2020年秋招季，奇安信的算法方向笔试题出了第二套卷子。和很多人想象的不太一样，这套卷子并不是深度学习八股的天下——KMP的next数组被单独拎出来问定义，粒子群、PID、卡尔曼滤波这类"老古董"也出现在题目里，甚至还有一些和规则引擎、国密算法相关的考点。作为经历过那个秋招的过来人，我想借这份试卷和它背后那批高频热词，把安全公司算法岗笔试的真实考察逻辑拆开讲一遍。无论你是刚刷完LeetCode准备投简历的小白，还是对网络安全行业感兴趣、想转算法岗的在读学生，这篇文章都会给你一张能直接落地的复习地图。
1. 从试卷2看奇安信算法岗的考察逻辑：笔试到底在筛什么人
1.1 "试卷2"背后的分层设计
很多同学第一次看到"试卷2"这个编号会有点懵：为什么要分卷？其实秋招笔试分卷是很常见的操作，一般有两种可能：一种是按投递方向分卷，比如视觉方向、NLP方向、通用算法方向各出一套；另一种是同一个方向出多套平行卷，防止同时开考的同学互相传答案。
但无论哪种分卷方式，背后都有一个共同的命题思路：基础题+进阶题+区分度题。基础题筛掉基本功不扎实的人，进阶题筛掉只会背题不会变通的人，区分度题则是给真正有竞赛底子、有工程思维的候选人准备的。奇安信这套卷子也不例外。从热词分布来看，它覆盖了数据结构与算法、机器学习、深度学习、传统优化控制、安全工程五个维度，这种广度本身就说明：他们要的不是只会调参的模型玩家，而是能读懂安全业务、能动手解决实际问题的人。
1.2 安全公司算法岗和互联网算法岗的差别
我在准备秋招的时候，最初也以为算法岗都差不多，无非是刷LeetCode加上背一堆机器学习公式。直到看了奇安信这类安全公司的卷子才意识到，安全行业的算法岗和互联网公司的推荐、搜索算法岗完全是两套考察思路。
互联网算法岗的核心是用户增长和体验优化，面试官关心你对点击率预估、召回排序的理解；而安全公司算法岗的核心是威胁检测、风险识别、异常发现，他们要处理的往往是高度不平衡的数据——恶意样本可能只占总样本的万分之一，模型稍微误报一点，安全运营人员就会被告警淹没。这种业务场景直接反映在笔试题里：图像分类会联系到恶意图片识别，聚类会联系到用户行为分群，甚至连KNN、XGBoost这种通用模型都会被追问在不平衡数据下的表现。
另外，安全公司还会考一些互联网公司基本不会考的算法，比如Rete规则引擎、国密SM系列算法、音频重采样、PID控制。这些看起来"不搭"的考点，实际上是安全硬件设备、风控系统、态势感知平台里真实在用的技术。所以复习的时候不能只盯着论文和竞赛题，还要对安全业务的技术栈有一个整体认知。
1.3 从热词反推的考点地图
我把搜索这套试卷时关联出来的高频热词按类别做了个梳理，这份清单基本就是安全公司算法岗笔试的考察范围：
| 类别 | 高频考点 | 可能的出题形式 |
|---|---|---|
| 数据结构与基础算法 | KMP、排序、堆排序、快速幂、贪心、Dijkstra、Kahn拓扑排序、二分图HK、BM25 | 选择、填空、手写代码 |
| 机器学习 | 聚类算法、KNN、XGBoost、KL散度与ELBO、强化学习 | 简答、公式推导、场景设计 |
| 深度学习与图像 | 图像分类、EVA-02、Sobel算子、拉普拉斯锐化、工业异常检测 | 简答、方向性论述 |
| 优化与控制 | 粒子群、模拟退火、卡尔曼滤波、PID、增量式PID、MPPT、FOC | 简答、选择、场景匹配 |
| 安全与工程 | SM2/SM3/SM4/ZUC国密算法、Rete规则引擎、弱Hash算法选型、音频重采样 | 简答、论述 |
这张表看着内容多，但核心脉络很清晰：基础知识打底，机器学习和深度学习考察理论深度，优化控制考察工程经验，安全加密考察行业认知。后面几章，我就按这个地图逐个拆解。
2. 数据结构与字符串算法：KMP、排序、堆这些基础题怎么拿满分
2.1 KMP的next数组：一道题暴露定义歧义
热词里有这么一条：在KMP算法中，对于模式串 p="abacaba"，其next数组(next[i]定义为。这个问法很典型，因为它考察的不只是你会不会KMP，而是你对next数组定义的理解是否足够精确。
