秋招季最刺激的事情，就是你永远猜不到目标公司的笔试题会从哪个角度“问候”你。2024年秋招我投了OPPO的AI/算法岗，笔试是在线上规定时间完成的，整体感受可以用八个字概括：范围大、题量大、区分度高。如果只看面经，很多人会说OPPO笔试“偏机器学习理论”，但实际做下来会发现，数据结构和算法基本功的占比一点都不低，编程题才是真正拉开差距的地方。
这篇内容我围绕2024秋招OPPO AI/算法岗笔试的完整经历来梳理，从考试形式、考点分类、编程题实战思路到常见坑点，一次性讲清。无论你是2025届正在备战的应届生，还是打算后续投递算法岗的低年级同学，这篇都能作为一份相对完整的备战参考。重点会讲清楚每个考点“为什么考”和“怎么准备”，而不是单纯罗列题目。
1. 笔试整体情况与题型分布
1.1 考试形式与平台实操
OPPO的秋招笔试用的是第三方在线考试平台，整体流程是：收到邮件通知–约定时间段内登录–开启摄像头监控–在网页编辑器里完成答题。我记得当时是10道左右的选择题加上3道编程题，总时长大概90分钟到120分钟，具体时间会依据岗位方向略有差别。AI/算法岗和纯软件开发岗的卷子不太一样，算法岗的选择题里机器学习、深度学习占比明显更高。
这里有一个容易忽略的细节：笔试平台支持本地IDE写代码，但最终提交必须要粘贴到平台自带编辑器中。很多人习惯本地跑通后直接复制，却忽略了平台对代码格式、输入输出的要求。OPPO的编程题采用ACM风格，需要自己处理标准输入输出，和LeetCode那种只填核心函数的方式完全不同。建议提前去牛客网熟悉一下这种OJ模式的写题节奏，尤其是while(cin >> n)或者input().strip()的读取方式，不要因为输入解析卡住导致AC不了。
1.2 题目构成与考察范围
从题型分布来看，选择题部分覆盖了线性代数、概率统计、机器学习基础、深度学习基础、数据结构算法等几大块。其中机器学习基础题占比最高，像偏差方差分解、正则化作用、过拟合处理手段这类题基本是必考。深度学习方向则会问到CNN感受野计算、BatchNorm作用、常见激活函数的优缺点等。
编程题部分则是经典的三道题配置：第一题偏简单，通常是字符串处理或模拟；第二题中等，常见的是贪心、动态规划或图论；第三题难度明显上一个台阶，往往需要结合多个知识点，甚至可能是需要优化的搜索或DP问题。整张试卷做下来的直观感受是：选择题拼的是知识面和工作经验积累，而编程题拼的是刷题量和代码熟练度。前者可以短期突击，后者需要足够的时间储备。
2. 核心考点拆解：数据结构与算法基础
2.1 KMP与字符串匹配：next数组手工演算
字符串匹配是笔试选择题里的常客，而KMP算法中next数组的求解几乎每次都会出现。比如网上经常看到这样一道题：“对于模式串p=‘abacaba’，其next数组是多少？”这种题考察的是你对前缀函数定义的真正理解，而不是死记硬背模板。
以p = "abacaba"为例，我用常见的next数组定义（即失配时模式串回退的位置，从0开始计数）来演算一遍。首先要明确：next[i]表示“前i个字符组成的子串中，最长相等前后缀的长度”，但工程实现上有时会把next[0]置为-1或0，不同教材定义略有差异，考试时先看清题目给的是哪种。
- i = 0：子串“a”，没有真前后缀，next[0] = 0（若题目采用-1初始化的版本，则通常整个数组会整体偏移一种风格）。
- i = 1：子串“ab”，前缀“a”，后缀“b”，不相等，next[1] = 0。
- i = 2：子串“aba”，前缀集合{“a”, “ab”}，后缀集合{“a”, “ba”}，最长公共前后缀是“a”，长度为1，next[2] = 1。
- i = 3：子串“abac”，前缀集合{“a”, “ab”, “aba”}，后缀集合{“c”, “ac”, “bac”}，无公共前后缀，next[3] = 0。
- i = 4：子串“abaca”，公共前后缀为“a”，长度1，next[4] = 1。
- i = 5：子串“abacab”，最长公共前后缀是“ab”，长度2，next[5] = 2。
- i = 6：子串“abacaba”，最长公共前后缀是“aba”，长度3，next[6] = 3。
