2024年秋招我有幸赶上了阿里云算法岗的第一批笔试。说实话当时心里挺没底的——7月底刚投完简历一周后就收到了笔试通知8月中旬晚上19:00到21:30牛客网线上笔试两个半小时。作为2025届秋招最早开考的一批大厂笔试之一网上几乎找不到任何经验贴我基本是摸黑上阵。考完之后我花了一整个周末把每道题重新推演了一遍写这篇复盘就是想给后面几批、以及明年打算冲阿里云算法岗的同学留一份“可参照的实战地图”。不管你是冲着阿里云去的还是单纯想看看头部大厂算法岗笔试到底考什么、难度如何这篇文章都值得你花几分钟读完。1. 笔试全程实录在线考场里的两个半小时1.1 开考前半小时的环境检查阿里云的笔试用的是牛客网平台这一点在邮件通知里写得很清楚。考前半小时我提前进入链接先确认了三件事浏览器兼容性建议用Chrome或Edge别用老旧的IE内核浏览器、摄像头权限牛客网考试需要开摄像头手机扫码也有辅助监考、以及本地IDE能不能正常启动。这里有个值得提醒的细节牛客网界面自带一个在线编辑器支持C、Java、Python等主流语言但自动补全很弱写起来很别扭。我大多数同学都是本地写代码、再粘贴到在线编辑器里提交。所以考前一晚最好把本地IDE环境调好。我当时用的VS Code提前配好了Python和C的编译运行环境实测下来比较顺。如果你用JetBrains系的IDE也没问题但注意别开太多插件机器卡顿在考场上非常耽误事。题外话一句牛客网的考试页对切屏很敏感连续切屏三次会被警告记录即使你是切去本地IDE调试也尽量一次切过去就别再频繁切换免得被误判。1.2 题型构成与时间分配进入考试后主界面左侧是题目列表右侧是答题区。整个试卷分三块题型题量分值我的建议用时单选题30题每题约1分30分钟以内多选题10题每题约1.5分少选、错选均不得分15分钟以内编程题3题共约40分每题20-30分钟看到这个配置你应该能感觉到编程题是拉开差距的关键选择题更多是“保底分”。但从实际体感看选择题的覆盖面非常广涉及到数据结构、算法原理、机器学习、深度学习甚至还有一两道计算机网络和操作系统题目混在里面——所以只看LeetCode是不够的计算机基础也得扎实。我的策略是先花5分钟把所有题扫一遍尤其是把编程题都读一遍。这样心里有数——哪道题是字符串处理、哪道题是贪心、哪道题最耗时间。然后从选择题开始按顺序做遇到明显不会的标记一下先跳过不要恋战。事实证明这个策略是对的后面有一段差点时间不够用正是因为前面没纠结。1.3 编程题的常见意外考场上最容易出的意外不是题不会做而是“明明会做但交不上分”。我遇到的第一道编程题本地测试通过粘到牛客网在线编辑器后发现一直编译报错。排查了两分钟才发现是牛客网的Python解释器版本比较老不支持某些新语法特性——我不小心用了一个Python 3.10才有的语法糖。所以这里提醒你考试前先看一眼牛客网支持的语言版本写代码时尽量用保守语法别炫技。还有一位朋友遇到网络波动提交时卡了十几秒差点没交上去。考场上遇到这种问题别慌先截图保留证据结束后可以发邮件给阿里云HR反馈一般都能解决。不过最好还是考前确保网络稳定尤其是别用公共Wi-Fi考试。2. 字符串题复盘KMP的next数组到底怎么算2.1 考场原题还原第一批笔试的编程题第一道就考了字符串匹配。题目大意是给定文本串T和模式串PP abacaba求P的next数组next[i]定义为前i个字符组成的子串中最长相同前后缀的长度并统计T中P出现的次数。字符串长度范围T不超过10^5P不超过10^4要求时间复杂度O(nm)。说实话看到这题我是有点庆幸的因为KMP在《算法导论》和各大刷题平台上都是高频考点我在秋招前专门背过next数组的两种写法。但真正在考场上要手撕完整KMP还是容易在小细节上翻车。2.2 从暴力匹配到next数组的推导先理解KMP为什么快。朴素字符串匹配的做法是模式串P从文本串T的每个位置开始比较如果中间某一位不匹配整个模式串右移一位从头再比。最坏情况下比如Taaaaaaaaab、Paaab每次都要比到最后一位才发现失败复杂度退化成O(n*m)。KMP的核心思想是当某一位匹配失败时不回溯文本串的指针i而是利用模式串P自身已匹配的部分把模式串指针j回退到一个更靠前的位置继续比较。这个回退位置就是next数组决定的。next[i]的定义是模式串P的前i个字符组成的子串即P[0:i]中最长的相同前缀和后缀的长度。注意这里不含子串本身。