字节跳动2018校招算法方向（第三批）这场笔试，我印象还挺深的。当时算法岗的竞争已经非常激烈，第三批笔试的题量和难度都比前两批有所升级，题目覆盖了从基础数据结构到机器学习、深度学习的完整知识链。很多人只刷LeetCode就上了考场，结果被字符串、图论和模型推导题打了个措手不及。这篇文章我把当年这批笔试涉及的算法考点完整梳理一遍，结合我自己的备考和实战经验，讲清楚每一类题目背后的考察逻辑、解题思路，以及哪些地方最容易踩坑。
1. 2018年字节跳动校招算法方向的整体考情回顾
1.1 笔试定位与核心考察维度
2018年是字节跳动大规模扩张的一年，算法岗的招聘量很大，但筛选标准也相当严格。校招笔试分为多批进行，第三批属于比较靠后的批次，题目整体呈现出三个明显特点：基础算法考察扎实、机器学习知识比例明显提升、工程场景题增多。
与LeetCode那种纯算法题不同，字节的笔试题更强调“在业务场景里抽象算法模型”的能力。比如同样是考排序，不会直接让你写快排，而是给你一个推荐系统排序场景，让你选择最合适的排序策略并解释原因。这种考察方式对思维深度要求更高，仅仅会写模板是不够的，你得真正理解每种算法的适用边界和复杂度瓶颈。
从考点分布来看，这批笔试大致可以拆成四大模块：基础数据结构和字符串算法、图论与动态规划、机器学习与深度学习理论、以及少量工程优化类问题。文章开头的热词里出现的KMP、堆排序、Dijkstra、贪心、快速幂、KNN、聚类、XGBoost、ELBO、PID、FOC等，基本就是这场笔试的核心知识地图。
1.2 竞争环境与备考策略差异
当年参加第三批笔试的同学，面临的竞争已经白热化。我身边有不少人是从第一批就开始投递的，前两批没过，又转投了第三批。这就导致第三批的题目难度并不比第一批低，反而因为题库积累得更充分，出现了更多偏门考点。
一个很关键的经验是：备考必须分层次。第一梯队是高频必考点（排序、字符串、图论、DP），这些是无论如何都要拿稳的分数，占比大约60%；第二梯队是机器学习基础理论（KNN、聚类、XGBoost、损失函数等），占比约25%；第三梯队是冷门但高区分度的考点（模拟退火、粒子群、PID原理、规则引擎Rete算法等），占比约15%。如果只刷LeetCode，第三梯队的题目基本就只能靠蒙了。
1.3 第三批笔试题型结构参考
根据当时笔试现场回忆和多方反馈，第三批算法方向的题型结构大致如下：
| 题型 | 题量 | 建议用时 | 考察重点 |
|---|---|---|---|
| 单选题 | 20题 | 30分钟 | 数据结构、概率统计、机器学习基础 |
| 多选题 | 10题 | 20分钟 | 算法复杂度、模型对比、边界条件 |
| 编程题 | 3题 | 70分钟 | KMP、DP、图论、贪心 |
| 简答题 | 2题 | 30分钟 | 算法设计思路、模型原理推导 |
这个时间分配非常紧张，尤其是编程题部分，很多人卡在第二题就出不来了。我的建议是先快速跳过不会的单选，把时间优先分配给有把握的编程题，因为编程题的分值权重远高于选择题。
2. 基础算法：字符串、排序与数值计算的高频考点拆解
2.1 KMP算法：next数组推导是送分题也是送命题
热词里有“在kmp算法中，对于模式串p="abacaba"，其next数组”，这大概率是当年笔试的原题或者变体。KMP几乎是字节笔试必考的字符串算法，而next数组的推导又是KMP的核心。
先把这个例子完整推一遍。模式串 p = "abacaba"，按照常见的next数组定义（next[i] 表示 p[0..i-1] 的最长相等前后缀长度，next[0] = -1）：
- next[0] = -1（约定值）
- next[1]：子串"a"，没有真前后缀，0
- next[2]：子串"ab"，前缀"a"、后缀"b"，不等，0
- next[3]：子串"aba"，前缀"a"、后缀"a"相等，长度1