先说结论。如果按最常见的定义——next[i]表示模式串前缀子串p[0..i]的最长相等真前后缀长度，那么对于p="abacaba"，手算过程是这样的：
| i | 子串 | 真前缀集合 | 真后缀集合 | 最长相等真前后缀长度 |
|---|---|---|---|---|
| 0 | a | 空 | 空 | 0 |
| 1 | ab | {a} | {b} | 0 |
| 2 | aba | {a, ab} | {a, ba} | 1（a） |
| 3 | abac | {a, ab, aba} | {c, ac, bac} | 0 |
| 4 | abaca | {a, ab, aba, abac} | {a, ca, aca, baca} | 1（a） |
| 5 | abacab | {a, ab, aba, abac, abaca} | {b, ab, cab, acab, bacab} | 2（ab） |
| 6 | abacaba | {a, ab, aba, abac, abaca, abacab} | {a, ba, aba, caba, acaba, bacaba} | 3（aba） |
所以next数组为[0, 0, 1, 0, 1, 2, 3]。
但这里必须提醒一句：不同教材对next数组的起始下标和含义有不同约定。有的教材从1开始编号，next[1]=0表示第一个字符失配时模式串回到起点之前；有的教材用"当第i位失配时j跳转到的位置"，那得到的数组可能整体差一位。如果试卷上遇到这题，一定要先看清题目给出的next[i]定义再作答，这也是这种题最大的陷阱——它不是考你会不会算，而是考你细不细心。我在笔试时就见过不少同学算法本身没问题，但在这道题上因为定义理解偏差白白丢了分。
KMP的代码实现也要能默写，核心是求next数组时维护一个"当前已匹配前缀长度"j：
vector<int> getNext(const string& p) { int n = p.size(); vector<int> next(n, 0); for (int i = 1, j = 0; i < n; i++) { while (j > 0 && p[i] != p[j]) j = next[j - 1]; if (p[i] == p[j]) j++; next[i] = j; } return next; }这个写法用的是"next[i]表示p[0..i]的最长相等真前后缀长度"，和上面的手算结果一致。匹配阶段同理，主串指针i不回退，模式串指针j根据next数组回退，时间复杂度O(m+n)。
2.2 常见排序的时间、空间、稳定性对照
排序算法每年必考，而且考得细。选择题喜欢问"下列哪个排序在最坏情况下时间复杂度为O(n²)"，简答题喜欢让手写快排或者归并，还有的题会问"稳定排序有哪些"。我直接把高频考的四种排序列成一张表，建议直接背下来：
| 算法 | 平均时间复杂度 | 最坏时间复杂度 | 额外空间 | 稳定性 |
|---|---|---|---|---|
| 冒泡排序 | O(n²) | O(n²) | O(1) | 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 |
| 归并排序 | O(n log n) | O(n log n) | O(n) | 稳定 |
这里有两个容易出错的点。
第一，快排的最坏情况是O(n²)，发生在每次partition都选到最大或最小元素、数组严重不平衡时。所以"快排一定比堆排快"是错的，实际工程里快排通常更快是因为局部性好，但要说理论最坏复杂度，堆排更稳。
第二，堆排序空间是O(1)但不能稳定。很多人以为堆排序原地调整数组就是稳定，其实堆调整过程中相同元素的相对顺序很可能被打乱。要稳定排序就选归并。
手写代码时别急着上来写，先在草稿纸上标注清楚分区逻辑。快排的partition我推荐用"挖坑法"或者Lomuto分区，后者代码更短，但注意交换时不要让相同元素反复交换导致退化。
2.3 图论三类题：Dijkstra、Kahn、HK的共同套路