所以p = "abacaba"的next数组为[0, 0, 1, 0, 1, 2, 3]。这里有一个常见误区：很多人会把next[i]当成“当前位置之前的最长前缀长度”，忽略了它本质上比较的是前i个字符内部的对称性。考场上如果想快速验证，可以直接手写一个前缀函数模拟，跑一遍原串就能确认。KMP这块的备考建议是：不仅会求next数组，还要能够解释为什么失配时可以直接跳转，以及next数组和自动机的关系。面试环节经常会追问这些。
2.2 排序算法高频对比
排序算法在选择题中属于送分题，但OPPO的出题方式往往不是直接问“快排的时间复杂度”，而是给出一个具体序列，问你“经过一趟快排后，数组的状态是什么”或者“下列哪个排序算法在最坏情况下时间复杂度为O(n²)且不稳定”。这类题要求你对排序过程本身足够熟悉，而不只是记住结论。
我整理了一张常考对比表，基本覆盖笔试高频排序：
| 排序算法 | 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 |
| 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 log n)/O(n^1.3) | 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 |
备考时要特别注意稳定性和空间复杂度这两个维度，这是最容易出多选题的点。比如归并排序虽然时间和快排同为O(n log n)，但它额外占用O(n)的辅助空间，所以在大规模外部排序场景中应用广泛。还有一类高频变形题：在一个基本有序的数组中，哪种排序算法效率最高？答案是插入排序，因为它的最好时间复杂度可以达到O(n)。这种题目在真实业务中也常见，比如日志数据按时间增量排序、需要“打补丁式”地插入新数据时，插入排序的方案往往比直接快排更高效。
2.3 贪心、动态规划、位运算的考法
算法类选择题除了基础数据结构外，还喜欢考察“算法设计策略”的判断题。比如给出一段问题描述，让你判断该用贪心还是动态规划；或者给出递推方程，让你计算时间复杂度。这里的高频考点包括：
- 贪心算法：区间调度问题（按结束时间排序）、霍夫曼编码、最小生成树中的Prim和Kruskal算法。常考判断题是“贪心是否能得到全局最优解”，关键要识别贪心选择性质和最优子结构。
- 动态规划：0/1背包、最长公共子序列（LCS）、最长递增子序列（LIS）。笔试选择题一般不会让你完整手写DP方程，而是会给出dp数组的中间状态，让你推导下一步的值。
- 位运算：异或交换、判断2的幂、统计二进制中1的个数（Brian Kernighan算法）。这类题在笔试中很简单，但很容易因为不熟悉位运算优先级而算错。
举个我在OPPO笔试中印象深刻的判断题：给定一组区间，求最大不相交区间数量。如果直接按区间长度排序然后贪心选最短的，其实是错的；正确做法是按结束时间排序，每次选结束最早的区间。这类“反直觉”考点就是笔试用来区分“背题党”和“真懂原理”的常用手段。
3. 机器学习与深度学习理论考点
3.1 传统机器学习核心概念
传统机器学习的选择题考察非常细致，基本覆盖监督学习、无监督学习、模型评估与选择几大块。OPPO作为手机厂商，招聘算法岗时对业务落地能力很看重，所以“模型评估”相关的题几乎必考。
- 过拟合与欠拟合：偏差-方差分解。当模型在训练集上表现很好但验证集表现差时，高方差是原因；两者都差则是高偏差。正则化（L1/L2）、交叉验证、早停法、Dropout都是控制过拟合的常见手段。
- 精确率、召回率、F1、AUC：正负样本不平衡时，准确率（Accuracy）会失效，此时要看AUC和PR曲线。这里考过一个经典判断题：在样本极度不平衡时，AUC仍然能有效评估模型性能，而准确率可能虚高。
- 特征工程与降维：PCA和LDA的区别。PCA是无监督的，找的是方差最大的投影方向；LDA是有监督的，目标是类间距离最大、类内距离最小。
我建议备考时把《统计学习方法》前几章的课后习题刷一遍，尤其是感知机、KNN、朴素贝叶斯、决策树、SVM这些基础模型。笔试很少直接让你推公式，但经常会问“哪些模型对特征尺度敏感”，像SVM、KNN、K-means这类基于距离的模型对尺度敏感，而决策树和基于树模型的方法则不需要特征归一化。这种题看起来简单，但做错的人非常多。
3.2 深度学习与Transformer重点
深度学习部分的选择题会更贴近当前技术热点。2024年秋招时AI大模型已经是标配话题，所以Transformer结构、注意力机制、位置编码等知识点出现在笔试题里并不意外。
