暑期实习从2月开始投，面了两个月，流程该挂的都挂完了，腾讯字节一共号称是1.7w个hc，不知道都发给谁了，估计今年秋招要难顶。Timeline米哈游、美团、蚂蚁、微软等公司直接简历挂穿，没进面。携程：3.3 投递、测评3.12 笔试3.18 一面3.25 二面4.13 ai面（hr面）4.14 英语测评4.23 offer（已拒）腾讯：2.6 测评2.28 wxg一面3.5 wxg二面（挂）3.11 teg一面3.21 teg二面（取消）3.31 teg一面4.10 teg二面（挂）4.21 wxg一面4.24 wxg二面（挂）字节：1.28 aml约面（取消）3.17 火山一面（挂）4.8 aml一面（挂）4.20 抖音data一面（挂）阿里：3.23 投递、测评3.28 笔试3.31 淘天一面4.8 钉钉一面4.9 淘天二面4.10 阿里控股一面4.12 钉钉二面（取消）4.15 淘天hr面4.16 淘天offer（已接）4.21 高德一面（取消）4.22 淘宝闪购一面（取消）面试最大的感触是，现在撞上ai转型，一堆老业务急着转向，新业务非常不成熟，研究型的组bar非常高根本进不去，业务侧挂着算法的岗位干的都是工程活，面试却又要问算法，另外agent的落地也远没有那么广，绝大多数还是那套写死的系统调一下llm api或者做做rag，其余少部分真的在搭agent的，基本不能在线上服务用什么很智能的模型，现阶段成本太高，进去大概率就是给垃圾模型从工程方面兜底，除了业务场景的应用和数据经验以外，技术方面很难有什么提升。算法岗做不了基模的还是去搜广推好，之前判断失误了完全没投，秋招不知道还进不进得去。

leetcode上面的相关题目在招聘中作为必要考察环节存在的时间，不超过15年，支撑了以字节为代表的这一代移动互联网浪潮的软件开发范式的人才标准，甚至再老一点，阿里电商崛起的时代都没有手撕的惯例，以前是外企喜欢出手撕，也就是说国内拼命刷力扣的最初一代人可能都没到35岁斩杀线，这种情况下移动互联网迅速增长到饱和，22年进入寒冬，存量竞争4年后刚刚迎来ai浪潮的增量，岗位要求迅速转向，但新的工作范式和人才标准还没成型，各个公司都非常动摇，像蚂蚁直接ai coding笔试不搞选择题编程题，我面了十几场技术面大概只有一半有手撕，明显能感觉到算法题的考察正在淡化，以后可能不会再作为“技术类岗位都要掌握的知识”，而是特定的一些工程岗需要考察，地位可能退化到跟写sql差不多，“刷力扣”可能也就是10年代末到20年代末这代计算机求职者的共同记忆。所以长期来看，必要性会减弱，但是今年找工作，还是需要刷的。

四月过去快一半了，也面了几家了，明显感觉到这些中大厂业务部门的所谓算法分成三种不同的态度：1. 画饼，团队本身之前的算法工程和大模型其实不怎么沾边，说是有一些“预研”的东西，但还是以维护历史包袱、保证现有业务和ai能力的交付为主，所谓的“预研”无论从技术难度还是从落地成本的角度来说都是极大的未知数，实习生要么碰陈旧业务和前沿脱节，要么扎进未知领域用几个月搏产出，风险极大。2. 从已有落地技术角度出发，考虑Anthropic等公司在vibe coding等场景的成熟经验，尝试融入到现有产品方案中，缺乏整个商业模式的逻辑闭环，大多只是为了蹭技术热点强上功能，把已有的成功案例吸收进产品，再反过来论证这个功能本身有用，这样虽然稳妥、可以保证产出一定的功能，但目标本身有盲目性，没有论证功能本身的价值就去跟风实现，长期来看有负产出的风险，对于实习生来说倒是无所谓，至少能有些产出。3. 从自身产品定位、已有商业模式出发，用新的ai技术优化效率和体验、强化已有的产品地位，需要在垂直领域落地走在最前沿，这种策略眼光比较长远，相比于第一种，区别在于团队整体方向都转向了，要把ai能力深刻融入到旧业务中，保持并扩大竞争力，缺点是发展是长期的、阶梯式的，短期内的探索可能也和api boy没什么区别，做做工程性的兜底工作，这部分完备了之后再从模型层面优化上限，适合实习+转正一直干下去，深耕垂直领域。本来应该还有第四种，就是完全的新业务、新技术，没有历史包袱，直接切入前沿，不过这种一般都在初创或独角兽，中大厂还没见过这样的，这种对应届生来说太赌了。不做基模的算法工程师，完全是在产品、工程、算法的夹缝中生存，“业务部门做模型”一方面需要公司的算力资源分散到具体业务部门，另一方面方案中永远有sota闭源模型api作为对比，用有限的资源在模型能力的长跑中跑赢头部基模厂太难，真的有志于炼丹的同学还是要想尽办法挤进基模组，否则就要做好“算法工程但和前沿大模型研究没什么关系”的心理准备。