以Pabacaba为例逐个计算位置i子串最长相同前后缀next[i]0a空01ab空02abaa13abac空04abacaa15abacabab26abacabaaba3也就是说这个题的next数组答案是[0, 0, 1, 0, 1, 2, 3]。很多人会纠结next[0]到底等于-1还是0这里其实是两种不同约定。如果用“最长相同前后缀长度”这一定义next[0]0如果用“失配时跳转位置”这一定义一般初始化为-1实现时下标会错开一位。牛客网上这两种写法都能通过关键是你自己要清楚用的是哪种别写混了。2.3 next数组的递推与代码实现next数组的求解过程本身就是一个“模式串自匹配”的过程。核心思路是用两个指针i和ji指向当前要计算的子串末尾j指向当前已匹配的前缀长度。def build_next(p): m len(p) nxt [0] * m j 0 for i in range(1, m): # 失配时回退 while j 0 and p[i] ! p[j]: j nxt[j - 1] # 匹配成功前缀长度1 if p[i] p[j]: j 1 nxt[i] j return nxt p abacaba print(build_next(p)) # [0, 0, 1, 0, 1, 2, 3]注意在while回退时写的是j nxt[j-1]而不是j nxt[j]。这是初学者最容易写错的地方。原因很简单nxt数组下标从0开始当我们已知前j个字符匹配成功、第j个字符失配时能确定的最长相同前后缀长度是nxt[j-1]而不是nxt[j]。接下来是完整匹配部分def kmp_search(t, p): nxt build_next(p) res [] j 0 for i in range(len(t)): while j 0 and t[i] ! p[j]: j nxt[j - 1] if t[i] p[j]: j 1 if j len(p): res.append(i - len(p) 1) j nxt[j - 1] return res匹配完成后把j回退到nxt[j-1]是为了继续查找下一个重叠匹配的位置。比如Tabababa、Paba时匹配结果应该包含位置0、2、4靠的就是这一步回退。在考场上我花了大约12分钟写完这道题代码量不大但细节挺多。如果你不确定自己的KMP写得对不对建议考前多手写几遍next数组的计算过程做到“闭着眼都能写出来”的程度。3. 排序与贪心选择题里的高频考点3.1 排序算法全家桶对比笔试的单选题里排序算法相关题目至少有4-5道。覆盖范围广但考得都不深主要集中在这几个维度算法时间复杂度、稳定性、是否原地排序、以及特定场景下的选择。我根据自己的备考笔记和考场回忆整理了一张表笔试前看这个就够了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是否原地冒泡排序O(n²)O(n²)O(1)稳定是插入排序O(n²)O(n²)O(1)稳定是选择排序O(n²)O(n²)O(1)不稳定是希尔排序O(n^1.3~1.5)O(n²)O(1)不稳定是归并排序O(n log n)O(n log n)O(n)稳定否快速排序O(n log n)O(n²)O(log n)不稳定是堆排序O(n log n)O(n log n)O(1)不稳定是计数排序O(nk)O(nk)O(k)稳定否基数排序O(d(nk))O(d(nk))O(nk)稳定否这里重点说两个容易踩坑的点。第一很多人对“快速排序不稳定”感到意外觉得快排这么优秀为什么会不稳定理由是快排的partition过程会把等于基准值的元素交换到基准值的前后两侧如果原数组中有两个相同关键字的元素它们的相对顺序可能就被打破了。举个例子数组[5a, 3, 2, 5b]5a和5b代表两个相等的元素以第一个5作为基准分组处理完后5a和5b的先后顺序就变了。第二关于稳定性有一个常见的考法给出一个排序算法问它是否稳定或者反过来问“下列哪个排序算法是稳定的”。归并排序和插入排序是稳定的这个是高频选项。冒泡排序也是稳定的但很多人容易漏掉因为冒泡排序的交换会让相等的元素不交换所以稳定性没问题。3.2 贪心算法的识别与证明选择题里出现了一道类似“以下哪个问题不能用贪心算法求解”的题。这类题其实是在考贪心算法的适用条件局部最优是否能推出全局最优。典型可以用贪心的问题活动选择区间调度、哈夫曼编码、找零钱某些币值体系下、最小生成树Prim和Kruskal、单源最短路径Dijkstra。