每年二月底到四月初是鹅厂暑期实习面试最集中的时期。机器学习岗作为算法类岗位中的热门方向投递量大、考察维度多从简历初筛到技术面到HR面每一环都能筛掉不少人。这篇文章我把自己的整段经历做个完整复盘包括时间线、简历准备、笔试策略、技术面考点以及几轮面试里被追问得很深的细节。算不上什么标准答案但如果你正在准备算法岗暑期实习尤其是冲着大厂去的这份经历应该能帮你把准备方向理得更清楚。1. 从投递到OC暑期实习面试的时间线全梳理先说整体节奏。鹅厂的暑期实习招聘启动时间一般比较早提前批通常在过完年之后、二月底到三月初就会放出来。提前批的好处是流程独立于正式批岗位HC更充足而且面试不通过一般也不影响后续正式批的投递。我当时是卡着提前批窗口投的走完所有流程大概是三周左右属于比较顺畅的节奏。整个流程大概是这样的投递简历提前批开放后尽早投递机器学习岗一般选择技术方向“机器学习”或“算法工程师”可以同时填写意向部门和是否接受调剂。在线笔试投递后大概一周左右收到笔试通知统一安排在周末晚上。题量不小编程题为主也有部分机器学习和数据结构基础选择。一面技术面笔试通过后一周内安排。主要考机器学习基础、深度学习基础、经典模型推导穿插一两道手撕算法。二面综合面一面通过后大概三到五天安排。更侧重项目和综合能力会深挖项目细节、考察解决问题的思路也会有开放性的系统设计或场景题。三面HR面或主管面二面之后终面主要关注综合素质、实习时间、转正意向、团队匹配度。我个人的感受是整个流程中每一轮之间的间隔不会太长所以建议在投递简历之前就把基础知识和项目经历打磨到位。不要指望一面和二面之间有充足的时间集中复习——那种“先投了再准备”的思路在节奏很快的暑期实习招聘里很容易翻车。另外一个容易忽略的点是不同事业群、不同部门的面试风格差异还挺大的。有的部门特别喜欢考深度学习框架底层细节有的部门更看重业务理解力和AB实验思维。不过整体来看机器学习基础、代码能力、项目深度这三个维度是几乎所有部门都会重点考察的先把这三个基本面打扎实不会有错。2. 简历关和笔试过第一道筛子的准备方式2.1 简历上的机器学习项目怎么呈现很多人以为简历关主要看学校、看竞赛、看论文这些确实重要但我觉得更关键的是“你在机器学习项目里到底做了什么”。我见过不少简历学校背景和GPA都很漂亮但项目经历写得很空比如“使用BERT模型完成文本分类任务准确率达到95%”就没了。这种写法在技术面里非常危险因为面试官一眼就能看出你没有深入思考追问三句就会露馅。一段能打的机器学习项目经历至少应该包含这几个要素问题背景和业务价值、数据情况和特征工程思路、使用的模型及选型理由、离线评估和线上效果的差异、踩过哪些坑如何解决的。我自己的简历上重点写了两个项目。一个是文本分类相关的另一个是推荐系统召回方向的。在写项目描述时我没有堆砌太多花哨的模型名称而是把每个关键决策都交代清楚。比如推荐召回项目里为什么从协同过滤换到双塔模型负样本怎么采样离线AUC提升了但线上指标没涨是为什么——这些细节才是面试官真正想看的。如果你现在简历上的项目还不够深建议在投递之前赶紧补救一下把某一个项目做到“能扛住连续追问一小时”的程度比做五个浅尝辄止的小项目有用得多。2.2 笔试题型分布与刷题策略鹅厂暑期实习的在线笔试题型一般为选择题编程题。选择题覆盖机器学习基础、深度学习基础、数据结构与算法、概率论与统计学偶尔会有少量SQL或Linux相关题目。编程题通常是3到4道难度在LeetCode Medium为主偶尔有一道Hard难度压轴。选择题部分往年的高频考点包括偏差方差分解、过拟合与正则化、各类损失函数的性质、梯度下降的变体、卷积核参数量计算、RNN的梯度问题、注意力机制的计算方式、朴素贝叶斯假设、SVM对偶问题等。这些内容看起来很基础但如果不专门过一遍很容易在细节上翻车。我当时的选择题准备方法是把《机器学习》周志华版和《深度学习》花书的重点章节重新过了一遍把公式推导自己写了一遍。这里说的“过一遍”不是看书而是合上书从零开始推。比如逻辑回归的损失函数怎么来的Softmax交叉熵的梯度推导过程SVM的KKT条件和核函数的作用原理——这些如果面试官让你现场推推不出来会很尴尬。