3.25二面的，今天发ai面，大半个月都过去了，这是前面鸽穿了？

基础单选 基础多选NLP单选 2题NLP多选 2题编程题 3题（50分）编程题占分最少的一场，也是题目最简单的一场第一题给了两个长度为n的数组a和b，Alice和Bob分别轮流在1~n中选位置，直到把所有位置都选一遍，Alice选的位置积分ai-bi，Bob选的位置积分bi-ai，最后Alice总积分为A，Bob总积分为B，Alice想最大化A-B，Bob想最小化A-B，问最后A-B是多少，可以发现无论是Alice选还是Bob选，对A-B的贡献都是ai-bi，所以把所有ai-bi加起来就是答案第二题给了一个数字n(<=1e9)，求n以内的特殊的完全平方数的个数，要求这个数字本身是完全平方数，且可以按十进制数位拆成左右两个完全平方数，直接枚举完全平方数判断一下第三题给了一个长度为n的数组a，问k取1,2,...,n的时候，数组中相邻元素的差不超过k的、最长的子数组的长度是多少，这个按照相邻元素差的大小从小到大遍历，合并两边的数组，记录最大长度

房租top1贵，房补给多少房租涨多少，到处都是二房东，90年代老房子合租价抬得死贵，城建旧，地铁通勤效率不行，空气不行，水质不行，气候不行，明明是北方开春就一堆蚊子，再也不想去。

目前只有携程、美团、蚂蚁、阿里给了笔试，个人体感算法题都称不上难，纯粹就是拿算法竞赛里面的、别人不会专门去学的知识点卡人，非常没意思，而且像腾讯字节这种顶级大厂都已经完全不看笔试了，笔试完全就是为了合理刷人存在的，但如果真要刷人，笔试强也救不了简历拉胯、面试表现差，真的是越来越没意义。

出大数据结构题何意味，而且是最无聊的拼板子题，还必须默写板子，这都不是给ACM选手做的题了，这是给OI选手做的题，你招中学生去吧。选择题8题 一共20分编程题4题 一共80分第一题给定一个数组，将这个数组复制1e9次得到一个超大的数组，问这个新数组的最长严格上升子序列的长度，很明显可以每次复制都只选一个元素，所以答案就是数组中有多少不同的数，直接sort后unique即可第二题要用numpy、pandas、scikit-learn实现单层GRU前向传播，没时间做了第三题给定一个数组，要求将数组切割成任意个子数组，使得每一个子数组中的众数*数组长度之和最小，这题直接dp即可，用unordered...