几个高频考点：
- 注意力机制：Self-Attention的计算过程，Q、K、V三个矩阵的维度关系，Softmax(QK^T / sqrt(d_k))V中为什么要除以sqrt(d_k)。原因是当维度较大时，点积结果的方差会变大，导致Softmax梯度消失，除以sqrt(d_k)可以稳定梯度。
- Transformer与RNN/LSTM的区别：并行计算、长距离依赖建模能力、全局感受野。选择题通常会让选“Transformer的优势在于能够并行计算且更好捕捉长距离依赖”。
- CNN基础：感受野计算、卷积后特征图尺寸变化、1x1卷积的作用（降维和信息融合）。手机上做影像算法的同学，面试中也经常被问到这里。
深度学习选择题的备考资料，我比较推荐李宏毅老师的课程讲义和《动手学深度学习》中关于注意力机制的部分。不需要把底层推导全部手动跑通，但至少要对每个模块的输入输出形状、数学表达式有清晰印象。
3.3 优化算法与损失函数考点
优化器和损失函数在笔试中经常以“概念辨析”的形式出现，不会让你手推，但会考察你是否理解它们的作用和区别。高频内容有：
- 梯度下降变体（SGD、Momentum、AdaGrad、RMSProp、Adam）的对比。Adam结合了动量和自适应学习率的优点，收敛速度快且对超参数不那么敏感，但在某些情况下泛化能力可能不如SGD。
- 常见损失函数：交叉熵、均方误差（MSE）、Hinge Loss、Focal Loss。特别注意分类问题中CrossEntropy和MSE的差异：MSE配合Sigmoid容易导致梯度消失，原因是Sigmoid导数在饱和区接近于0，而交叉熵配合Softmax的梯度形式更简洁稳定。
- KL散度和ELBO的关系。热度词里的“kl elbo算法原理详解”就指向VAE方向。KL散度定义为
KL(p||q) = Σ p(x) log(p(x)/q(x))，它是不对称的，且恒大于等于0。VAE中通过最大化ELBO来近似最大化对数似然，ELBO = 对数似然 - KL散度。笔试常考判断题是“KL散度是否可以作为距离度量”，答案是否定的，因为不满足对称性和三角不等式。
备考思路是把自己熟悉的模型（逻辑回归、神经网络）的损失函数+优化器组合完整过一遍，做到“看到问题就能说出选择原因”的程度。
3.4 经典启发式算法与常见的“扩展题”
除了主流深度学习和机器学习，OPPO笔试偶尔也会出现一些经典启发式算法的选择题，比如粒子群算法（PSO）、模拟退火算法、遗传算法。这些内容通常不在学校课程的必修范围内，但会出现在“算法岗综合能力”的考察中。
粒子群算法的核心是“个体更新自己的位置和速度，结合个体最优与群体最优”。选择题可能会问：PSO中参数w（惯性权重）增大，对搜索行为有什么影响？答案是增大全局搜索能力；减小则有助于局部搜索。模拟退火算法的关键点是“以一定概率接受更差的解”，这个概率与温度T有关，温度高时接受概率大，随着温度降低逐渐趋于0。这类题如果你是第一次见，容易懵，但只要记住“启发式算法就是为了避免陷入局部最优而引入随机性”这个核心思想，大部分判断题都能选对。
顺带提一句，有些笔试还会出现“音频重采样算法”“Rete算法”这样的工程算法名称，这反映出厂商对岗位的细分诉求。AI/算法岗并不是只做模型训练，工程侧的算法能力同样被看重。遇到这种非主线考点，先快速判断是否在自己的知识范围内，不要在不会的题上耗太久。
4. 编程题实战：从读懂题意到稳定AC
4.1 OPPO编程题的风格与难度
编程题是我认为整场笔试区分度最高的部分，也是决定能否进面试的关键。OPPO的编程题风格不会太偏门，大多是LeetCode中高频题型的变体。第一题通常是字符串或模拟类题，第二题基本是贪心或DP，第三题则可能比较综合，甚至需要你结合二分+贪心、BFS+状态压缩这类进阶思路。
与LeetCode不同的是，笔试题的输入输出需要使用标准IO，且题意描述往往更长，需要快速提取关键条件。有些题看起来很长，实际解法很简单；有些题短小精悍，但暗藏不少边界条件。因此，读题能力比写题能力更先受到考验。我的习惯是：先读输入输出样例，理解数据范围，再回头读题面约束条件。数据范围往往直接决定了算法的复杂度上限——如果n≤10^5，那O(n²)大概率过不了；如果n≤20，那就该往状态压缩或搜索方向想。
