算法面试题解析

10G IP 文件、1G 内存，如何找出现最多的 Top10 IP？

这题考察海量数据精确 TopK 的分治思路、内存估算、全局正确性和数据倾斜处理。

图论算法具体有哪些？

这题考察图问题分类能力，要把问题类型、适用条件、图表示和复杂度一起说，而不是背算法名清单。

贪心算法和动态规划分别是什么？

这题考察候选人能否区分局部选择和状态枚举，关键是证明贪心安全性，并能写出 DP 的状态、转移、边界和遍历顺序。

两个大文件如何找共同出现的单词？

这题考大文件处理的内存约束意识，回答要先确认精确性和重复语义，再给出哈希分桶或外部排序方案。

手写快排及复杂度分析

这题不是只问快排定义，而是要求候选人能现场写出可运行的原地分区递归，并解释为什么平均 O(nlogn)、最坏 O(n²)、递归栈平均 O(logn)。高质量回答要把 partition 不变量、递归边界、重复元素处理和 pivot 优化一起讲清楚。

还有哪些 O(nlogn) 的排序算法，各自的原理和使用场景？

这题考察常见 O(nlogn) 比较排序的原理、复杂度、稳定性和场景选择，不能只列名字。

给你一个数组，其中元素是节点值以及父节点值，要求去重并还原树

这道题考察扁平数组转树的实现能力。关键不是只会 parentId 挂 children，而是先用 Map 按唯一 id 去重和建索引，再用第二遍挂载，明确重复 id、父节点后出现、多根、孤儿节点和循环引用的处理策略。

螺旋数组填充：给一个数组，返回一个 m*n 的矩阵，数从小到大顺时针螺旋填充矩阵，要求 |m-n| 尽可能小

这题考察矩阵尺寸选择和边界模拟。先根据数组长度找最接近的 m、n，再用四个边界按顺时针方向填充，重点处理单行单列和越界收缩。

RabbitMQ 仲裁队列的消费组如何工作？

RabbitMQ 仲裁队列是基于 Raft 的复制队列，解决的是队列高可用和数据一致性问题；它本身不是 Kafka 式消费组。消费者仍然通过订阅同一个队列竞争消费，消息由当前 leader 负责投递和确认推进。

RabbitMQ 延时队列通常如何实现？

RabbitMQ 延时队列常见实现有两类：使用 TTL 加死信交换机间接延迟，或使用 delayed message exchange 插件直接按延迟投递。前者通用但有顺序阻塞等细节，后者语义更直观但依赖插件。

MySQL 如何防止幻读？

MySQL 防止幻读要分清快照读和当前读。InnoDB 在可重复读下通过 MVCC 让普通查询看到稳定快照，通过 next-key lock 和 gap lock 保护范围加锁查询，从而阻止其他事务在范围内插入新记录。

意图识别有哪些分类方式，如何实现？

意图识别可以按标签数量、业务层级、开放程度、是否结合槽位和决策阶段分类。实现上要从标签体系、数据标注、模型方案、置信度治理和线上闭环五个层面设计，而不是只训练一个分类器。

多意图识别中如何选择单标签和多标签分类？

多意图识别选择单标签还是多标签，取决于业务动作是否互斥、用户一句话是否可能触发多个独立流程、标注是否稳定以及下游系统能否处理多结果。单标签更简单稳定，多标签表达能力更强但需要阈值、冲突消解和更复杂评估。

SFT 之后做 DPO，DPO 和 RLHF/PPO 有什么区别？

SFT 之后做 DPO，是先让模型学会基本任务格式和能力，再用偏好对调整回答倾向。DPO 直接用偏好数据优化策略与参考模型的概率比，RLHF/PPO 通常先训练奖励模型，再通过强化学习在线优化奖励，工程复杂度和稳定性差异很大。

RAG 在意图识别中有什么作用？

RAG 在意图识别中的作用，是把相似历史表达、标签定义、业务文档和动态规则检索出来，辅助模型缩小候选、消除歧义、识别长尾和处理新业务。它不是替代分类器，而是给分类决策提供可更新的外部证据。

