体变小但很少变成0。你可以把L1理解成“精简团队”只留下最有贡献的人其他人直接裁掉L2理解成“全员降薪”每个人都少拿点但都还在岗位上。这个直觉对做稀疏特征场景很有帮助比如广告点击率预估这种特征维度十万百万的场景L1几乎必不可少。3.2 聚类与分类从原理到计算一步都不能省2015年那场笔试里有一道k-means的手算题给了几个二维坐标点初始聚类中心也给了要求迭代一轮之后的聚类中心和簇划分。这类题目考察的是“你真的动手算过聚类过程而不是只会调库”。我印象很深因为当时班里不少同学都挂在最后一步算新的聚类中心时要取簇内所有点的均值而不是取中位数或随意指定一个代表点。k-means这个算法我建议每个准备算法岗的同学都手推一遍完整的迭代过程。假设我们有四个点A(1,1), B(2,1), C(4,3), D(5,4)初始中心是C1(1,1), C2(4,3)。第一轮A离C1距离0B离C1距离1C离C2距离0D离C2距离约1.41C离C1约3.61B离C2约2.83所以A、B归C1C、D归C2。第二轮新的C1(1.5,1)新的C2(4.5,3.5)。再算距离发现A、B仍属C1C、D仍属C2收敛。这套流程这么顺畅但考试时很多人会算错欧式距离的开根号或者把整数点求均值后当成新中心却忘了坐标是浮点数。细节决定成败真不是一句空话。分类方面朴素贝叶斯也是高频考点。它之所以叫“朴素”是因为它假设特征之间相互独立。这个假设在现实中几乎不成立但很多场景下它依然表现不错而且计算极其高效。我记得笔试里有一道题给你一堆邮件样本统计某些词在不同类别中出现的次数让你计算一封包含特定词汇的邮件是垃圾邮件的概率。这种题本质上就是在考贝叶斯公式P(类别|特征) P(特征|类别) × P(类别) / P(特征)。算的时候要注意平滑处理比如拉普拉斯平滑否则某个词在训练集里没出现时概率直接变成0就会把整个乘积清零。3.3 特征工程与业务理解阿里风格的“算法落地题”阿里笔试的另一个特色是它很少考“给你一个数据集你用什么模型”而是喜欢考“给你一个业务场景你会怎么构建特征和选择模型”。这类题往往出在简答或者综合设计题中比如预测下个月的销售额、给用户推荐商品、判断一笔交易是否有风险。答这类题时最容易犯的错误是只谈模型不谈特征。实际上在工业界特征工程决定了模型效果的上限模型只是在逼近这个上限。以商品推荐为例我当年答题时是按这个框架来写的用户特征年龄、性别、历史购买类目、点击行为序列、商品特征价格、类目、品牌、历史好评率、近30天销量、交互特征用户与商品类目的历史点击率、购买间隔、上下文特征当前时间、季节、是否大促。模型选择上可以从LR、GBDT到FM/FFM逐步升级但首次上线的MVP往往是逻辑回归或GBDT这类可解释性强、易调试的模型。这种“先业务后模型、先特征后算法”的答题思路我认为是阿里这类公司最欣赏的。顺便提一句那个年代正是FM因子分解机在推荐系统里逐渐流行的时期。如果你在笔试里能写出“用FM建模二阶特征交叉解决稀疏特征下的组合爆炸问题”会让阅卷人眼前一亮。这个知识点到今天依然是推荐算法的基础值得系统学一遍。4. 数学基础与逻辑思维容易被低估的送命题4.1 概率统计题三门问题、贝叶斯与条件概率数学部分在2015年阿里笔试里占的比例不低题型集中在概率统计和线性代数上。概率题里有三门问题、抛硬币问题、条件概率应用题、期望计算题。这些题目难吗知识点本身不难难的是“在考场上能不能快速找到正确的计算路径”。