4.2 典型题目解题示例（含代码）
讲一道我在模拟练习中觉得和OPPO笔试风格非常接近的题目：“合并区间”。给定若干区间，合并所有重叠区间。这题在LeetCode上是中等难度，但笔试题会增加一个限定：输入区间不一定按左端点有序，且区间数量可达10^5。解法是排序+贪心：
def merge(intervals): if not intervals: return [] intervals.sort(key=lambda x: x[0]) res = [intervals[0]] for l, r in intervals[1:]: if l <= res[-1][1]: res[-1][1] = max(res[-1][1], r) else: res.append([l, r]) return res核心思路：按左端点排序后，如果当前区间的左端点小于等于结果中最后一个区间的右端点，说明发生了重叠，更新右端点为两者较大值；否则，直接加入新区间。复杂度为O(n log n)，主要耗时在排序。
这道题在笔试中的变体很多，例如“合并会议时间并输出空闲时间段”“给定若干课程时间，判断能否全部参加”等。备考时建议把LeetCode上的区间类题目全部刷一遍（比如Non-overlapping Intervals、Insert Interval），覆盖所有变体思路。
再举一道易错题：“最长连续序列”。给定一个未排序的整数数组，找出最长连续序列的长度。要求O(n)时间复杂度。解法是利用哈希表去重，然后只从连续序列的起点开始向后遍历：
def longestConsecutive(nums): num_set = set(nums) longest = 0 for num in num_set: if num - 1 not in num_set: cur = num length = 1 while cur + 1 in num_set: cur += 1 length += 1 longest = max(longest, length) return longest这道题考察的是对哈希表灵活运用的能力。如果笔试时看到“连续”“线性时间复杂度”这种字眼，基本可以锁定哈希表方向。我当时的做题顺序是：先做有把握的简单题，把分数拿到手，再攻中等题，最后留时间读难题。千万不要在第三题上死磕到底，导致前面该拿的分没拿到。
4.3 复杂度控制与边界处理
编程题最容易翻车的地方其实不是算法本身，而是边界条件。以“数组区间合并”为例，常见边界处理包括：输入为空、只有一个区间、区间完全覆盖、区间完全不相邻（右端点+1和左端点相等是否视为重叠，要看题目定义）。这些场景在测试用例里几乎必然出现，没有处理好的话，即使核心逻辑正确也无法AC。
另一个高频踩坑点是整数溢出。笔试中如果涉及数组索引计算、面积计算、累加和等，建议直接用Python或者Java的long/int64，避免出现C++中int溢出导致的错误。还有多组输入的处理，如果题目说明“输入包含多组测试用例”，那么代码最外层需要套一层循环，否则只能过第一个用例。这些细节看似不起眼，但几乎每年都有大量考生因此丢分。
5. 综合题与业务场景设计题
5.1 概率统计与数学基础题型
选择题里大概率会出现概率统计和线性代数的题目。OPPO作为硬件+互联网复合型厂商，算法岗不仅做搜索推荐，还涉及影像、语音、IoT多个方向，所以数学基本功会被重点考察。
常见概率题包括：
- 条件概率与贝叶斯公式：如“某种疾病的检出率为99%，误检率为1%，人群发病率0.1%，求检测阳性时真正患病的概率”。
- 期望与方差计算：给出一组随机变量的分布列，求期望。
- 常见分布的性质：正态分布、伯努利分布、泊松分布。选择题常问“泊松分布的期望和方差是多少”，答案是两者相等，都等于参数λ。
线性代数部分多以矩阵运算、特征值特征向量、矩阵秩与可逆性为主。备考时掌握特征值分解和SVD的基本性质即可，重点放在“矩阵可逆的充要条件”“实对称矩阵可正交对角化”这类概念性判断上。
5.2 业务场景设计题的答题思路
有一些选择题会以一种“场景+可选方案”的形式出现，题干往往很长。比如：在手机相册场景中，要做“相似图片去重”，应该采用哪种特征提取方式？这种题没有唯一答案，但能看出你对方案的权衡能力。
