企业官网建设流程全解析

快手2020校园招聘秋招笔试--算法A试卷

又是一年秋招季，看到不少同学在准备大厂算法岗笔试，我翻出自己当年整理的一份快手2020校园招聘秋招算法A试卷的复盘笔记，感触挺多。这应该是我见过的大厂算法笔试题里，少有的兼顾了“广度覆盖”和“深度挖掘”的一份卷子，既要你懂经典数据结构与算法，又要你对机器学习、深度学习底层原理有真正理解，而不是光会调包。

这篇内容不是简单把题目罗列一遍，而是围绕“快手算法A试卷到底考什么、为什么这么考、怎么准备才能不白费力气”来拆解。不管你是正在准备秋招的应届生，还是打算跳槽的算法工程师，都可以对照这份考题背后的考察逻辑，看看自己的知识体系有没有漏洞，查漏补缺。

1. 快手算法A试卷的整体考情与设计思路

1.1 算法岗位笔试的定位与筛选逻辑

快手的算法岗笔试，题目标注为“算法A试卷”，这个A并不是随随便便取的编号，它对应的是算法工程师这一大类岗位。相比后端开发、测试开发的笔试题，算法岗的试卷有明显的筛选倾向：不是为了看你会不会写业务代码，而是为了看你有没有算法直觉、数学功底和模型理解能力。

我当时做完这套卷子的第一感觉是——题量不算大，但每一道题都值得琢磨。它不会像一些公司那样堆20道选择题靠题海战术筛人，而是用几道“综合题”来考察你建模、推公式、coding的综合能力。这种设计逻辑其实很聪明，因为算法岗入职后面对的问题是开放的、没有标准答案的，笔试阶段就要筛掉那些只会背题、不懂原理的人。

1.2 算法A卷的题型结构与时间压力

根据我收集到的信息和周围同学反馈，这套笔试卷子大致可以分为三大部分：

• 基础数据结构与算法题：考察排序、字符串匹配、树和图等经典内容，通常有选择题也有编程题，主要筛掉基本功不扎实的候选人。
• 机器学习/深度学习理论题：考察模型原理、损失函数、优化方法等，大多是简答或推导题，要求你徒手写公式。
• 综合编程题：一般是2到3道完整的coding题，要求在限定时间内通过测试用例，这是整份卷子拉开差距的关键。

时间方面，快手当时给的时长大概是120分钟左右。说实话，这个时间对于要完成选择和编程题的同学来说并不宽裕，尤其综合编程题如果思路卡住，很容易影响后面题目的心态。我建议的策略是先快速过一遍所有题目，把最有把握的题先拿到分，再回头啃硬骨头。

2. 处处是坑的经典算法考点

2.1 KMP算法与next数组的隐藏陷阱

热搜词里有关“在KMP算法中，对于模式串p=‘abacaba’，其next数组”的讨论，这个题值得单独拿出来说，因为在快手这类大厂的算法笔试中，字符串匹配几乎是必考的经典考点，而以KMP为载体考察你对next数组的理解，是最常见的考法。

先说结论，模式串p = "abacaba"的next数组求解，很多人背了模板依然会错。原因在于不同教材对next数组的定义有差异：

• 有的定义为“失配时模式串指针回退的位置”
• 有的定义为“当前字符前面的子串的最长相等前后缀长度”
• 还有的会区分next数组和nextval数组

我当时在复盘时，专门把这个问题重新推导了一遍。以“最长相等前后缀长度”为定义（也就是next[i]表示p[0..i-1]的最长相等前后缀长度，next[0]=-1）：

i = 0: next[0] = -1 i = 1: 子串 "a"，没有真前后缀，next[1] = 0 i = 2: 子串 "ab"，没有相等前后缀，next[2] = 0 i = 3: 子串 "aba"，前缀 "a" = 后缀 "a"，最长长度 1，next[3] = 1 i = 4: 子串 "abac"，无相等前后缀，next[4] = 0 i = 5: 子串 "abaca"，前缀 "a" = 后缀 "a"，next[5] = 1 i = 6: 子串 "abacab"，前缀 "ab" = 后缀 "ab"，next[6] = 2 i = 7: 子串 "abacaba"，前缀 "aba" = 后缀 "aba"，next[7] = 3