- next[4]：子串"abac"，前缀与后缀无相等项，0
- next[5]：子串"abaca"，前后缀"a"相等，长度1
- next[6]：子串"abacab"，前后缀"ab"相等，长度2
- next[7]：子串"abacaba"，前后缀"aba"相等，长度3
所以 next = [-1, 0, 0, 1, 0, 1, 2, 3]。
如果你用的是“next[i] 表示失配时模式串回退的位置”这种定义，数值会有所不同，但原理是同一个。关键在于理解next数组存的是“最长公共前后缀”，而不是别的什么鬼。很多人死记硬背代码，却说不清为什么失配时要跳到 next[j]，结果面试官一追问就露馅了。
我当时的做法是手推至少十个模式串的next数组，把“自己匹配自己”的过程彻底刻在脑子里。这里给大家一个训练建议：随便写一个字符串，先手工推导next，再写代码验证，反复练到不用思考就能写出求next的代码为止。
vector<int> buildNext(const string& p) { int m = p.size(); vector<int> next(m, 0); next[0] = -1; int j = -1; for (int i = 1; i < m; i++) { while (j >= 0 && p[i] != p[j + 1]) j = next[j]; if (p[i] == p[j + 1]) j++; next[i] = j; } return next; }笔试里KMP的考察通常不只是背模板，常见的变体有：求字符串中模式串出现次数、求最长重复子串、字符串循环节判断等。比如给你一个字符串，问它的循环节长度，其实就是用 next[n] 判断 n % (n - next[n]) == 0 是否成立。
2.2 排序算法：复杂度表格只是入门，场景选择才是重点
排序算法在笔试中的出题方式非常灵活。热词里同时出现了“数据结构排序算法”、“冒泡排序算法c++”、“堆排序算法”，这说明排序是绝对的核心考点。但字节的题很少直接让你写一个排序，而是通过选择题和简答题考察你对排序算法本质的理解。
比如选择题可能会给你一个接近有序的数组，问哪种排序最快。答案是插入排序，因为它的最好时间复杂度是O(n)。又比如问你“堆排序建堆的时间复杂度是多少”，答案是O(n)，而不是很多人以为的O(n log n)。这些都是容易出错的基础细节。
我整理了一张笔试必备的排序对比表，建议大家必须熟记：
| 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(n^2) | O(n^2) | O(1) | 稳定 |
| 插入排序 | O(n^2) | O(n^2) | O(1) | 稳定 |
| 选择排序 | O(n^2) | O(n^2) | O(1) | 不稳定 |
| 快排 | O(n log n) | O(n^2) | 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 |
2.3 快速幂算法：刷题人最容易忽略的基础
热词里的“快速幂算法c++”也是一个高频考点。快速幂的核心思想是二分指数，把 O(n) 的幂运算降到 O(log n)。笔试中它通常不会单独考，而是作为组合题的一部分出现，比如配合取模运算求大数幂、矩阵快速幂加速递推等。
long long fastPow(long long a, long long b, long long mod) { long long res = 1; a %= mod; while (b > 0) { if (b & 1) res = res * a % mod; a = a * a % mod; b >>= 1; } return res; }这里有一个非常容易踩的坑：乘法溢出。笔试环境通常是32位或64位整数，如果 a、b、mod 都接近 1e9，res * a 这一步就可能溢出。所以刷题时一定要留意题目给的数据范围，必要时用 long long，或者用“快速乘”（类似快速幂的二进制拆分法）来避免溢出。当年我就在这上面吃过亏，一道题因为没考虑到溢出，白丢了一部分测试用例的分数。