编程题的话我刷的主要是LeetCode的Top 100和剑指Offer重点攻克了数组、链表、二叉树、动态规划、哈希表这几类题型。笔试的编程环境一般是牛客网风格需要自己处理输入输出和LeetCode那种函数填空的模式不太一样提前适应一下很重要。3. 机器学习基础类面试一面最爱考察的几个方向3.1 经典模型与理论推导一面问到机器学习基础几乎绕不开逻辑回归、决策树、SVM、贝叶斯这几个经典模型。面试官考察的方式往往不是“你用过哪些模型”而是直接抛出一个问题让你现场分析。我印象比较深的一个问题是“逻辑回归的损失函数为什么是交叉熵而不是均方误差”这个问题表面上是问损失函数选择实际上是在考察你对梯度下降优化过程的理解。关键在于如果用均方误差作为逻辑回归的损失函数得到的梯度表达式中含有sigmoid的导数项而sigmoid在饱和区导数趋近于零会导致梯度消失、收敛极慢而交叉熵损失求导之后刚好把sigmoid的导数项消掉了梯度变成预测值和真实值之间的差值优化效率高得多。回答这个问题时最好能现场把推导过程写出来会让你在面试官心中的分数提升一个档次。另一个高频考点是树模型。从ID3的信息增益、C4.5的信息增益率到CART的基尼系数再到Random Forest和GBDT的区别与联系。XGBoost和LightGBM的细节也是面试官特别喜欢追问的地方比如XGBoost为什么用二阶泰勒展开LightGBM的直方图算法和叶子生长策略优化了什么等等。我建议把“为什么这样设计”作为复习的主线而不是只背结论。比如正则项引入的原因、特征增益的计算方式、树的剪枝策略——这些内容理解了之后不管面试官从哪个角度切入你都能把逻辑讲圆。3.2 深度学习高频考点深度学习方面的考察集中在CNN、RNN、Attention和Transformer这几个大块。我当时被问到的具体问题包括卷积层的参数量和感受野怎么计算、Batch Normalization在训练和推理阶段有什么区别、RNN为什么会梯度消失、Transformer的多头注意力为什么要做多头、位置编码为什么要用正弦余弦函数等。这些东西看起来是基础知识但很多细节如果你平时只是调包使用不一定能答得准确。比如BN在训练时用的是当前batch的均值和方差但推理时用的是训练阶段滑动平均统计得到的全局均值和方差——这个区别很多人知道但被追问“为什么推理时不能直接用batch统计量”时不一定能答得清楚。核心原因在于推理时如果batch size过小batch统计量的波动会很大导致输出不稳定所以要用全局统计量来保证推理结果的一致性和确定性。深度学习的准备上我建议除了理解原理还要能画清楚数据流向。比如一个Tensor经过卷积、BN、ReLU、Pooling后维度是怎么变化的Transformer的输入经过Embedding、位置编码、多头注意力、前馈网络后中间每一步的shape如何变化。能把这些细节流利地讲清楚面试官会认为你对模型的理解不是停留在API调用层面。3.3 场景题和开放题的回答思路场景题在机器学习岗面试中占据了越来越重要的位置因为它最能体现候选人的工程思维和解决实际问题的能力。高频场景题包括正负样本极度不均衡怎么办、新业务冷启动没有历史数据怎么做推荐、线上A/B实验效果不稳定如何排查、训练集和线上特征分布不一致如何检测等。我自己的答题思路可以概括为四步明确目标、拆解问题、给出方案、分析兜底。拿“样本不均衡”这个经典问题来说我不会一上来就甩出一堆方法而是先问清楚场景是什么任务、不均衡比例大概多少、业务上更看重哪类样本的准确率。然后按照数据层面采样、数据增强、特征层面构造更能区分少数类的特征、模型层面调整类权重、使用Focal Loss、评估层面使用PR曲线或AUC替代准确率这几个维度来组织回答。这种结构化回答方式的好处是面试官能清楚地看到你的思路也方便在某一环节展开追问。不管最后方案是否能真正落地至少说明你有完整的思考框架而不是零散的知识点堆砌。4. 手撕算法现场从读题到调试的完整节奏大厂算法岗面试几乎每轮都会安排手撕代码环节。