图论题在安全公司笔试里出现频率不低，但考的其实很固定：最短路径、拓扑排序、二分图匹配，对应Dijkstra、Kahn、HK（Hopcroft-Karp）三个算法。
Dijkstra考察最多的是堆优化版本。它的核心思路是贪心：每次从当前未访问节点中选距离最小的，用它去松弛邻居。堆优化后复杂度O(E log V)，但一定要记住它不能处理负权边——因为一旦有负权边，先选出的"当前最小距离"可能不是真正的最小距离。面试里如果题面说边权可能为负，要么用Bellman-Ford，要么用SPFA，但SPFA的复杂度不稳定，竞赛里容易被卡掉。
Kahn算法做拓扑排序的思路很朴素：统计每个节点的入度，把入度为0的节点入队，每次弹出节点并减少它的后继节点入度，新出现入度为0的节点继续入队。排序结果就是拓扑序。如果最后弹出的节点数不等于总节点数，说明图里有环。这种题在后端服务依赖分析、安全策略依赖检查里都有实际应用，笔试遇到基本都是模板题。
HK算法是二分图最大匹配的进阶版，比匈牙利算法快的地方在于它用BFS先找出多条不相交的最短增广路，再用DFS一次性增广，复杂度O(E√V)。如果只是笔试选择填空，记住"HK是二分图最大匹配中复杂度较低的一种"就够了；如果要手写，先写匈牙利（DFS版本只有几十行），时间够再优化成HK。
图论题还有一个共同套路：先想清楚图的定义——节点是什么、边是什么、是有向还是无向、有没有权重。这个想清楚了，答案基本就出来了。
2.4 快速幂这类"小算法"别丢分
快速幂看起来简单，但笔试里翻车率极高，主要翻在取模。写代码时如果忘了对中间结果取模，long long也会溢出；如果题目要求mod是质数而且还想求逆元，那还要结合费马小定理。模板如下：
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; }这个算法的本质是把指数b写成二进制，每一位对应一次平方运算，遇到1就乘进结果。复杂度O(log b)。
另外，热词里还有"贪心算法"和"冒泡排序算法c++"。贪心题的关键是证明贪心选择性质，笔试里不可能让你写严格证明，但你要能用一句话解释"为什么这样选一定不会更差"。比如区间调度问题按结束时间排序，是因为越早结束越能给后面的区间留出空间。冒泡排序本身就很简单，但要注意它和选择排序的区别：冒泡是相邻比较交换，选择是每次选最小放到前面，两者比较次数不同，稳定性也不同。
3. 机器学习与深度学习考点拆解：从KNN、XGBoost到变分推断的边界
3.1 KNN的三个方面与聚类的考察方式
热词里有一条很有意思：KNN算法的应用能力包括哪三个方面。这里应该指的是KNN的三要素：距离度量、k值选择、分类决策规则。距离度量决定了"邻居"怎么找，常用的有欧氏距离、曼哈顿距离、余弦相似度；k值决定了用多少邻居投票，k太小容易过拟合，太大容易欠拟合；分类决策规则通常是多数表决，如果是回归任务就取均值。
KNN笔试还有一个常见问法：为什么KNN是懒惰学习？因为它训练阶段只存储数据，不学模型，预测时才计算距离。它的时间复杂度主要花在预测阶段，所以实际工程里会用KD树或者球树加速最近邻搜索。
聚类方面，KMeans是最基础的考点。它的步骤是：随机初始化k个中心点，迭代执行"分配样本到最近中心"和"更新中心为簇内均值"两步，直到中心不再变化。考选择题时要注意KMeans的缺点：对初始中心敏感、需要预先指定k、对非凸簇效果差。相比之下DBSCAN不需要指定簇数，还能识别噪声点，但密度参数epsilon和minPts不好调。热词里还有"聚类算法"这个大词，笔试可能让你比较KMeans和层次聚类的适用场景，回答时往数据规模、簇形状、是否需要指定簇数这三个维度说就稳了。
3.2 XGBoost是不是必须手推公式
XGBoost在热词里单独出现了，那就要多花点精力。笔试对XGBoost的考察一般不会到"手推二阶泰勒展开"的程度，但你要能说清楚它相对GBDT的改进点。我复习时总结成四条：
一是目标函数用了二阶泰勒展开，保留更多梯度信息，收敛更快；二是加入了正则项（叶子节点数和L2范数），控制模型复杂度，降低过拟合；三是支持列抽样，训练时随机选择特征子集，既能加速又能抗过拟合；四是能自动处理缺失值，学习缺失值的最优分裂方向。