2.4 贪心算法：看上去简单，证明才是关键
贪心算法是笔试选择题的常客，也是编程题里最常见的思路之一。热词里“贪心算法”单独出现，说明它在当年候选人搜索中被反复提及。贪心题的难点不在写代码，而在证明贪心策略的正确性。你可以用贪心去猜答案，但如果面试官追问“为什么这样贪心是对的”，很多人就卡住了。
常见的笔试贪心场景包括：区间调度（选最多不重叠区间）、跳跃游戏（最少步数到达终点）、哈夫曼编码等。以区间调度为例，正确策略是按结束时间升序排序，然后依次选择与已选区间不重叠且结束最早的区间。证明的关键点在于交换论证：如果最优解的第一个区间不是结束最早的，把它换成结束最早的区间不会导致结果变差，由此归纳证明贪心策略最优。
笔试考贪心编程题时，要注意先判断贪心是否真的适用。有些题目看起来像贪心，实际需要用DP或二分答案。一个典型的例子是“最大化最小值”或“最小化最大值”类问题，这类题往往用二分答案加贪心验证的方式解决，而不是直接贪心。
3. 图论与动态规划：编程题里的“硬骨头”
3.1 Dijkstra算法：“最短路径”只考堆优化版本
图论题目在字节笔试编程题中占的比重非常高，而Dijkstra是最常被翻牌子的算法。热词里有“dijkstra算法”，并且有“foc算法”、“pid算法”等纯工程向词汇，但Dijkstra属于计算机基础，考察频率远高于那些工程算法。
Dijkstra的朴素版本是O(n^2)，在 n ≤ 1000 时能过，但笔试里图的规模通常在 1e5 以上，所以必须写堆优化版本。核心思路是用优先队列维护当前距离最小的未访问节点，每次弹出后松弛它的邻居节点。
const int INF = 0x3f3f3f3f; vector<pair<int, int>> adj[MAXN]; int dist[MAXN]; void dijkstra(int s) { memset(dist, 0x3f, sizeof(dist)); dist[s] = 0; priority_queue<pair<int, int>, vector<pair<int, int>>, greater<>> pq; pq.push({0, s}); while (!pq.empty()) { auto [d, u] = pq.top(); pq.pop(); if (d > dist[u]) continue; for (auto [v, w] : adj[u]) { if (dist[v] > dist[u] + w) { dist[v] = dist[u] + w; pq.push({dist[v], v}); } } } }笔试中Dijkstra的常见变体有：求最短路径条数（加一个cnt数组）、求限制边数的最短路（用二维状态）、带负边权的最短路（此时应该用SPFA或Bellman-Ford）。这些变体在LeetCode上都有对应题目，建议大家考前把“带限制的最短路”这类题集中刷一遍。
3.2 拓扑排序与Kahn算法：检测环的经典手段
热词里有“kahn算法”，这是拓扑排序的经典实现。Kahn算法的核心是维护一个入度为0的节点队列，依次出队并减少邻居节点的入度。如果最终队列处理的节点数小于总节点数，说明图中有环。
拓扑排序在笔试中经常与“任务调度”场景结合，比如给你一组任务依赖关系，判断能否完成所有任务，或者输出一种可行的完成顺序。这类题看起来复杂，实际上就是先建图、再跑一遍Kahn，复杂度O(V+E)。