我的答题原则是：优先考虑工程上的可行性和计算效率，再考虑精度。对于手机端场景，计算资源和内存有限，通常会优先选择轻量级模型或传统特征方法，而不是直接上一个大模型。因此遇到“移动端部署”相关的选项时，带“轻量化”“量化”“蒸馏”等字眼的方案往往是更优解。这类题目更考验你对业务约束的理解，而不只是看模型效果。
5.3 模型评估与调优常规问题
模型评估在业务场景中的考察也很常见，尤其是数据不平衡、线上A/B测试、模型监控与更新等方向。笔试选择题常考：
- 正负样本比例严重失衡时，以下哪种评估指标最合适？（AUC或PR曲线）
- 线上模型效果变差，可能是由什么原因导致的？（数据分布漂移、特征缺失率变化、业务策略调整等）
- 新增特征后，模型在离线测试集上AUC提升，可以直接上线吗？（不能，需要经过A/B测试验证）
还有一类题会考察“学习率设置不当”会导致什么现象：学习率过大，loss震荡甚至不收敛；学习率过小，收敛速度慢，训练时间拉长。这些知识点在面试时被追问的概率也很高，笔试阶段打牢基础，后面能省不少时间。
6. 准备策略与避坑经验
6.1 一套靠谱的备考路线
回顾整个秋招笔试准备过程，我认为最有效的是“三轮复习法”。
第一轮是基础补全，时间大概2到3周。把数据结构（数组、链表、栈、队列、树、图、堆）和基础算法（排序、二分、双指针、递归）完整过一遍，配合LeetCode HOT 100中的简单题和中等题练习。目标是做到看见题目能迅速判断考点。
第二轮是机器学习与深度学习理论的系统梳理，时间大概1到2周。以《百面机器学习》和《统计学习方法》为主要参考，把特征工程、模型评估、经典模型、优化方法、深度学习基础全部过一遍。这里一定要结合自己做过的项目去理解，不要死记硬背公式。
第三轮是真题模拟与查漏补缺，时间大概1周。在牛客网上刷各大厂的历年笔试题，尤其是OPPO、vivo这些手机厂商的题目，感受出题风格。每次模拟都要严格按照考试时长来，训练做题节奏。这个过程不能省，因为很多坑只有亲身体验过才会长记性，比如读题慢导致时间不够、IO解析出错、忘了处理多组输入等。
6.2 笔试过程中的时间管理与心态
笔试时间有限，合理分配是关键。我的策略是：拿到试卷先快速扫描所有题目，大致判断难易分布，然后按照“易–中–难”的顺序来做。选择题如果30秒内没有思路，先标记跳过，做完其他题再回来蒙一个，不要在一道题上耗太多时间。编程题遵循“先暴力拿分再优化”的原则，如果难题的正解一时想不出来，可以先写一个能过部分测试用例的暴力版本，至少保证有分。
心态方面，秋招笔试遇到不会的题太正常了，关键是不要慌。OPPO的笔试比较看重综合能力，一两个选择题答错并不致命。坚持把所有会做的题做完，编程题尽量提交，就有机会进入下一轮。
6.3 考后复盘与面试衔接
笔试结束并不意味着可以放松。我强烈建议当天晚上就对答案、复盘错题，把不会的知识点整理成文档。一方面可以帮助准备后续其他公司的笔试，另一方面，很多笔试考点会无缝衔接到面试中。例如你笔试中遇到的场景设计题，面试官很可能换个角度再问一遍：“如果让你设计一个端侧图像分类方案，你会怎么做？”笔试时你没有认真思考过这道题，面试自然会慌。
复盘时可以按照“题目类型–考点–错误原因–正确解法”的格式整理成一个表格，考前集中看一遍，比盲目刷题高效得多。这个过程还有一个额外的好处：它能把零散的知识点串成一张知识网络，让你在写简历项目描述、梳理个人技术栈时更加有逻辑。
我自己在复盘时就发现，笔试中关于“数据不平衡的处理方式”这个考点反复出现，于是我专门整理了一页笔记，包括重采样、代价敏感学习、Focal Loss、异常检测思路，结果后面的面试真的被问到了。这种“考后归纳”带来的复利效应，远比多刷几套题更值得投入时间。
7. 写在最后的一点感受
秋招笔试本质上是一场“高密度基础能力测试”，它不会像面试那样深挖你的项目细节，但会用最短的时间检验你的知识储备是否扎实。OPPO这轮AI/算法岗笔试给我的最大启发是：算法岗并不只是“会调模型”，数据结构和编程功底是下限，机器学习和深度学习理论决定上限，而场景设计题则考察你是否具备工程化思维。
如果你正在准备接下来的校招，我建议把刷题贯穿整个准备周期，每天保持至少2道LeetCode或牛客网题目的输入，同时利用碎片时间过机器学习基础概念。笔试是进入面试的第一道关卡，它不要求你完美，但要求你在规定时间内尽量多拿分。提前把知识网络织好，到考场上才能从容应对。