一个先单调递增再单调递减的数组，给一个目标值，判断目标值是否在数组中？

这道题本质是 bitonic array search：数组先升后降，不能直接用一次普通二分，因为整体不单调；也不应该线性扫描，因为会浪费可二分的结构。标准做法是先用二分找到峰值位置，再分别在左侧递增段和右侧递减段做二分查找。若数组满足严格先增后减，整体时间复杂度为 O(log n)，空间复杂度为 O(1)。

哪些可能发生OOM的区域？

JVM 里可能发生 OOM 的位置不只有 Java 堆，还包括虚拟机栈、本地方法栈、元空间或方法区、直接内存、线程创建所需 native memory，以及容器总内存限制触发的进程终止。完整回答应按内存区域、典型异常、常见原因和诊断证据展开。

Lora的原理能简单讲讲吗？

LoRA 是一种参数高效微调方法：不直接改动大模型原有权重，而是在关键线性层旁边增加一个低秩增量分支，用少量可训练参数学习任务差异。它的核心假设是：下游任务需要的权重变化 ΔW 往往不需要满秩矩阵表达，可以用两个小矩阵 B 和 A 的乘积近似，即 ΔW = BA。训练时冻结基座模型，只训练 A、B；推理时可以把 ΔW 合并回原权重，几乎不增加推理结构复杂度。

同题还出现在 1 个公司岗位

A* 相比 Dijkstra 优化了什么问题？

A* 主要优化的是 Dijkstra 在单源到单目标最短路径场景中的均匀扩展问题。Dijkstra 只按当前已知代价 g(n) 从近到远扩展，不利用终点方向信息，因此会探索大量与目标无关但距离起点较近的节点。A* 在 g(n) 基础上加入启发式估计 h(n)，用 f(n)=g(n)+h(n) 同时衡量已经走了多远和预计还要走多远，从而优先扩展更可能通向目标的节点。

图分割是什么？以 Normalized Cut 为例如何介绍？

图分割的核心是把像素、超像素或区域划分成语义或视觉一致的子区域，使同一区域内部相似度高、不同区域之间差异大。面试中不要只罗列算法名，最好选择一种方法深入讲清楚：输入如何建模、相似度如何定义、优化目标是什么、怎么求解、效果如何评估、适用边界在哪里。以 Normalized Cut 为例，它把图像表示成加权无向图，把分割转化为图划分问题，通过最小化归一化割代价，避免普通最小割偏向切出很小孤立区域的问题。

什么是on policy，什么是off policy？

on-policy 和 off-policy 的核心区别不在于算法是否探索，而在于用来学习的数据是由谁产生的。on-policy 用当前正在优化的策略采样，并用这些数据更新同一个策略；off-policy 允许用另一个行为策略、历史日志或经验回放产生的数据，去学习目标策略。回答时要把行为策略、目标策略、数据分布偏差、代表算法和工程取舍讲清楚。

冲突域里面是什么发生了冲突？

冲突域里发生冲突的不是主机、IP 地址或业务请求，而是同一共享二层介质上同时发送的以太网信号或帧发生碰撞。典型场景是半双工共享以太网中，多个节点同时往同一介质发送数据，信号叠加导致接收端无法正确还原比特，需要通过 CSMA/CD 检测、退避并重传。

说一下TreeMap的实现原理？

TreeMap 是 Java 中基于红黑树实现的有序 Map。它按照 key 的比较规则维护全局排序，核心操作通常是 O(log n)，适合按 key 有序遍历、范围查询、前驱后继、最大最小 key 等场景。

页式存储和段式存储分别应用在什么场景下？

页式存储更适合以固定大小块管理内存，重点解决虚拟内存、按需调页、页面置换和外部碎片问题；段式存储更适合按程序逻辑模块组织地址空间，重点服务于保护、共享、动态链接和模块化。现代系统通常以分页作为底层内存管理基础，并用虚拟内存区域、权限位和映射区间保留分段思想；段页式则把逻辑分段和物理分页结合起来。