还有一个容易混淆的点是“二分图HK算法”。热词里有“二分图hk算法”，全称是Hopcroft-Karp算法，用于在二分图中快速求最大匹配，复杂度O(E√V)，比朴素的匈牙利算法快很多。笔试中二分图匹配的考察频率不高，但如果出现，基本都是基于“最大匹配 = 最小点覆盖”这类定理的推理题，需要你对图论基础知识掌握得很扎实。
3.3 动态规划：状态定义是区分度所在
动态规划是字节笔试编程题的绝对主角。前两批笔试都出现了至少一道DP题，第三批也不例外。DP题的难点不在代码，而在状态定义和状态转移方程的推导。
热词里虽然没有直接出现“动态规划”，但“贪心算法”、“dijkstra算法”之外的编程题必然有DP的身影。比如经典背包问题、最长上升子序列、编辑距离、区间DP等。以背包为例，我建议把所有背包变体（01背包、完全背包、多重背包、分组背包）都过一遍，这是DP的基础。
背包问题的一个关键优化是空间压缩。01背包要从后往前遍历容量，完全背包则要从前往后遍历，这个顺序差异背后的原因是：01背包每件物品只能用一次，更新dp[j]时要用到上一层的dp[j-w]；而完全背包每件物品可用无限次，更新dp[j]时可以用当前层已经更新过的dp[j-w]。如果这个逻辑没想通，笔试里就非常容易写错遍历方向。
另外，笔试DP题通常不会是满分的裸模板题，而是会加一些包装。比如“给定一个数组，求经过一系列变化后能否达到某个状态”这类题，本质是区间DP或状态压缩DP。我的经验是：遇到看起来像是搜索的题目，先想想能不能用DP，很多时候搜索会超时，而DP能卡线通过。
4. 机器学习与深度学习：算法岗笔试中的区分度战场
4.1 传统机器学习：KNN、聚类与XGBoost的高频考点
热词里出现了“knn算法的应用能力包括哪三个方面”、“聚类算法”、“xgboot算法”。这批笔试的选择题和简答题明显加重了机器学习理论的比例，这在2018年的校招中是一个趋势。
KNN的三个核心应用能力通常是：分类、回归和异常检测。分类是最常见的用途，比如根据距离最近的K个样本的多数类别做预测；回归则是取K个近邻的均值作为预测值；异常检测的原理是，如果一个样本的K个近邻都很远，说明它可能是异常点。笔试喜欢把这三个能力混在一起考，让你判断某个场景适合用KNN的哪种能力。
聚类算法方面，重点考察的是K-Means的流程与局限性、DBSCAN的密度聚类思想、层次聚类的合并策略。选择题常见的问法是“K-Means对初始中心点敏感，如何解决”，答案一般是多次随机初始化取最优、或用K-Means++改进初始化策略。
XGBoost在2018年是非常火的话题，笔试考察点集中在它的目标函数推导、正则项设计、特征重要性计算方式。XGBoost目标函数里包含两部分：损失函数的二阶泰勒展开和模型复杂度正则项。相比GBDT只用一阶导数，XGBoost的二阶信息让它在收敛速度和精度上都有提升。这个推导过程建议自己能完整推一遍，因为简答题可能会让你列出目标函数的表达式并解释每一项的含义。
4.2 深度学习：ELBO、图像分类与异常检测
热词里“kl elbo 算法原理详解”出现了，这是变分推断的核心概念。ELBO（Evidence Lower Bound）是变分自编码器（VAE）的理论基础。它的推导逻辑是：我们希望最大化观测数据的对数似然 log p(x)，但直接算 p(x) 很困难，于是引入一个变分分布 q(z) 来近似真实后验 p(z|x)。利用Jensen不等式，可以得到：
log p(x) ≥ E_{q(z)}[log p(x|z)] - KL(q(z) || p(z))
这就是ELBO。它把“最大化对数似然”转化为“最大化重建项”和“最小化KL散度”两个可优化的目标。笔试考这个概念的频率不算高，但如果考到，基本都是送分题，只要你能写出公式，解释清楚每个符号的含义就足够了。怕的是只知道VAE是“编码器解码器”，却不知道ELBO从哪来，这就很吃亏。