如果问到缺失值处理，还要补充一句：XGBoost对缺失值的默认策略是把样本分到增益较大的一侧，这比简单填均值要精细得多。至于它的分裂增益公式，建议能写出来：
Gain = 1/2 [ G_L²/(H_L+λ) + G_R²/(H_R+λ) - (G_L+G_R)²/(H_L+H_R+λ) ] - γ
其中G、H分别是一阶梯度和二阶梯度之和，λ是L2正则系数，γ是叶子节点复杂度惩罚。不需要背得一字不差，但看到要能认识。
热词里的"kl elbo 算法原理详解"则是变分推断方向。ELBO（Evidence Lower Bound，证据下界）的本质是：我们要最大化对数边际似然log p(x)，直接算积分很难，于是引入一个变分分布q(z)去逼近真实后验p(z|x)，然后用不等式关系得到log p(x) ≥ E_q[log p(x, z) - log q(z)]。右侧就是ELBO。最大化ELBO等价于同时最小化KL(q(z)||p(z|x))，这就是变分推断的出发点。如果笔试考到VAE的损失函数，其实就是"重建误差 + KL正则项"，展开写一下ELBO公式就足够拿分。
3.3 深度学习八股：图像分类、异常检测与EVA-02这类新模型
深度学习部分从热词看，覆盖面主要是图像分类（"图像分类算法"）、传统图像处理（Sobel、拉普拉斯锐化）、工业异常检测，以及EVA-02这种较新的视觉模型。这正好对应安全公司算法岗的两类业务：一是图像识别，比如验证码识别、恶意图片检测、屏幕水印识别；二是工业视觉质检，比如设备表面缺陷检测。
Sobel和拉普拉斯是图像锐化/边缘检测的基础题。Sobel算子是计算图像梯度的一阶算子，通过两个3x3卷积核分别计算水平梯度和垂直梯度，然后求幅度；拉普拉斯算子是二阶微分算子，核是[[0,1,0],[1,-4,1],[0,1,0]]，响应为0的地方说明像素值变化平稳，响应大的地方就是边缘。锐化的公式是 g = f + c * ∇²f，把原图加上拉普拉斯响应，边缘就增强了。这类题考的是你懂不懂卷积的本质——卷积核就是特征提取器，不同的核提取不同的特征。
工业异常检测是热词里比较新的方向，考察点通常在方案设计上。比如："生产线上只有正常样本，异常类型未知，你怎么做检测？"标准的回答框架是：先提特征（可以用预训练的CNN提取embedding），再训练一个只见过正常样本的模型（自编码器、深度支持向量数据描述，或者用KNN做特征距离度量），异常样本的特征距离会明显偏离正常分布，从而实现检测。回答时一定要提到"数据不平衡"和"无监督"这两个关键词。
EVA-02这类大规模视觉-语言模型出现在热词里，说明笔试选择填空也可能会提一两道"前沿模型认知"题。不用深入实现，但至少要知道EVA系列是视觉Transformer架构的扩展，核心是扩大模型规模并用CLIP等预训练范式提升表征能力。出现这种题是考察你是否保持对最新研究的关注。
3.4 ELBO、强化学习与检索排序BM25
这几块内容我已经在第3.2节部分讲了，这里补充强化学习和BM25。
强化学习热词出现在安全类公司的笔试卷里其实一点不奇怪。入侵检测策略优化、自动渗透测试、安全响应决策都可以抽象成强化学习问题：状态是当前环境观测，动作是策略选择，奖励是检测效果或攻击成效。笔试问强化学习，最常考的是MDP五元组(S, A, P, R, γ)的含义，以及Q-learning的更新公式：
Q(s, a) ← Q(s, a) + α [r + γ max_a' Q(s', a') - Q(s, a)]
如果考策略梯度，至少要知道REINFORCE的核心思想：通过采样轨迹估算梯度，朝能获得更高累计奖励的方向更新策略参数。强化学习和模拟退火、粒子群有一个共同的哲学问题——怎么在"探索"和"利用"之间平衡，这个可以放到下一章结合启发式优化一起理解。
BM25是信息检索里的经典排序算法，它和KNN、聚类这类算法不一样，属于"文本相关性排序"算法，公式很长，笔试一般不会让默写，但选择题会问"BM25相比TF-IDF改进在哪"。核心答案是：BM25引入了文档长度归一化和饱和度参数，一个词在文档中出现多次带来的收益是边际递减的，不会像TF-IDF那样词频线性增长。回答时能说出"词频饱和、文档长度归一化、IDF计算方式不同"三点就够。