ChatGPT为什么不用Reward-Model的数据直接fine-tune，而用RL？

Reward Model 的数据本质上是偏好判断或打分信号，它告诉模型哪些回答更符合人类偏好，但通常不直接提供一条完美答案。SFT 学的是给定输入后模仿标准输出，目标是最大化示范答案的似然；RLHF、PPO 或偏好优化学的是在很多可能回答中提高被奖励函数偏好的概率，目标是优化行为策略。ChatGPT 不直接用 Reward Model 的数据 fine-tune，核心原因是两类数据和两类目标不同：偏好数据适合训练评价器或优化策略，不等价于监督学习所需的高质量目标答案。

推荐系统里除了位置偏置，还有哪些常见偏置？

推荐系统中的偏置不只来自排序位置，还来自曝光机制、用户选择、物料流行度、展示样式、来源信任、样本构造、反馈回路、时间变化、用户活跃度和反馈标注方式。面试回答要把偏置讲成数据如何被观察到、反馈如何被产生、模型如何被训练和评估的系统性问题，并进一步说明可用随机化实验、因果估计、逆倾向加权、重采样、多目标约束和更谨慎的在线评估来缓解。

冲突域和广播域的定义和区别？

冲突域关注的是二层或物理层以太网中谁和谁会争用同一发送介质、同时发送会不会发生碰撞；广播域关注的是一个二层广播帧会被扩散到哪些接口。集线器会把所有端口放在同一个冲突域和同一个广播域；交换机默认每个端口一个冲突域，但所有同 VLAN 端口仍属于同一个广播域；路由器、三层接口、不同 VLAN 之间的边界会隔离广播域。

图分割，针对一种图分割方法进行具体介绍？

图分割是把图结构里的顶点划分为若干子集，使子集内部连接尽量强、子集之间连接尽量弱。一个代表性方法是 Normalized Cut，也常与谱聚类一起讲。它的核心思想不是简单最小化跨分区边权，而是同时考虑每个分区与整体图的连接规模，避免把孤立点或很小的点集切出去形成退化结果。

FLUX系列的整体框架是怎样的？

FLUX 系列可以概括为在潜空间里工作的 Flow Matching 图像生成 Transformer。它不是传统以 U-Net 为主体的扩散架构，而是把噪声潜变量、文本条件、时间步、位置编码和可选引导信息统一送入多模态 Diffusion Transformer，由模型预测从噪声走向图像潜变量的速度场，再通过多步采样积分得到干净潜变量，最后由自编码器解码成图像。回答时要抓住潜空间生成、文本条件编码、多模态 Transformer 主干、Flow Matching 采样过程这四条主线。

StringBuffer的append和String的+=区别？

StringBuffer 的 append 是在同一个可变字符缓冲区上追加内容；String 的 += 表面像修改字符串，实质通常是生成新的字符串结果。核心区别在于 String 不可变，+= 的优化依赖编译器和上下文，循环拼接容易产生大量临时对象；StringBuffer 维护可变缓冲区，append 多次追加时复用内部数组，并通过同步方法提供线程安全，但也带来锁开销。

有没有了解过交换机和集线器的区别？

集线器是物理层设备，收到比特流后向所有端口无脑转发；交换机是数据链路层设备，会学习源 MAC 地址形成 MAC 地址表，并根据目的 MAC 地址决定转发、过滤或泛洪。核心区别在于：集线器让所有主机共享同一个冲突域和带宽，通常只能半双工并依赖 CSMA/CD；交换机把每个端口隔离成独立冲突域，支持全双工，显著提升吞吐、稳定性和安全性。

开放性问题，菜鸟无人仓机器人从A到B，需要多个机器人到达，怎么样效率最高？

这道题考察的是无人仓机器人路径规划与多机器人调度能力，核心不是单个机器人走最短路，而是在有限通道、有限交汇点、有限充电与装卸资源下，让多个仓储机器人安全、有序、稳定地从A到B完成任务。高质量回答应先定义效率目标，再建立仓库图模型，接着讨论多智能体路径规划、冲突避免、任务分配、在线重规划和仿真评估。