图像分类是深度学习的基础考点，热词里有“图像分类算法”和“图像锐化的拉普拉斯算法”。前者是深度学习模型（AlexNet、VGG、ResNet等）的演进路线，后者是传统图像处理（用拉普拉斯算子做边缘检测或锐化）。笔试选择题关于图像分类的常见问法包括：ResNet解决了什么问题（梯度消失）、1x1卷积的作用（通道降维和特征交叉）、数据增强为什么有效（提升泛化性）。
工业异常检测方面，热词里有“工业异常检测算法”。这是一个更偏应用的场景，常用方法包括基于重构误差的autoencoder方法、基于特征嵌入的PatchCore、以及基于知识蒸馏的方法。笔试如果考这个，通常是给一个场景（比如产品表面的缺陷检测），让你选择合适的方法并说明理由。这考察的不是深度知识，而是能不能从业务角度理解不同方法的适用边界。
4.3 强化学习与启发式优化算法的热身考点
热词里有“强化学习算法”、“模拟退火算法”、“粒子群算法原理”。这几个算法放在一起很有意思，因为它们都属于“优化/搜索”的大范畴，但在笔试中考察方式完全不同。
强化学习在2018年校招中还是一个相对前沿的方向，笔试通常只考基本概念，比如状态、动作、奖励、策略、价值函数的定义，以及Q-learning和SARSA的区别。两者的核心区别在于更新公式里用的下一步动作：Q-learning用贪心策略选出的最优动作（离策略），SARSA用实际执行的动作（在策略）。这个选择题几乎年年都有。
模拟退火和粒子群算法属于启发式优化算法，笔试一般以选择题或简答题形式出现。模拟退火的核心思想是以一定概率接受更差的解，从而跳出局部最优。接受概率通常用Metropolis准则计算：P = e^(-ΔE/T)，其中T是当前温度，随着迭代进行，T逐渐降低，接受差解的概率也逐渐变小。只要记住“高温时探索、低温时收敛”这个思路，选择题基本不会错。
粒子群算法的核心是“粒子在解空间中追随个体历史最优和全局历史最优来更新速度与位置”。笔试喜欢考它的几个关键参数：惯性权重w（控制全局搜索和局部搜索的平衡）、个体学习因子c1、社会学习因子c2。如果给一个场景问“如何让粒子群更偏向全局搜索”，答案一般是增大惯性权重或增大c1。
5. 工程与实战视角：那些看似偏门但高区分度的考点
5.1 PID、FOC与MPPT：控制算法在业务场景中的应用
热词里有“pid算法”和“pid算法在crps psu power的作用”、“foc算法”、“mppt算法”。这些看起来很像硬件工程的内容，为什么会出现在算法岗校招的热搜词里？原因很简单：字节的算法岗不仅仅是推荐、NLP、CV，还包括了大量硬件、物联网和机器人方向的算法需求。
PID算法是最经典的控制算法。笔试如果考PID，一般不会让你手写公式，而是考比例、积分、微分三个环节的作用：比例环节加快响应、积分环节消除稳态误差、微分环节抑制超调。选择题常见的问法是“系统出现稳态误差，应该调整哪个参数”，答案显然是增大积分环节的作用。
FOC（Field-Oriented Control）是电机控制领域的算法，全称是磁场定向控制。它的核心思想是把三相交流电机的定子电流分解为励磁分量和转矩分量，分别控制，从而实现类似直流电机的控制特性。笔试最多就是考FOC与直接转矩控制（DTC）的对比，选择题形式居多。
MPPT（Maximum Power Point Tracking）是光伏和风电领域常见的算法，用于追踪太阳能电池板或风力发电机的最大功率点。常见实现有扰动观察法和电导增量法。如果你投递的是IoT方向或者硬件相关的算法岗，这类题目就是专门给你准备的。
这类工程算法的共同特点是：平时不显眼，但一旦出现就能拉开分差。因为大多数刷LeetCode的候选人完全没接触过这些概念，而你如果恰好了解，就多拿几分。
5.2 规则引擎Rete算法与安全算法：低频但高价值的边缘考点
热词里有“规则引擎drools的rete算法实现原理和事实匹配过程”和“ssl 证书使用了弱 hash 算法 (cve-2005-4900)怎么修复”。