4. 传统优化与信号控制算法：粒子群、模拟退火、卡尔曼、PID为什么是常客
4.1 粒子群算法原理：从鸟群觅食到参数更新
很多准备算法岗的同学看到粒子群、模拟退火会下意识觉得"这不是智能计算课的内容吗"，然后直接跳过。但热词里明明白白出现了"粒子群算法原理"，这说明安全公司的考卷里它们就是常客。
粒子群优化（PSO）的原理我从一个场景切入：想象一群鸟在一片区域里找食物，每只鸟不知道自己离食物多远，但能知道当前自己找到的位置好不好，也能通过某种方式获知鸟群目前找到的最好位置。于是每只鸟的运动就由两个力拉扯：一个是飞向自己历史最佳位置，一个是飞向全局最佳位置。
用公式表达就是，第i个粒子在t+1时刻的速度等于：
v_i(t+1) = w * v_i(t) + c1 * r1 * (pbest_i - x_i(t)) + c2 * r2 * (gbest - x_i(t))
x_i(t+1) = x_i(t) + v_i(t+1)
参数含义：w是惯性权重，控制上一时刻速度对当前的影响，w大全局搜索能力强，w小局部精细搜索能力强；c1、c2是加速常数，分别控制个体认知和社会认知的大小；r1、r2是[0,1]随机数，给算法带来随机性。
笔试考PSO，最可能问的就是"w、c1、c2分别怎么调"或者"为什么PSO能跳出局部最优"。答案是：因为每个粒子同时被个体最优和全局最优吸引，且带有随机项r1、r2，粒子不会严格收敛到一个点，有一定的跳出能力。但PSO同样有早熟收敛问题，如果全局最优引导过强（c2太大），群体可能过早聚集到局部最优。
4.2 模拟退火的"接受差解"思想与贪心的边界
模拟退火（SA）的思想来自金属退火：高温时原子运动剧烈，降温后逐渐稳定。算法在搜索过程中，如果新解比当前解好，就接受；如果新解更差，也有一定概率接受——接受概率由Metropolis准则给出：
P = exp(-(E_new - E_old) / T)
T是当前温度，温度越高，接受差解的概率越大；随着温度下降，接受差解的概率越来越小，最终收敛到局部较优解。
笔试常问的问题是：模拟退火和贪心算法的根本区别是什么？贪心永远选择当前最优，所以容易陷入局部最优；模拟退火允许以一定概率接受更差的解，这个"概率性跳出"机制就是它能在组合优化里找到更好解的关键。但代价是收敛速度慢，需要调初始温度、降温速率、终止温度三个超参数。实际应用中如果问题规模小，贪心可能就够了；规模大、解空间复杂，才值得用SA。
顺带说一句，热词里"kg算法"之类的我不展开，但模拟退火和粒子群这类启发式优化算法，在安全设备的生产调度、无线网络参数优化、威胁路径规划中都有应用，所以出现在安全公司笔试题里非常合理。
4.3 卡尔曼滤波的五个核心公式
卡尔曼滤波在热词里排得很靠前，它是自动驾驶目标跟踪、传感器融合、运动轨迹预测的核心算法。笔试对卡尔曼的考察通常是两种：要么给场景让选合适的算法，要么让你写出五个核心公式。
五个公式可以分为两组。
预测步：
x̂_k⁻ = F * x̂_{k-1} + B * u_k
P_k⁻ = F * P_{k-1} * Fᵀ + Q
更新步：
K_k = P_k⁻ * Hᵀ * (H * P_k⁻ * Hᵀ + R)⁻¹
x̂_k = x̂_k⁻ + K_k * (z_k - H * x̂_k⁻)
P_k = (I - K_k * H) * P_k⁻
符号含义：x是状态向量（比如位置和速度），F是状态转移矩阵，B是控制输入矩阵，u是控制量，P是状态协方差矩阵，Q是过程噪声协方差，K是卡尔曼增益，H是观测矩阵，R是观测噪声协方差，z是实际观测值。
记忆方法其实很直观：预测步就是在按物理规律推演"物体现在应该到哪了，不确定度变大了多少"；更新步就是用观测值去修正预测值，修正的力度由卡尔曼增益K决定——观测噪声越小或预测不确定度越大，K越大，越相信观测值。笔试如果给一个"用加速度计和GPS融合定位"的场景，你只要说出"卡尔曼滤波可以融合多传感器、在线估计最优状态"基本就能得分。