常见的cpu load过高，us过高，一般是什么问题？

CPU load 高和 CPU 使用率高不是同一个概念。load average 统计可运行队列和不可中断 I/O 任务，us 高表示用户态代码消耗大量 CPU。排查要先看 us、sy、wa、si、st 的结构，再定位到进程、线程和调用栈。

推荐或检索系统里的低频过滤如何实现？

低频过滤不是简单按次数删除，而是在明确业务目标和统计口径后，对样本、特征、query、item、用户行为或候选实体中频次过低、统计不稳定、噪声占比高的部分进行降权、合并、兜底或过滤。高质量回答要覆盖目标、口径、阈值、离线与在线实现、滑动窗口、长尾保护、冷启动、指标评估和工程风险。

稠密特征是如何加入DSIN架构中的？

稠密特征加入 DSIN 的核心思路是：不要破坏 DSIN 对用户行为序列按 session 建模的主干，而是把数值型特征经过规范化、分桶或小型 MLP 投影后，作为用户侧、商品侧、上下文侧、行为侧或 session 侧的补充表示，在最终 CTR 预估网络中与目标商品表示、用户画像表示、上下文表示、session interest 表示进行拼接和交叉。DSIN 负责从历史行为 session 中抽取兴趣、建模兴趣演化并对目标 item 做激活；稠密特征负责补充连续强信号。

如何验证XML文件的正确性？

验证 XML 文件的正确性不能只理解为“能被解析器打开”。完整答案应分层判断：先检查 XML 是否满足 well-formed 语法约束，再根据 DTD、XSD 或其他 schema 验证结构和数据类型，随后确认编码、命名空间、业务规则和安全解析策略，最后通过覆盖性测试样例和明确的错误定位机制保证问题可复现、可修复。

怎么查看OS的负载？

查看 OS 负载不能只报一个命令，要说明 Linux load average 的含义、采集入口、判断标准和定位路径。核心是先用 uptime、top、w 或 /proc/loadavg 看 1/5/15 分钟平均负载，再结合 CPU 核数、运行队列、不可中断任务、IO 等待、上下文切换和进程级指标判断是 CPU 饱和、IO 阻塞还是调度压力。

基本数据类型以及包装类，区别？

Java 基本数据类型是直接表达值的类型，包括 byte、short、int、long、float、double、char、boolean；包装类是对应的引用类型，包括 Byte、Short、Integer、Long、Float、Double、Character、Boolean。核心区别在于：基本类型没有对象身份、不能为 null、不能用于泛型；包装类有对象语义、可以为 null、能进入集合和泛型体系，但会带来装箱拆箱、缓存池、对象开销、NPE 和比较语义等问题。

Kontext的位置编码，在处理ref和noise_latent的时候，有什么区别对待吗？

原则上，ref 图像 token 和 noise_latent token 在联合注意力里需要使用兼容的位置坐标，否则模型很难判断参考内容和待生成区域的空间对应关系。但是否区别对待取决于具体实现：常见做法是二者使用同一类二维位置编码或 RoPE 坐标体系，同时通过空间坐标范围、序列拼接位置、offset、segment/modality 标识、mask 或额外条件嵌入来区分 ref 与 noise_latent。关键不是断言某个实现一定怎样，而是说明位置编码要保证可对齐，又要避免 ref token 和 target token 在联合序列中语义混淆。

多场景和多任务有什么区别？

多场景和多任务都属于推荐系统中共享信息、提升泛化的建模范式，但二者解决的问题维度不同：多场景关注流量入口、业务域、用户行为分布或物料分布不同带来的数据分布差异；多任务关注同一批或相关样本上存在多个预测目标，例如点击、收藏、加购、转化、停留时长等。回答时要先用一句话区分场景和任务，再结合共享底座、MMoE、PLE、场景塔、任务塔、负迁移、指标体系说明工程落地。