典型不能用贪心的问题0-1背包问题、旅行商问题TSP、矩阵链乘法。这里有个非常经典的误区很多人以为0-1背包可以用贪心按价值/重量比排序来解但这是错的。贪心只能用于分数背包也就是物品可以分割的场景。0-1背包里贪心选择价值密度最高的物品可能导致剩余空间浪费整体价值反而不如选几个密度稍低但体积更适配的物品。举个简单的例子背包容量10物品A重量6、价值18、物品B重量5、价值15、物品C重量5、价值15。按价值密度排序A的密度最高3先选A剩下容量4装不下B和C总价值18但最优解是选B和C总价值30。这就是贪心失效的经典反例。考场上识别贪心题最稳妥的验证方式是“反例法”多构造几个用例去试看有没有反例推翻贪心策略。如果一两个小时内找不到反例且能做出“交换论证”或“贪心选择性质”的证明那基本就没问题。3.3 堆的经典应用TopK问题选择题里还考了一道TopK的题在一亿个整数中找出最大的K个数K远小于N用什么数据结构和算法最优。正确答案是“堆”时间复杂度O(N log K)。具体做法是维护一个大小为K的最小堆遍历所有元素如果当前元素大于堆顶元素就弹出堆顶、插入当前元素。这样遍历结束后堆中保存的就是最大的K个数。这里有个容易混淆的点很多人问为什么找最大的K个数用的是最小堆而不是最大堆因为我们需要“淘汰”的是当前最小的那个也就是堆顶。如果用最大堆堆顶是最大的元素我们无法确定遍历到的元素要不要替换它——你可能会误删掉真正的前K大。最小堆的堆顶是“候选集合中最小的那个”新元素只要比堆顶大就取代它逻辑非常顺。另外堆排序算法本身也是选择题常客。堆排的平均复杂度和最坏复杂度都是O(n log n)空间复杂度O(1)但不稳定。考场上如果你要手写堆排序我建议直接采用“建堆反复调整”的两步走别整花活。4. 机器学习理论题从损失函数到优化算法4.1 选择题中的ML/DL占比阿里云算法岗笔试的选择题中机器学习和深度学习的题目大概占三分之一左右。这个比例对科班同学来说不算高但有一个特点是喜欢考“原理推导”和“边界条件”而不是简单的概念默写。比如有一道题问到当训练集和验证集的误差持续不下降但两者之间的差距在缩小说明模型处于什么状态这个属于典型的偏差方差分析选项里有“过拟合”“欠拟合”“正则化过度”“集成不足”等。正确答案是欠拟合因为训练误差本身就没有降下来。很多人一看到“验证集误差高”就条件反射选过拟合其实过拟合的标志是“训练集误差低、验证集误差高且两者差距大”。这类题考的是对概念的理解深度不是背诵。还有一道多选题问哪些策略可以有效缓解过拟合选项包括增加训练数据、L1/L2正则化、Dropout、数据增强、模型集成、增加模型层数。前五个都是正确选项最后一个“增加模型层数”反而可能加剧过拟合。考场上这类多选题的难点在于“少选不给分”所以拿不准的选项宁可不选也别乱选。4.2 损失函数选择的底层逻辑选择题里出现了一道“分类任务为什么常用交叉熵而不是MSE”的题。这个在面试里也常被问到原理不难但需要说清楚。交叉熵和MSE均方误差本质上都可以作为分类任务的损失函数但分类任务最后一般接softmax层输出的是一个概率分布。如果使用MSE求导后梯度表达式中会出现sigmoid/softmax的导数项——而sigmoid函数在饱和区即输入绝对值很大时导数趋近于0这就是梯度消失。也就是说网络在刚开始训练、预测结果是“错误但确定性高”的时候MSE给出的梯度几乎为零模型学不动。交叉熵则不同它的梯度形式是(p_pred - p_true) x当预测分布和真实分布差距越大时梯度越大天然地推动了模型快速修正错误分类。所以交叉熵和MSE在分类任务上的核心差异不在于“谁的凸性更好”而在于谁的梯度更利于优化。顺带说一句回归任务基本还是MSE主导这是因为回归的输出是连续值没有概率分布交叉熵应用不上。4.3 优化器演进从SGD到Adam有一道多选题问下面哪些优化算法会用到动量momentum的概念选项有SGD、Momentum SGD、RMSProp、Adam。答案是后面三个纯SGD不用。这道题考察的是优化算法中“v_t β v_{t-1} (1-β)g_t”这种递推式是否理解。我在备考时整理过一个优化器对比表整理完再看这题就很轻松优化器核心思想是否用动量是否自适应学习率SGD直接用梯度更新否否Momentum SGD累积历史梯度方向是否AdaGrad按参数历史梯度平方调整学习率否是RMSProp指数加权平均梯度平方否是Adam一阶矩二阶矩估计是是在笔试中需要重点记忆的是Adam的两个超参数β₁一阶矩估计的指数衰减率通常取0.9和β₂二阶矩估计的指数衰减率通常取0.999。