Rete算法是一种高效的模式匹配算法，用于规则引擎（比如Drools）中，核心思想是通过构建网络结构来缓存中间匹配结果，避免重复计算。它的两个核心概念是Alpha网络（对单事实进行条件判断）和Beta网络（对多个事实进行连接匹配）。笔试如果考这个概念，通常是选择题，问你Rete算法的优点是什么，答案是“通过节点共享和缓存中间结果减少匹配次数”。
SSL弱Hash算法修复属于信息安全方向。CVE-2005-4900这个编号指的是SSL证书使用了SHA-1等弱哈希算法的漏洞。修复方式很简单：在服务器端禁用SHA-1证书，改用SHA-256及以上强度的证书。具体操作取决于服务器类型，比如Nginx只需要更换证书文件即可。笔试如果考到，通常是与“你是如何应对安全漏洞”相关的场景题，即使答不上具体命令，也要能说出“升级证书算法”这个核心方向。
这类边缘考点虽然分值不大，但在“多选漏选”的规则下，多知道一个就能多拿一分。我的建议是：备考周期长的话，把安全基础、规则引擎这类“技术科普”类知识也带一遍，不需要深入源码，但要知道核心概念。
5.3 音频重采样、DC3后缀数组等冷门算法考点
热词里有“音频重采样算法”、“dc3算法”。这两个属于极低频考点，但如果出现在选择题里，考生之间立刻拉开差距。
音频重采样是数字信号处理的基础操作，就是改变音频采样率，比如从44.1kHz转成48kHz。核心考点是采样率转换过程中必须使用低通滤波器来避免混叠效应。选择题可能问“重采样时为什么要加低通滤波器”，答案是防止高频信号折叠到低频区域产生失真。
DC3算法（Difference Cover）是线性时间求解后缀数组的算法，比倍增法的O(n log n)更复杂。笔试如果考到它，大概率只是让你判断“哪个算法可以在O(n)时间内求解后缀数组”，能想到DC3（或SA-IS算法）就够了。这种考点本质上是在筛选你的知识广度，而非考察应用能力。
6. 从这场笔试到offer：策略复盘与成长经验
6.1 笔试答题顺序与时间分配策略
如果你准备参加类似批次的算法笔试，时间分配非常关键。我的建议是：先花3分钟快速浏览全部题目，标记出最有把握的编程题，先做编程题，再回头做选择题。编程题通常每题30分钟左右，如果一题超过了35分钟还没突破，果断放弃，先做其他题。选择题控制在每题90秒以内，遇到不会的不纠结，先蒙一个并标记，回头再查。
6.2 面试环节的高频追问方向
笔试通过后，面试官会根据你的笔试表现进行针对性追问。很多人笔试只写了答案，却没想过面试官会问什么。以KMP为例，笔试让你求next数组，面试官可能在白板上继续问：为什么next数组能保证线性复杂度？KMP和BM算法的区别是什么？如果问你“在字符串很长且模式串很短时，哪种算法更优”，你对KMP的理解不够深就答不上来。
我在面试中就被问到过“堆排序和快排在实际工程中选哪个”。这个问题的核心不是时间复杂度，而是数据规模、内存局部性和稳定性的综合权衡。工程中比如C++的sort()是快排和插入排序的混合体，而Java的Arrays.sort()对对象使用归并排序以保证稳定性。面试官真正想听的是你对工程细节的理解，而不是背出一个复杂度表格。
6.3 事后复盘：什么值得长期保留
我后来在字节工作了几年，再回头看这场笔试，发现那些看似纯粹的算法知识在真实业务中真的会用到。KMP的核心思想是“利用已匹配信息避免重复匹配”，这种思想在字符串处理、日志分析、代码搜索工具中无处不在；Dijkstra的堆优化思路在路径规划、网络路由中也都有直接应用；而XGBoost、ELBO这些机器学习知识更是每天都在用。
这场笔试给我的最大收获，不是拿到了offer，而是建立了一套完整的知识体系框架。希望通过这篇文章的梳理，正在准备算法校招的同学也能有一张清晰的地图，不会像我当年一样，被一些冷门考点打乱节奏。
)