重要度采样是什么？

重要度采样是一种用容易采样的分布 q 来估计目标分布 p 下期望的蒙特卡洛方法。核心思想是：如果想计算 E_p[f(X)]，但很难直接从 p(x) 采样，可以改从 q(x) 采样，并给每个样本乘上重要性权重 w(x)=p(x)/q(x)，从而修正采样分布带来的偏差。它广泛用于概率统计、机器学习、强化学习离策略评估、贝叶斯推断和稀有事件估计。

图归一化的方式有哪些？

图归一化的核心目的是让图上的信息传播在数值上稳定、在结构上公平、在训练上可优化。常见做法包括对邻接矩阵做度归一化、对称归一化或随机游走归一化，加入自环以保留节点自身信息，对节点特征和边权做尺度处理，以及在多层 GNN 中使用 BatchNorm、LayerNorm、GraphNorm 等缓解训练不稳定、过平滑和不同图规模带来的分布差异。回答时应把归一化什么、为什么归一化、适合什么模型和场景讲清楚。

在MMDIT里，联合注意力计算完之后，数据会流经哪些层？

MMDiT 中的联合注意力并不是整个 block 的终点。它完成的是跨模态 token 的信息交换：图像 latent token、文本 token 或其他条件 token 在同一个注意力空间里互相读取信息。注意力结果通常会先经过输出投影，再按模态拆回各自 stream，结合门控调制与残差连接写回原特征；随后进入归一化或自适应归一化、MLP/Feed-Forward、再次门控、再次残差，最后把更新后的各模态特征交给下一个 MMDiT block 或后续输出层。

序列标注时数据量太少的时候怎么做？

序列标注数据量太少时，核心不是单纯多标一点，而是先确认任务边界和标注质量，再用预训练迁移降低样本需求，用规则、词典、弱监督和半监督扩大可用监督信号，用数据增强和主动学习提高样本效率，最后通过 CRF、约束解码和一致性评估减少不合法输出。一个成熟回答应覆盖数据、模型、标注、推理约束和评估闭环，而不是只说换成 BERT 或做数据增强。

多机器人从 A 到 B，如何规划路径和调度才能效率最高？

这类问题本质不是单个机器人从起点到终点的最短路，而是多机器人路径规划与调度问题。高效方案应先明确优化目标，再把仓库抽象成栅格图或有向图，在时间维度上处理多个机器人之间的点冲突、边冲突、通道容量、死锁和动态障碍。工程上通常不会追求全局最优，而是在安全避碰的前提下，用 A* 或 Dijkstra 生成单体路径，再结合优先级规划、CBS、时间扩展图、预约表、滚动重规划等方法，在最优性、实时性和系统吞吐之间取平衡。

为什么要使用旋转位置编码？

旋转位置编码（RoPE）的核心价值，是把位置信息以“旋转”的方式注入到注意力机制的 Query 和 Key 中，使模型在计算注意力分数时自然感知 token 之间的相对距离。相比直接相加的绝对位置编码，RoPE 更贴合 Transformer 的点积注意力结构，既能保留顺序信息，又能让相对位置关系在 QK 点积中显式出现。

同题还出现在 2 个公司岗位

图采样方法有哪些？

图采样是在大规模图上用较小、可计算的节点、边、路径或子图近似原图结构与学习目标的方法。它常用于图挖掘和图神经网络训练，核心矛盾是采样越小，计算越快、显存越省，但估计偏差、方差、结构断裂和度分布偏移可能越严重。常见方法包括节点采样、边采样、随机游走采样、邻居采样、层采样、子图或簇采样、重要性采样，以及用于链路预测和对比学习的负采样。

特征交叉和 One Epoch 现象之间有什么联系？

这道题的核心不是问“特征交叉是什么”，而是问候选人能否把一次工程观察解释成可验证的推荐系统规律。可以把 One Epoch 现象理解为：某些交叉特征在训练早期或首轮曝光中贡献了主要收益，后续继续训练的边际增益快速下降。它通常暗示交叉特征捕捉了强相关但稀疏的记忆型模式，需要用消融、频次分桶、时效性、泄漏排查和泛化验证来证明联系。