基础单选题 7题 21分基础多选题 5题 15分NLP单选题 2题 6分NLP多选题 1题 3分编程题       3题 10+20+25分太难了，怎么出这种东西第一题给两个大整数x和y，最大1.2e6位数，问x*y是不是66的倍数，这里考察大数判2、3、11的倍数技巧，判2直接判个位数是不是2的倍数，判3把所有数位加起来判是不是3的倍数，判11把奇数和偶数位分开求和，然后相减，看差是不是11的倍数第二题要求用numpy、pandas、scikit-learn写单层GraphSAGE-Mean节点分类器，一看又是不会的，直接跑去看第三题了，最后也根本没时间尝试这题第三题给一个长度为n的字符串s，再给定一个整数k，要求恰好从s中的头尾删去一共k个字符，也就是前缀删l个字符，后缀删k-l个字符，要求留下的字符串字典序最小，这题纯考察后缀数组板子默写，比较暴力的做法是直接trie插节点然后剪枝或者sort自定义cmp排序，我一开始写了个trie试试，只过了13.64%，SA的sort版本也只有27.27%，必须写基排，这题非常不适合放在笔试，蚂蚁纯恶心人而且蚂蚁应该是这次做了以后，18个月内都不能再刷新笔试分数了，阿里系还要给笔试评级和面试一起综合评价，这波是恶心坏了，选对场次比什么都重要。

选择题8题，一题2.25分，一共20分编程题4题，一题20分，一共80分第一题求l到r内有多少个数字有奇数个因数，很明显是完全平方数的个数，所以答案是sqrt(r)-sqrt(l-1)第二题是写朴素贝叶斯二分类器，题面把整个过程都描述出来了，对着模拟第三题是给了一棵树，根是1，每个节点给了一个权值a[i]，然后每个节点x可以向x->1路径上第一个a[y]严格大于a[x]的节点y连一条边，最后要求每个节点到根节点1的最短路径长度，这个很明显在dfs的过程中维护单调栈找到连边，连完之后从1开始bfs即可第四题是给了一张无向图，每个点的点权是点编号+实时的度，q次询问，每次要么删一条边，要么问节点x所在的连通块里面最大的权值，这个离线询问用并查集来做，把所有query按顺序存下来，首先将所有要删的边删掉，把其他边连起来维护并查集以及集合内最大权值，然后倒着枚举query，遇到opt=1也就是删边的query就进行连边，维护并查集，遇到opt=2也就是查询就直接查询此时x节点所在的连通块最大权值，把答案记下来，最后按照询问的顺序把这些答案输出即可

选择题10道，一题2分编程题4道，一题20分第一题是求n!的个位数，很明显n>=5之后都是0了第二题是给定n,m<=1e18，要求一个最大的k，使得n可以被拆成k个素数之和，且奇素数的个数是m的倍数，考虑如果用大于等于7的素数，永远可以拆成一堆2+一个3，依然保持奇素数个数不变，所以导出结论：最优分解中一定是x个2和y*m个3这样的结构，那么考虑x*2+y*m*3=n，得到x=(n-3*m*y)/2，目标x+m*y就变成了(n-m*y)/2，其中x>=0，y>0，所有数都整数，所以判断答案是(n-m)/2还是(n-2m)/2还是无解即可第三题必须python，要求用scikit-learn处理一个训练集/测试集，做无监督聚类，完全不会，根本没用过第四题给定一个长度为n(<=1e5)的数组a，一个正整数q(<=1e5)，接着是q个询问x(<=5e5)，每次询问要求输出sum(a[i]) for i&x==i，考虑枚举子集预处理答案，首先求maxbit使得2^maxbit大于n，枚举子集处理所有2^maxbit状态，一定覆盖所有的i，然后对于询问x，其求和等价于x与2^maxbit–1按位与之后再求和，而这个和是预处理过的，直接输出即可，枚举子集的复杂度是maxbit*2^maxbit，也就是nlogn，不会超时