选择题如果考到超参数的默认值直接按0.9和0.999来选。4.4 认知边界题粒子群、模拟退火和不等式阿里云的笔试里出现了一道与“最优化算法”相关的选择题下列哪些算法是启发式优化算法选项给出了粒子群算法PSO、模拟退火SA、梯度下降、牛顿法。正确答案是粒子群和模拟退火。这个知识点在传统算法岗笔试里不完全算超纲因为算法岗偶尔会接触调度、资源分配类问题。粒子群模拟的是鸟群觅食行为每个粒子记住自己的历史最优位置和群体的历史最优位置按这两个方向调整速度模拟退火则是用温度参数控制随机跳跃的概率温度高时愿意接受更差的解避免陷入局部最优温度降低后逐步收敛。如果你不是研究演化计算方向的这两者的核心区别要记住粒子群是群体智能、并行搜索模拟退火是单点随机搜索、以一定概率接受劣解。另外选择题里还混了一道信息论相关的题大致是问KL散度是否满足对称性。答案是“不满足”KL散度定义为KL(P||Q)P到Q和Q到P一般不相等因此不能作为度量距离。这个知识点比较冷门但既然出现在笔试里我建议准备时对“交叉熵、相对熵KL散度、JS散度”这一组概念做统一复习。5. 阿里云技术栈与系统设计算法工程师的“第二张卷子”5.1 从OSS到分布式存储的考点延伸阿里云的技术栈有几个高频名字会出现在笔试和面试里OSS对象存储、SLB负载均衡、ECS云服务器、RDS云数据库。笔试的最后一两道选择题往往会结合这些业务场景考。比如有一道题问以下哪种场景最适合使用OSSA. 频繁修改的小文件数据库 B. 海量非结构化数据的存储与访问 C. 高并发关系型事务处理 D. 高性能内存缓存。正确答案是B。OSS是对象存储适合存图片、视频、备份等海量非结构化数据不适合高频更新的事务性数据。这道题本身不难但它暗示了一个趋势阿里云算法岗不只是考算法还会考察你对云上产品的理解。建议在笔试前把阿里云官方文档中OSS和ECS的产品介绍页刷一遍关注“适用场景”和“核心概念”两块。你不需要会写调用代码但要知道每种产品解决什么问题。另外我还留意到笔试的“云原生”相关题目偶尔会穿插在操作系统和网络题目中。比如Docker容器和虚拟机的区别、Kubernetes的调度对象、Linux常用命令的边界等。我在做题时遇到一道“哪个命令可以查看Linux系统CPU使用情况”的题答案有top、ls、cd、cp基本上属于送分题但也提醒了我们Linux基础是必须掌握的能力。5.2 一致性哈希一道常驻热搜的经典题阿里云算法岗笔试的编程题第三题考的是带虚拟节点的一致性哈希。题目描述大概是这样设计一个分布式缓存系统有n个缓存节点给定一组key需要将key映射到缓存节点上。要求新增或删除节点时只有少量key需要重新映射且数据分布均匀。请实现一个带虚拟节点的一致性哈希环返回每个key对应的节点编号。这题的本质是“如何设计一个对节点增减友好的哈希映射”。最朴素的方案是hash(key) % n但一旦节点数变化几乎所有key都会重新映射这在分布式系统中代价巨大。一致性哈希的做法是将整个哈希空间组织成一个环通常是0到2^32-1每个节点根据其哈希值放在环上每个key也计算哈希值然后顺时针找到第一个节点作为归属节点。但直接用节点哈希值有一个问题——如果节点只有几个哈希值分布容易不均匀负载就会倾斜。解决方式是引入虚拟节点每个真实节点复制出若干个虚拟节点比如每个真实节点生成100-200个虚拟节点这些虚拟节点也映射到环上key落到虚拟节点后再通过映射关系找到真实节点。这样环上的节点数量多了分布就均匀了。考场上我写的简化版代码Python思路如下import hashlib class ConsistentHash: def __init__(self, nodes, virtual_nodes200): self.virtual_nodes virtual_nodes self.ring {} # 哈希值 - 真实节点 self.sorted_keys [] for node in nodes: self._add_node(node) def _hash(self, key): md5 hashlib.md5(key.encode(utf-8)) return int(md5.hexdigest()[:8], 16) def _add_node(self, node): for i in range(self.virtual_nodes): vkey