以贝叶斯公式为例我记得有一道题是这样的某种疾病的发病率是0.1%检测试剂的准确率是99%也就是有病的人检测出来阳性的概率是99%没病的人检测出来阴性的概率也是99%。问一个人检测出阳性他真正患病的概率是多少。这道题的答案是约9%不是99%。很多人一下笔就写99%——这就是没有把“先验概率”带进去算。按照贝叶斯公式P(患病|阳性)0.001×0.99/(0.001×0.990.999×0.01)≈0.0902。这个9%和99%的巨大反差恰恰是贝叶斯思维最迷人的地方即使检测很准在疾病本身极其罕见时阳性结果也需要谨慎解读。为什么算法工程师要懂这些因为搜推广场景里大量问题都是不确定性推理。比如用户点了某个商品他真正想买的概率有多大这时候你不能只看点击行为本身还要结合用户历史行为的先验分布。我在实际工作中发现很多模型效果不好不是模型不够强而是工程师没有把正确的先验信息编码进模型里。4.2 线性代数与优化矩阵求导、梯度与收敛线性代数的考点主要集中在矩阵乘法、特征值、正定矩阵、矩阵求导这些方面。2015年的卷子里有一道题让计算一个2×2矩阵的特征值还有一道题涉及最小二乘法的正规方程。这类题考察的核心能力是你能不能把“矩阵运算”和“优化目标”联系起来。最小二乘法的正规方程是θ(X^T X)^(-1) X^T y。这个公式看起来简单但它背后的推导逻辑很漂亮我们的目标是最小化误差平方和把目标函数对θ求导并令导数为0就能得到这个闭式解。这个过程中你需要会矩阵求导的规则。如果考试时记不住公式也可以从几何角度理解最小二乘的本质是把y投影到X列空间上残差垂直于列空间。这个投影视角不仅帮你记公式还能帮你理解为什么当X^T X不可逆时比如特征共线需要加正则化项——因为加了λI之后矩阵变成正定的求逆就稳定了。另一个常考的是梯度下降的收敛性。我记得有一道选择题问当学习率过大时会发生什么。答案是损失函数可能会震荡甚至发散。理解这个很简单你把梯度下降想成是下山步子迈得太大会直接跨过山谷跳到对面山坡甚至越跳越高。这个直觉在做深度学习调参时极其重要。现在很多框架默认帮你设了学习率但当你从零开始训练一个模型时学习率往往是最先需要调的参数没有这个直觉你很难定位问题。4.3 逻辑推理与智力题时间管理的大坑阿里笔试里还会有几道纯逻辑推理题比如“有1000瓶药水和10只老鼠其中一瓶有毒怎么用老鼠最少的时间找出毒药”或者“25匹马5个赛道最少比赛几次找出前三名”。这类题目不是考算法而是考“转化建模”的能力。第一题的经典解法是二进制编码给1000瓶药水编号用二进制表示10只老鼠对应10个二进制位混合喂药后根据老鼠死亡情况反推出毒药编号。第二题的做法是先分5组各跑一次找到每组第一名再让5个第一名跑一次得出总排名最后淘汰法找出可能的前三候选再跑一次决出二三。总次数是5117次。这类题放在试卷里作用主要有两个。第一是考察你在信息不完整的情况下能否抽象出最优策略。第二是消耗你的时间——如果你在智力题上死磕很久后面的综合题就危险了。我的建议是逻辑推理题放在最后做能做出来就做做不出来就果断填一个相对合理的答案绝对不要恋战。实际上我那一批进面试的同学里几乎没有人是在智力题上拿满分的大家都在综合题上靠扎实的业务建模能力拉开差距。5. 编程题与综合大题从“会做”到“能过”5.1 手写代码的评分逻辑不只是AC编程题是阿里笔试的重头戏但和LeetCode不太一样的是它更关注你的代码风格、边界条件处理和复杂度分析而不是单纯追求AC。我经历的那场笔试编程题大概有两三道一道是链表相关的操作一道是动态规划或贪心还有一道和搜索有关。