如果你在笔试里遇到这类题，我的建议是当场画一个表格，把每个位置的前后缀都列出来，不要凭记忆跳步。很多同学错不是因为不会KMP，而是因为考场紧张看错了定义。

注意：在做字符串匹配相关的题目时，一定要先确认题目中next数组的定义是哪一种，不同定义下结果完全不同。这个坑在真实笔试中确实绊倒了不少人。

2.2 排序算法不是光会写代码就行

另一个高频考点是排序算法，热搜词里“数据结构排序算法”“排序算法”“冒泡排序算法C++”“堆排序算法”“快速幂算法C++”等出现频率都很高。

快手的算法笔试卷里，排序算法的考法通常有两种：

• 选择题形式：给出一组数据，问你经过某排序算法的第一趟或第二趟后，序列是什么样的。
• 代码题形式：让你手写快排、堆排或归并排序，并分析时间复杂度和空间复杂度。

这里我想重点说说堆排序，因为它在大厂笔试里出现的频率相当高，而且错的人特别多。堆排序的核心是建堆和调整堆，很多同学能背出代码，但一旦面试官问你“为什么建堆的时间复杂度是O(n)，而每次调整是O(log n)”，就答不上来了。

我当时自己推导了一遍：

• 建堆时，从最后一个非叶子节点开始向下调整，每个节点调整的代价与其高度成正比。
• 底层节点数量多但高度低，顶层节点数量少但高度高，总的调整次数求和后是O(n)，而不是O(n log n)。
• 排序阶段，每次从堆顶取走最大值后，需要把最后一个元素放到堆顶并向下调整，一共n次，所以排序部分是O(n log n)。
• 因此堆排序整体时间复杂度稳定在O(n log n)，空间复杂度为O(1)。

这个推导过程看起来简单，但它考察的是你对数据结构的本质理解，而不是死记硬背。快手这类公司非常看重这种能力，因为实际业务中你不可能永远用现成的库函数，遇到性能瓶颈时必须要自己分析数据结构和算法的复杂度。

2.3 贪心、动态规划与经典算法图谱

在热搜词里，“贪心算法”“动态规划”相关的搜索热度一直居高不下，而算法A试卷的编程题部分也确实喜欢出这些。贪心算法在笔试中往往会以“你能否判断这道题能不能用贪心”来考察，比直接让你写代码更阴险。

举个例子，区间调度问题可以用贪心（按结束时间排序），但带权重的区间调度就必须用动态规划。很多同学看到“区间”两个字就默认贪心，结果直接掉坑。我在实际面试和笔试复盘时总结了一个经验：能用贪心的题，一定满足贪心选择性质和最优子结构；而动态规划要求的是重叠子问题和最优子结构。考试时如果不确定，就先用暴力递归想状态转移方程，不要一开始就奔着最优解去。

快手算法A的编程题里，类似“岛屿数量”“最长递增子序列”“打家劫舍”这类LeetCode中等偏上难度的题，出现概率很高。备考时除了刷题，更要把“为什么这题是DP，状态是什么，转移方程怎么来的”想明白，这才是笔试能稳定发挥的核心。

3. 机器学习与深度学习题目的底层逻辑

3.1 机器学习算法笔试的高频理论考点

算法A试卷与纯开发岗位的笔试题最大的不同，在于它会有相当一部分机器学习相关的理论题。这也是算法岗“算法”二字的正解——不仅要懂数据结构算法，还要懂机器学习算法。

热搜词里“机器学习算法”“KNN算法的应用能力包括哪三个方面”“XGBoost算法”“聚类算法”等都是高频讨论对象。这类题在笔试卷中通常有两种形式：

• 简答/选择：考察基本概念，比如KNN的三个基本要素、SVM的核函数选择、决策树的划分依据。
• 公式推导：给定模型，要求你推导损失函数对参数的梯度，或者解释某个优化算法的更新过程。

KNN那题很有意思，“KNN算法的应用能力包括哪三个方面”其实是在问KNN的三个基本要素：距离度量、K值选择、分类决策规则。很多人只记得“K近邻”这个名字，却忘了这三个要素才是KNN的核心。这类题告诉我们，复习机器学习时不能只看模型的名字和调用接口，要理解每个模型背后的假设和组成。

关于XGBoost，笔试爱考的不只是它能比GDBT快在哪里，更爱考损失函数的二阶泰勒展开、正则项的设计、以及分裂增益的计算公式。你得能写出来：

Obj = Σ L(yi, yi_hat) + Σ Ω(fk)