4.4 PID在安全硬件设备里的真实用途
PID控制是自动控制原理里的基础，但为什么出现在算法方向的笔试卷里？热词给出了线索："pid算法在crps psu power的作用"。CRPS是通用冗余电源（Common Redundant Power Supply）的规格，PSU就是电源单元，这句话翻译成人话就是：在服务器冗余电源的电源管理里，PID算法拿来做电压/电流的闭环控制。
PID控制器的三个环节：P（比例）让输出跟随误差，I（积分）消除稳态误差，D（微分）抑制超调。增量式PID是笔试高频考点，它的输出不是绝对控制量，而是控制量的增量：
Δu(k) = Kp * [e(k) - e(k-1)] + Ki * e(k) + Kd * [e(k) - 2*e(k-1) + e(k-2)]
增量式的优点是不需要累加历史误差，不会出现积分饱和，执行器失败时影响小。笔试如果问"为什么实际控制里常用增量式PID"，答这三点就行。
安全公司的硬件设备里有大量嵌入式控制场景，风扇调速、电源稳压、温度控制都会用到PID。所以这类题考察的不是你会不会调参，而是你有没有工程常识：知道算法在真实硬件里是干什么用的。
4.5 容易被忽视的Rete规则匹配与国密算法
热词里还有两个容易被当成"偏题"但实际上是安全行业核心的考点：规则引擎Drools的Rete算法实现原理，以及SM2/SM3/SM4/ZUC国密算法。
Rete算法是规则引擎里的事实匹配算法，经典论文是1982年的"Rete: A Fast Algorithm for the Many Pattern/Many Object Pattern Match Problem"。它的核心优化思路有两个：一是节点共享，多条规则中相同的模式匹配只计算一次；二是状态缓存，事实变化时不需要重新匹配所有规则，只需要沿着网络传播变化。笔试问到"规则引擎怎么提高匹配效率"，你就答这两个关键词：共享节点、状态记忆。如果追问alpha网络和beta网络，alpha网络做单个条件的匹配，beta网络做跨条件（主要是Join）的匹配。
国密算法SM2（非对称）、SM3（哈希）、SM4（对称）、ZUC（流密码）是纯安全领域知识。笔试考到它们，通常不是考密码学推导，而是考你对"国密算法为什么重要"的认知：它们是国内密码标准，安全设备和系统需要支持国密算法才能满足合规要求。之前热词里还提到"SSL证书使用了弱Hash算法怎么修复"，本质就是提醒你在算法选型时要有安全强度意识，不要用已经被证明不够安全的Hash函数。这些题考察的是你作为安全公司算法工程师的基本素养——技术选型的第一原则是安全可靠，而不是新潮。
5. 真刀真枪的答题策略：时间分配、边界条件和在线OJ的坑
5.1 笔试中的时间分配参考模型
很多同学笔试失败不是不会做，而是时间没分配好。奇安信这类公司的算法卷一般由三四部分组成：选择题、简答题、编程题、场景设计题。我建议的时间分配原则是"先抢确定的分，再啃难题"。
我的参考模型是：拿到卷子先用2分钟扫一遍全部题目，标记出"一眼会"和"完全没思路"的题。然后按这样的优先级答题：
- 选择题：快速做，每题不超过2分钟，不会的先跳过，靠排除法缩小范围，40分钟内一定收尾。
- 编程题：选最有把握的一道先写，写完立刻自测几个边界case，不要贪多。
- 简答题：优先回答那些能写清楚定义和公式的题，比如"写出KMP的next数组""解释ELBO"这种。
- 场景设计题：放在最后，因为它开放性强、很难拿满分，但至少要写出框架和关键词，不能空着。
为什么这么安排？因为编程题分值高且耗时，如果一上来就死磕某道硬题，可能20分钟过去毫无产出，后面选择题也来不及答完。我见过太多同学最后编程题写出了思路但选择题空了七八道，因小失大。
5.2 在线OJ和本地IDE的差异
在线笔试平台（牛客、赛码等）的代码运行环境和本地IDE有几个关键差异，处理不好直接白给。
第一个是输入输出格式。LeetCode刷题是函数入口，参数直接传进来；但在线笔试可能要求你从标准输入读多行数据。C++的cin默认同步stdio，性能一般，如果输入数据量大，可能会超时。稳妥做法是关掉同步：