我印象里有一道链表题是“给定一个单链表判断它是否有环如果有环返回环的入口节点”。这题有两个经典解法哈希表记录访问过的节点空间O(n)快慢指针空间O(1)。面试官更期待的是快慢指针法因为你能说出空间复杂度上的优势说明你有工程意识。快慢指针的核心是快指针每次走两步慢指针每次走一步如果链表有环它们必定在环内相遇相遇后把慢指针或一个新指针放回头节点两个指针都每次走一步再次相遇位置就是环的入口。我记得这个结论在数学上是可以严格证明的建议你亲手推导一遍而不是死记。动态规划题比较典型的是“最长上升子序列”或者“编辑距离”。这类题的难点不在状态转移方程的建立而在于你是否能用“自底向上”的方式填表以及如何优化空间复杂度。以编辑距离为例二维DP表的每个格子dp[i][j]表示字符串A前i个字符转成B前j个字符的最小编辑次数转移方程是如果A[i]B[j]则dp[i][j]dp[i-1][j-1]否则dp[i][j]min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1])1。写完二维版本之后你要能进一步优化成一维滚动数组因为dp[i][j]只依赖上一行和当前行的前一个位置。这种“从能跑到能省内存”的优化习惯非常符合工业界对算法工程师的期望。贪心算法在笔试里也出现过比如活动选择问题。它的核心是“每次选结束时间最早的活动”这个策略能保证全局最优。我在复习时发现很多人搞不清贪心和动态规划的区别这里给一个简单判断方法贪心是每一步做局部最优决策且不回退动态规划是枚举所有可能的决策并用状态记录中间结果。能用贪心解决的问题都有一种“拟阵”结构但考试不用理解这么深你只需要记住几个经典例题熟悉什么场景下贪心是可行的。5.2 推荐系统场景题把业务问题翻译成算法问题综合设计题是整张卷子最有阿里味道的部分。2015年那场给了一个推荐相关的场景要求你设计一个方案来提升某类商品的点击率或转化率。这题没有标准答案但阅卷人可以通过你的回答看出你的思维框架是否完整。我当时的答题思路分四步。第一步明确问题是要提升点击率还是转化率目标不同特征和模型选择完全不同。第二步梳理数据和特征可以用用户行为日志、商品信息、上下文信息特征要细化为数值型、类别型、序列型。第三步选择模型和评估方式离线用AUC、GAUC等指标上线用AB实验。第四步给出冷启动方案和兜底策略比如新用户没有行为数据时用热门推荐或基于内容的推荐。这套框架不是临时想的而是我在准备时专门总结的一套“业务算法设计模板”。这里要特别强调“评估”这个环节。很多同学的答案写到“用机器学习模型预测点击率”就结束了几乎没有提到怎么做离线评估和在线AB实验。但实际工作中一个模型90%的工作量在评估和调优上。你在笔试里能写出“通过GAUC衡量用户级别排序效果通过AB实验验证线上指标是否显著提升”会让你瞬间从候选人中跳出来。这说明你不只是一个会调包的人而是真的有系统思维。5.3 从笔试到面试考完才是真正的开始笔试结束后的48小时往往是面试通知陆续发放的时间。在我看来笔试最大的价值其实不是“过不过”而是帮你把整个知识体系暴露了一遍。哪些地方薄弱哪些地方是凭运气蒙对的考完对一遍答案就知道了。我当年考完之后用了整整一天时间把错题整理成一份文档每个错题不仅写了正确答案还写了“我当时为什么选错”的原因分析。这份文档后来成了我准备面试的宝贵资料。面试环节里面试官大概率会拿着你的笔试卷来追问。比如你在一道机器学习题上选了一个不合理的答案面试官可能在面试时说“我注意到你笔试里有一道题选择了XXX你能再讲讲你的思路吗”这时候如果你在笔试后认真复盘过就能坦诚说出当时哪里想错了现在怎么理解。