此时此刻，2026年的3月这个时间，llm驱动的agent这一新应用范式已经在coding领域深度扎根，被广泛认可，需要意识这种成功源于两个方面：一是底层llm能力迈过了“能用”的门槛，并且越来越“好用”，差不多一年前，Anthropic发布sonnet 3.7，那时候就已经是“可用”了，未来llm会成为像数据库、消息队列一样的常用组件，集成进各种系统里；二是coding场景天然适合agent应用，一切开发相关的上下文被装进了文件系统和ide，为agent应用做好了所有必备的信息集成，同时bash等命令行工具为agent提供了高效操作文件的能力。两者叠加，才有了vibecoding的繁荣。那么从vibecoding中可以得到什么启发呢，一方面是llm可以通过训练真正胜任下游任务，这条路被证明是通的，另一方面是以目前的agent范式应用llm能力，首先要对需要应用的场景做信息集成、能塞进llm的上下文，然后是要给llm构建足够强大、高效的动作空间，使其操作环境里的数据完成任务。上面说的两个方面，其实就是需求激增的两种“AI工作”的方向，一个是做垂类的算法岗，一个是开发或者说应用岗。算法岗需要“卷”的，是深刻理解模型在具体场景下的工作范式，构建可靠的评测集测试现有模型的能力边界和缺陷，掌握针对性提升能力的数据构建，探索最高效的模型训练方法，让通用基座模型深度适配垂类场景，在现在这种早期阶段，算法岗也不乏需要参与新工作范式的设计和落地，说白了就是承担一部分开发相关的工作。开发岗需要“卷”的，是对业务本身的革新思考，目前的软件生态是移动互联网时代发展来的，与用户的交互逻辑是严谨、固定流程的，而ai灵活的处理能力，赋予了软件设计极大的想象空间，正因为过于灵活，agent等新应用范式的规范设计就显得更加重要，现在可以是agent，以后也可以是别的什么，总的来说，是要梳理客观上能表征业务场景全部信息的数据，集成到一个环境中，这个环境里面还需要开发对数据的所有操作指令，然后给llm通过提示词来说明如何在这个环境中工作，这个过程需要反复的试错，还要测试模型能力的上限和缺陷，给算法提需求。分析了这些之后，考虑作为一个校招生，想要进入一家公司做这样的工作，需要“卷”什么呢？可以看出业务侧垂类算法的核心已经不触碰底层模型架构了，更多依赖数据驱动，以及高效的后训练，和推理优化，所以这里要卷什么，没必要再赘述，agent时代之前算法也是做这些，无非是面向的场景数据变了。对于应用岗，初学AI很容易被一些看似“先进”的概念吸引，以为找AI工作就是去记什么是react，什么是mcp，什么是skill，什么是上下文管理，但通过上面的分析我们知道，这些只是“实现信息集成、实现数据操作”的具体方法，现在处于行业爆发早期，很有可能不久就被更好的设计迭代掉了，如果只把精力投在这上面，一方面这些东西从技术层面都是很简单的处理，没什么深度，一堆造词造概念，谁都能轻松掌握；另一方面，没有真正探索llm强大、灵活的能力，只是复现别人总结的使用方法。一定要摒弃移动互联网时代Java后端那种“找个集成所有技术栈的项目全手写一遍”的想法，之前这样有用，是传统互联网开发的模式导致的，只要成为一个好用的螺丝钉就行了，在哪都是写那套东西，用那套技术栈。但AI时代不一样，尤其现在是早期，AI带来的技术栈增量非常小，因此除了传统开发方向的技术栈之外，应该卷的是基于AI灵活的能力，找到新的应用场景、交互模式，并针对场景设计开发应用AI的方法，这里完全可以天马行空，不会有什么这里要用redis这里要用mysql这里要用mq的技术包袱，大胆去尝试，做出不一样的东西，有想法才是AI时代的破局之道。

hr面被问过，脑子直接宕机了，我一个还没上过班的学生，怎么知道自己哪些是优点哪些是缺点

其实只要准备好了，什么时候都能投，且越早准备好、越早开始投越好，会考虑这种问题，多半是简历有些非常明显的短板需要补全，如果是这种情况，一月二月可以沉淀，3月也得开始投了，从投递到测评到笔试到进面还要不少时间，简历可以适当贷款（已经完全设计好了要怎么做只是还没花时间做），贷款工作量不要超过一个月，这样基本上面试的时候不会因为不懂自己做的东西露怯。