f{node}#{i} h self._hash(vkey) self.ring[h] node self.sorted_keys.append(h) self.sorted_keys.sort() def remove_node(self, node): for i in range(self.virtual_nodes): vkey f{node}#{i} h self._hash(vkey) self.ring.pop(h) self.sorted_keys.remove(h) def get_node(self, key): h self._hash(key) import bisect idx bisect.bisect_left(self.sorted_keys, h) if idx len(self.sorted_keys): idx 0 return self.ring[self.sorted_keys[idx]]这段代码过了测试用例但在复杂度上还有优化空间删除节点的sorted_keys.remove()是O(n)的如果真实环境中节点频繁变更建议用红黑树或跳表代替有序数组。笔试时用有序数组加二分查找通常足够但要心里有数面试时也许会被追问。5.3 算法岗的“云思维”考察这一批笔试有一个我很关注的信号选择题里有几道并不是纯算法题而是带有“工程权衡”色彩的题。比如问在分布式系统中CAP理论中的P分区容错性在什么情况下必须优先保证这本质上是在考察你在真实系统里做选择的判断力。做这类题关键是理解CAP不是“三选二”的简单取舍而是在网络分区发生时你必须在一致性C和可用性A之间做选择。当系统运行正常时C和A可以同时保证只有发生网络分区时才被迫放弃一个。阿里云上的很多产品比如表格存储默认就是通过类似“最终一致性”的方案来保证高可用性。算法工程师不是只会调模型、刷LeetCode就能上场理解分布式的基本权衡是基础素质。我在备考后期把《数据密集型应用系统设计》的前几章过了一遍对回答这类题帮助很大。6. 复盘与建议如果你也想冲阿里云算法岗6.1 我的失分点与补救方案考完之后我对照题目重新做了一遍发现自己丢分主要有三个地方。第一多选题失分严重。因为少选不给分我刚开始按“单选思维”做题有一道多选题只选了一个肯定正确的项就提交了后来才发现那题要选三个。策略应该是如果时间允许多选题宁可把有把握的选项都选上只要不谈没把握的即使多选了一个也是错所以必须在“全选”和“不选”之间做权衡。第二KMP的next数组写法我在考场上一度记混了“从0开始”和“从-1开始”的两种约定虽然最后改对了但浪费了大约3分钟。建议考前把next数组的计算写成模板反复默写三遍以上。第三编程题第三题一致性哈希我虽然写出了基本逻辑但没有在注释里说明虚拟节点数量的选择依据比如为什么用200而不是50。如果面试官后续看代码这可能会被追问。所以做这类设计题时哪怕不写注释也要在回答框里写明设计思路和复杂度分析。6.2 下一批笔试的复习优先级清单结合这次考后的复盘我给自己列了一份复习优先级清单也分享给你参考先说优先级最高的一档KMP和字符串匹配、排序算法尤其是复杂度与稳定性、贪心算法能识别证明、TopK/堆的应用、二叉树遍历前中后序的递归与迭代、动态规划基础背包、LIS、LCS、一致性哈希、哈希表设计。然后是高频中档LRU缓存、最短路径BFS/Dijkstra、并查集、二分图相关算法热词里出现了HK算法短期内考的概率不大但基础概念要懂、机器学习损失函数与优化器、偏差方差分析、正则化原理。最后是拓展档分布式系统基础CAP理论、一致性模型、Linux常用命令、阿里云产品体系OSS、ECS、SLB、RDS 的基本定位、云原生概念容器与Kubernetes、以及粒子群/模拟退火这类启发式算法的核心思想。6.3 关于心态的两个建议考完阿里云这批笔试后我最大的感受是笔试考的不只是“你会不会”还有“你在有限时间内如何分配注意力”。建议你在正式开始做编程题之前先花两分钟把三道题都读一遍估算一下每道题的难度和代码量然后选择“先做最有把握的再做中等难度的最后死磕最难的”。我这次把最难的KMP放在了第一道导致后面时间有点紧。如果先做第三道一致性哈希其实会更从容。最后还想说一句笔试分数很重要但它不是唯一的筛选标准。我身边有笔试分数一般但简历项目非常扎实的同学最后还是拿到的面试机会。所以如果这场笔试你没发挥好别太灰心把项目经历和基础八股准备好后面还有翻盘空间。祝你能顺利拿到阿里云的面试邀约。