其中Ω(fk)是第k棵树的复杂度惩罚项。XGBoost之所以比传统GBDT效果好，就是因为它用了损失函数的二阶导数信息，并且把树的结构复杂度显式加入目标函数中，这比单纯一阶梯度信息更精细。

3.2 深度学习笔试：不仅会调框架，更要懂底层

深度学习部分，我记得当时有不少人栽在“反向传播推导”上。现在的学生普遍用PyTorch或TensorFlow，函数调一下梯度就出来了，但笔试会让你用手推。

比如给一个简单的两层全连接网络：

输入 x -> 线性层 W1 -> ReLU -> 线性层 W2 -> 输出

让你求损失对W1、W2的梯度。你需要掌握链式法则的展开：

∂L/∂W2 = (∂L/∂output) * (∂output/∂W2) ∂L/∂W1 = (∂L/∂output) * (∂output/∂W2) * (∂W2/∂hidden) * ReLU' * (∂hidden/∂W1)

在推导过程中，最关键的是要分清楚矩阵的形状。如果你在纸上把每个变量的维度标出来，推导就清晰很多。

除了BP推导，注意力机制、Transformer结构、BatchNorm的原理也是高频考点。我记得2020年前后，Transformer还没有像今天这样在NLP和CV领域全面铺开，但快手作为短视频平台，对推荐、视频理解算法要求很高，笔试中涉及注意力机制也合情合理。

3.3 从热搜词看智能优化算法的隐性考点

热搜词里出现了一串与智能优化算法相关的热词，比如“粒子群算法原理”“模拟退火算法”“KL ELBO算法原理详解”“剪枝算法”等。这些词看起来和快手笔试没有直接关系，但恰恰反映了当前算法岗笔试准备中常见的“考点外溢”现象。

粒子群算法（PSO）和模拟退火算法（SA）属于元启发式优化算法，一般在经典算法课程中不会重点讲，但如果在简历上写了“熟悉优化算法”或“做过参数调优”，面试官和笔试题目就可能冷不丁出现类似“粒子群算法的速度和位置更新公式是什么”的问题。我当时整理这部分时，给粒子群算法的核心更新公式做了个总结：

v_i = w * v_i + c1 * r1 * (pbest_i - x_i) + c2 * r2 * (gbest - x_i) x_i = x_i + v_i

其中w是惯性权重，c1、c2是学习因子，r1、r2是[0,1]之间的随机数。这个公式用来理解PSO的搜索逻辑：粒子飞行方向由自己的历史最优位置和群体的全局最优位置共同决定。

这些优化算法虽然不一定是快手笔试的必考题，但既然在热搜词里有这么高的热度，说明确实有同学在笔试或面试中遇到过。我的建议是：以经典算法为主线，把这些扩展算法作为“知识图谱”的枝叶去了解，不需要花大量时间写代码，但至少要能说清楚原理和适用场景。

4. 笔试实战策略：从审题到AC的完整方法论

4.1 拿到试卷后先做什么

很多同学拿到笔试邮件，登录在线测评系统后，第一反应就是从第一题开始按顺序做。这个习惯在算法A试卷中其实有点吃亏。因为这套卷子的题型分布并不完全按照难度递增来排列，有时选择题里会藏着很偏的知识点，反而编程题最后一题可能是最常规的。

我的习惯是，前3分钟只做一件事：浏览全部题目。在草稿纸上快速记下每道题的类型和初步思路，然后按照“好拿分、有把握、分值高”的顺序做题。比如：

• 如果一道选择题考的是KMP next数组，你平时练过，直接做，稳拿分。
• 如果一道编程题是“最长公共子序列”，这是经典DP，脑子里有模板，优先做。
• 如果一道简答题让你推导SVM的对偶形式，你虽然知道大概，但需要时间，建议放到后面。

笔试不仅是考你会不会，更是考你在有限时间内能不能把自己会的东西全部拿到分。

4.2 编程题的白板调试技巧

算法A试卷的编程题通常是在线OJ形式，没有IDE那么友好的调试环境。我刚参加校招笔试时踩过不少坑，其中最亏的是：代码逻辑没问题，但因为输入输出格式不对，导致通过率为0。

白板编程的核心技巧有几点：

第一，先写输入输出框架，再写核心逻辑。不要先写了一个很长的函数，到最后发现忘了处理多组输入。很多笔试平台对输入输出的格式要求非常严格，比如可能要求读取到EOF，或者以某个特殊符号作为结束标志。