这种“敢于承认错误并展示成长路径”的沟通方式反而会给面试官留下好印象。所以千万不要考完就扔笔试复盘是校招准备链条里最划算的一环。6. 实战路线与踩坑记录6.1 我是怎么用30天准备这场笔试的我当年准备这场笔试的时间线大概是30天前15天过基础后15天刷题加模拟。前15天里我每天安排三块内容上午数据结构与算法下午机器学习与概率统计晚上做一套模拟卷或专项练习。数据结构这块我把栈、队列、树、图、排序、查找、KMP、并查集这些高频考点全部过了一遍重点放在了“手写代码”上因为笔试是要写代码的光看不练等于白学。机器学习这块我当时学的是经典机器学习算法包括逻辑回归、SVM、决策树、朴素贝叶斯、k-means、KNN、PCA等。每学一个算法我要求自己做到三件事写出损失函数和优化目标、说出适用场景和优缺点、能在纸上推演一个简单例子。这个“纸上推演”的习惯让我在笔试遇到手算k-means、朴素贝叶斯这类题时完全不慌。后15天我每天固定刷题两小时同时在牛客网找往年的阿里笔试模拟题来练手掐表做题培养考场节奏感。6.2 考场上最容易犯的五个错误根据我自己的实战经历和身边同学的反馈我总结了考场上最容易犯的五个错误每个都对应具体的规避方法。第一个错误是在选择题上死磕。有些题明明不会却非要花十分钟琢磨。我的原则是一道选择题如果30秒内没有明确思路先标记跳过最后有时间再回来蒙一个。第二个错误是KMP手算next数组时疏忽定义。不同教材对next数组的定义不同有的从0开始有的从-1开始考试时如果不仔细读题很容易按错误定义算。第三个错误是编程题直接上手写不先规划。我见过很多同学在编程题上写了半天最后发现算法思路不对白白浪费了草稿纸和时间。正确做法是先花两三分钟想清楚算法和数据结构甚至在草稿纸上画出关键步骤再开始写代码。第四个错误是完全放弃综合设计题。综合题分数占比很高即使你只能写出一个框架也比空着强。哪怕只能列出特征、模型、评估三个小标题阅卷人都能从中看到你的思考轨迹。第五个错误是时间分配不合理前面所有题平均发力导致最后的大题没有时间展开。关于时间分配我建议用“50%时间做基础题30%时间做编程题20%时间做综合题”的大原则再根据实际卷面微调。6.3 给后来人的一份“考点自测清单”最后分享一份我在准备过程中沉淀下来的考点自测清单你可以拿来对照查漏补缺你能随手写出KMP的next数组手算过程吗能说出KMP相比暴力匹配的时间复杂度优势吗你能画出二叉树的三种遍历前序、中序、后序的递归和非递归实现吗能说明为什么非递归要用栈吗你能说出快排、归并排序、堆排序的时间复杂度、空间复杂度和稳定性吗能解释快排最坏情况什么时候出现吗你能手推k-means的一轮迭代吗能解释k-means可能收敛到局部最优的原因吗你能用贝叶斯公式算出一个罕见的疾病检测问题吗能解释先验概率对后验概率的影响吗你能给一个推荐场景写出特征工程、模型选择、离在线评估的完整方案框架吗你能在半小时内完成一道链表、一道动态规划、一道贪心的中等难度代码题吗你能解释L1和L2正则化的区别并说出各自适用的场景吗如果你对上面八成以上的问题都能给出清晰稳定的回答那你面对2015年阿里这套笔试题基本可以做到心里有底了。如果还有模糊的地方我的建议是不要等立刻打开书或者找一道对应的题来练手。算法笔试这件事归根到底没有捷径它要求的不是天赋而是你愿不愿意静下心来把每个考点真正弄明白。我就是这样一步步走过来的所以我相信你也可以。