ios::sync_with_stdio(false); cin.tie(nullptr);第二个是循环读入。如果题目是"多组测试数据"，你需要用while(cin >> n)这种方式读到EOF，不要只读一组。用本地IDE跑用例时习惯每行都自己敲，到了OJ很容易漏掉循环。
第三个是编译选项差异。本地IDE可能默认C++14，在线OJ可能是C++11，一些新特性用不了。笔试前先看平台支持的编译器版本，尽量写C++11甚至C++98风格，别用auto和范围for依赖太新的特性。
5.3 边界条件与复杂度：阅卷人在代码里找什么
笔试编程题即使不逐行编译运行，阅卷人也会人工看代码，他们最在意三件事：边界条件、时间空间复杂度、代码可读性。
边界条件是重灾区。写二分查找要检查while(l < r)会不会死循环，取mid时用(l + r) >> 1防溢出；写数组题一定要判空，n为0直接返回；写快速幂要对mod取模，避免负数；写排序要注意相同优先级下的稳定输出，题目如果要求稳定才用归并。
复杂度方面，写完代码养成习惯，注释里写一行：时间复杂度O(N log N)，空间复杂度O(N)。这不只是在告诉阅卷人你的方案是高效的，也能提醒自己检查有没有隐藏的O(N²)操作。比如在循环里用字符串拼接而没有优化，或者图遍历时忘记标记已访问节点，都可能导致潜在的超时。
代码可读性也很重要：变量名不要用a、b、c，用left、right、cur、cnt这种有语义的；核心逻辑分块加注释；不要写出超长函数，能抽小函数就抽。阅卷人一天看几百份卷，一份清晰易读的代码和一份变量全叫x、y、z的代码，分数差距可能比你想的大得多。
6. 笔试交卷不是结束：面试官会怎么追问，复盘时该记什么
6.1 从"会做题"到"讲清楚"：追问的四个层次
笔试只是第一道门，面试时的追问才是真正拉开差距的地方。我自己总结面试官对同一道算法题的追问，基本会按四个层次递进。
第一层，定义复述。比如你写了KMP的next数组，面试官会问"next[i]到底是什么"。这题答不上来，后面的对话基本没法进行。
第二层，手动推导。让你现场算一个新的模式串的next数组，或者画出某次匹配过程，考察你是不是真的理解而不是背模板。
第三层，联系实际。问你"KMP在什么业务场景下会用？它的时间复杂度是多少？如果文本串特别长，有没有比KMP更合适的匹配方法？"这里可以答：日志关键词匹配、恶意特征串匹配都可以用KMP，但如果要同时匹配多个敏感词，用AC自动机更合适，它是KMP的多模式串扩展。
第四层，改进与权衡。问你"如果模式串频繁变动，你还会用KMP吗？"这类问题实际在考察数据结构选型能力。模式串频繁变动时，预处理next数组的成本就变得不可忽略，这时候用哈希匹配或者直接调库可能是更工程的选择。
6.2 把笔试变成面试素材：复盘与知识树整理
笔试结束后别急着丢，趁记忆还在，把每道题都复盘一遍。具体方法是：建一个表格，每道题记四列——题目考点、我的解法、正确解法（考后查资料补全）、我的盲区。这个动作能让你在第二轮笔试时快速查漏补缺，更重要的是，它成了你面试时拿得出手的素材。
比如你复盘了粒子群这道题，面试时被问到项目经历，你就可以说：我在XX项目中用粒子群调过XX参数，当时对比了网格搜索和随机搜索，粒子群的收敛速度在低维问题上并不明显，但到了高维参数空间优势就出来了。这种回答比空背公式有说服力得多。
我的整体复习路径可以拆成五个分支：数据结构与算法（刷LeetCode+手写模板）、经典机器学习（推导公式+比较算法异同）、深度学习（跟进最新模型+理解损失函数）、优化控制（理解原理+寻找实际场景）、安全工程（国密算法+Rete规则引擎+业务场景分析）。每个分支对应一页笔记，笔试前快速过一遍。
我个人的体会是，准备秋招算法笔试最忌讳的就是"只见树木不见森林"——穷追某个模型的最新变体，却忽略了最基础的排序和KMP。奇安信这套试卷2给我最大的启发是：算法岗不是竞赛岗，它考的是你在真实业务里解决问题的潜力。把知识树搭扎实，每一个算法都能讲清楚"它解决什么问题、代价是什么、有没有替代方案"，那无论笔试还是面试，你都不会慌。