第二，边界条件优先考虑。空数组、只有一个元素、全是相同元素、数值溢出等场景，在写核心逻辑之前就想好。经验是，能AC的代码往往是考虑了边界条件的代码，而不是主流程特别炫的代码。

第三，大样例推理。代码写完后，不要急着提交，先在草稿纸上手算一个小的测试用例，把代码运行一遍，确认每一步的输出符合预期。这个环节看似浪费时间，但能帮你拦住90%以上的低级错误。

第四，不要死磕一道题。如果一道编程题做了20分钟还没有通过，先跳过去做其他题，最后有时间再回头。笔试评分通常是按通过用例比例算分，你只要拿下所有题目50%的用例，成绩可能就不差，但死磕一道题会让其他题白卷。

4.3 公式推导题的时间分配建议

算法A试卷里的机器学习推导题，往往是拉开差距的地方。以我当时了解的情况，很多同学在选择题和编程题上花费了过多时间，导致最后推导题只能随便写两行，非常可惜。

我建议把整份卷子的时间按 “5:3:2” 来分配：

• 50%时间给编程题，这是拿分的大头。
• 30%时间给机器学习/深度学习理论题，毕竟这是算法岗笔试区别于开发岗笔试的地方，答得好很加分。
• 20%时间给选择题，选择题分值小，不要恋战。

当然这个比例要结合每个人的情况调整，但大方向是：不要把选择题当成主战场。

5. 备考进阶：从一套试卷到一套知识体系的构建

5.1 算法数据结构的主干知识图谱

做完整套快手算法A试卷的复盘，我最大的体会是：这套题考察的知识点并不是孤立的，而是以“算法设计方法”为主线，串联了整个知识体系。我在复盘时做了一张属于自己的知识图谱，在这里也分享给读者：

• 线性结构：数组、链表、栈、队列，考的是指针操作和边界处理。
• 树与图：二叉树遍历、BST、堆、并查集、最短路径、最小生成树，考的是递归和搜索思维。
• 字符串：KMP、Trie树、后缀数组，考的是对匹配逻辑的精细理解。
• 排序与查找：快排、堆排、归并、二分，考的是复杂度分析和稳定性判断。
• 算法设计方法：贪心、分治、动态规划、回溯，考的是问题建模能力。

我在准备校招时，把LeetCode按这个图谱重新刷了一遍，每一类题至少精做30道。刷题的时候不追求数量，而是每道题都做到能自己写出完整推导过程，这样到了笔试现场看到任何一道题，都能迅速把它归类到某个知识节点上。

5.2 机器学习与深度学习的复习框架

机器学习部分的复习，我采用了一个“模型清单”的方法：

• 监督学习：线性回归、逻辑回归、SVM、决策树、随机森林、GDBT、XGBoost、LightGBM。
• 无监督学习：K-Means、DBSCAN、层次聚类、PCA。
• 深度学习：CNN、RNN/LSTM、Transformer、Attention机制。

每个模型都要回答四个问题：模型是什么、假设是什么、损失函数怎么写、怎么优化求解。如果能独立把这四个问题回答清楚，笔试里的理论题基本就稳了。比如逻辑回归，你需要能写出：

P(y=1|x) = 1 / (1 + exp(-w·x))

损失函数是交叉熵：

L = -[y·log(p) + (1-y)·log(1-p)]

梯度是：

∂L/∂w = (p - y)·x

逻辑回归的梯度形式看起来简单，但它其实是很多复杂模型的基础。把这类基础模型的推导练到肌肉记忆，考试时就事半功倍。

5.3 快手业务场景下的算法考察倾向

快手作为短视频平台，算法在推荐、内容理解、视频处理等场景中非常核心。这一点在算法A试卷的题目取向上也有体现。

比如，视频推荐领域常用到的协同过滤、Embedding、用户行为序列建模等概念，可能在简答题中出现；视频内容理解涉及到的图像分类、目标检测等方向，可能以深度学习理论题的形式出现。我在复盘时特别注意到，热搜词里“图像锐化的拉普拉斯算法”“图像分类算法”“SOBEL算法”这类图像处理相关的词密度较高，说明不少人在准备快手时，会特别关注CV方向的考点。

虽然算法A试卷不一定会考到SoBel算子这类具体图像处理算法，但图像处理的基础知识，比如卷积操作、边缘检测、图像金字塔等，对于理解视频推荐和内容理解算法很有帮助。建议准备快手算法岗的同学，不要只盯着推荐和机器学习，也要花一点时间补图像处理和视频理解的基础。

6. 校招笔试常见问题与避坑指南

6.1 在线笔试系统的那些坑

在线笔试和平时在自己电脑上写代码完全不同，平台、浏览器、网络都会成为变量。我在这里整理几个真实踩坑的高频问题，供你参考：

常见问题之一：代码在本地能跑，提交到OJ就编译错误

这是因为在线OJ通常使用严格的编译参数，或者你本地用的编译器和OJ用的版本不一致。比如本地环境默认支持C++11的某些特性，但OJ的编译器版本较老，不支持。解决办法是，写代码时尽量用通用语法，除非题目明确说明支持某种新标准。

常见问题之二：输入输出格式不对

很多同学自己测试时用控制台输入很随意，到了OJ平台没有按照题目的输出格式要求来做。比如题目要求每组输出占一行，如果你的代码只是在最后输出一次，那必然错误。解决方法是，先看清楚输入输出样例，特别是“示例1”、“示例2”的描述。

常见问题之三：递归爆栈

在线OJ通常对递归深度有限制，如果题目的递归深度很大，比如二叉树退化成了链表，递归实现很容易导致栈溢出。笔试时如果题目的数据范围较大，优先考虑用迭代或者显式栈模拟。

6.2 复习时间不足时的取舍建议

如果你现在离笔试只剩一到两周，建议按“保底拿分”的原则来复习：

• 必得分的部分：数组、字符串、链表相关的简单到中等题，这些题出现频率高，套路固定。
• 重点突破的部分：动态规划的经典题模版，比如背包问题、最长公共子序列、最长递增子序列。
• 性价比很高的部分：机器学习基础（逻辑回归、SVM、决策树）的概念和推导，这些通常在简答题中出现，拿分比编程题更可控。
• 可以适当放弃的部分：冷门算法（红黑树细节、高级字符串算法）、极端困难的竞赛题。

笔试不是要考满分，而是要保证自己在有限时间内拿到足够的分数进入面试。把基础题做对，比做出一道压轴题更有价值。

6.3 笔试后的复盘：比分数更重要的是错题

很多同学笔试结束就不管了，等结果的时间白白浪费。我建议笔试结束后花一两个小时，趁热打铁做一份“笔试复盘笔记”，记录以下内容：

• 哪些题是自己确定会做但做错的，原因是什么。
• 哪些题是蒙对的，背后的知识点是什么。
• 哪些题是完全不会的，需要专门补强。
• 时间分配是否合理，哪些题花的时间过高。

我当年在准备校招时，把每次笔试的复盘笔记都整理成一个文档，到后期面试前就只看这些错题和复盘内容，效率远高于重新刷题。经过几次笔试后，你会发现自己常犯的错误就那么几类，比如数组越界没考虑、DP状态初始化写错、公式推导中符号写反。把这些固定错误逐一消灭，笔试成绩就有了根本性提升。

6.4 还有一些需要留意的细节

除了核心知识，笔试中还有一些细节容易被忽略：

审题要仔细，题目中没有多余信息。算法笔试的题干通常字字有用，特别是数据范围、输入格式、边界条件这些信息，直接影响你选择算法。例如数据范围达到10^5，那就基本排除O(n^2)的算法；n在20以内，可以考虑状态压缩DP或回溯。

不要忽略数学基础。算法岗笔试中涉及概率论、线性代数、高数的题目并不少见，比如求期望、矩阵特征值、概率分布等。这些知识不会单独出题，但会嵌入到机器学习推导和大数据处理中。

保持代码和注释的整洁。虽然在线OJ只关心对错，但有些笔试平台有“代码回看”功能，面试官可能会看到你提交的代码。整洁的代码风格能留下好印象，尤其推到你写的变量命名、注释逻辑、分块清晰，会让面试官觉得你有工程素养。

写在最后

回到快手2020校招秋招算法A试卷本身，它其实是大厂算法岗笔试的一个缩影：扎实的数据结构与算法基本功、对机器学习深度学习原理的真正理解、快速解决编程题的能力，三者缺一不可。

在刷题和备考的过程中，我最大的体会是：不要只把目标定在“AC这道题”上，而是要透过题目看到背后考察的知识点，明白公司为什么要出这道题。算法工程师的核心竞争力不在于背了多少模型、刷了多少题，而在于面对一个新问题时，能够迅速建模、设计算法、分析复杂度并落地实现的能力。这套笔试考的就是这件事，而我后来在实际工作中发现，这件事也恰恰是日常工作的常态。