我遇到的情况是一面一道算法题二面也有一道难度大约是LeetCode Medium偏高一点。这类题目的现场表现会直接影响面试官对你的评价所以值得单独拿出来重点复盘。4.1 算法题的常见出题范围和我的准备优先级根据我自己的经历和身边同学的反馈机器学习岗面试手撕算法的出题范围和纯后端开发岗还是有一些区别的。最常出现的几类包括题型分类常见具体题目推荐掌握程度二叉树层序遍历、最近公共祖先、路径总和必须熟练动态规划最长上升子序列、编辑距离、打家劫舍系列必须熟练哈希表两数之和、字母异位词分组、最长无重复子串必须熟练排序/双指针合并区间、三数之和、接雨水建议掌握回溯全排列、子集、组合总和建议掌握图拓扑排序、岛屿数量、课程表视情况掌握我准备算法题的策略是先把高频题型的模板代码写熟比如二叉树递归框架、DFS/BFS框架、动态规划的套路再通过刷一定量的题来巩固。LeetCode刷题数量不求多重点在于每道题都能做到“拿到题后在白板上从思路到代码一次写对”。4.2 现场手撕的四个关键细节手撕代码和平时刷题最大的区别在于面试官不仅看结果更看你的思考过程。我在现场面试中总结出几个关键细节第一拿到题目后不要急着写代码。先和面试官确认清楚题目的输入范围、边界条件、时间复杂度的要求这既是专业性的体现也给自己争取了整理思路的时间。把思路用一两句话先表达出来比如“我打算先对数组排序然后用双指针从两端向中间逼近”面试官如果觉得方向不对也会及时纠正你。第二写完代码之后一定要主动过一遍测试用例。不要等面试官来提醒你“你有没有考虑过边界情况”。我当时做一道树相关题目时写完主体代码后主动补了一个空树的测试用例面试官明显露出了认可的神情。这种主动性在面试中是很大的加分项。第三如果发现代码写错了不要慌张更不要动手就删。先分析是哪里出了问题用口头表达的方式把当前的状态和排查思路说清楚。有时候面试官其实是在观察你排除bug的思维方式即使没有一次写对如果能快速定位问题并提出修复方案评价一样不会差。第四哪怕题目没完全做出来也要把已完成的思路和代码展示出来。我有一道二面的算法题在最后一步优化上没有想得很清楚但我把暴力解的正确代码写出来了然后说明了优化的思路方向。最后顺利通过了二面说明面试官认可的是你在有限时间内最大化呈现自己思路的能力。5. 项目深挖与思维考察的二面在追问中展示底层理解5.1 项目重述的框架化表达二面的核心是项目深挖。面试官手上会有你简历上的项目描述但他们的目的绝不是让你重复一遍简历而是通过各种追问来验证你究竟参与了多少、理解有多深。我在二面被问到项目时采用的表达框架是“背景-问题-方案-量化收益-反思”。背景部分控制在一两分钟内说明业务场景和我们要解决的核心问题问题部分讲清楚技术上真正的难点在哪里方案部分详细展开自己做的部分包括特征怎么处理、模型怎么选型、训练中遇到的问题怎么调试量化收益给出具体的数字比如离线AUC从0.82提升到0.87线上点击率提升百分之几最后反思部分讲一下如果重新做一次哪里会做得不一样。这个框架的好处在于既能展现你的技术深度又能让面试官看出来你有全局视角。很多人讲项目容易陷进细节里讲了一堆数据处理和调参细节但面试官其实想听的是你怎么定义这个问题你有哪些可选的方案为什么选了这个方案这个决策带来了什么结果。5.2 容易被追问的“魔鬼细节”项目深挖中面试官特别喜欢在几个方向上做连环追问。一个方向是训练数据的问题你的数据从哪里来、做了哪些清洗、标签怎么定义的、正负样本比例多少、有没有处理数据泄漏。我当时在项目里用到了一个多模态特征拼接的方案面试官追着问“这两个模态的特征在拼接之前分别做了哪些归一化为什么”另一个方向是模型调优的过程你尝试过哪些超参数组合、如何搜索的、最终选了哪组、为什么不考虑更大的模型、训练时间成本如何控制。面对这类问题最好的状态是你真的有实际调参经验能说出具体的数值范围、观察到的训练曲线变化和调试过程。还有一个方向是评估体系为什么用AUC而不是logloss离线指标和上线后的业务指标有什么区别有没有出现过离线涨线上跌的情况怎么排查的。这些追问没有标准答案关键是展现你的思考。5.3 开放型系统设计题的应答框架除了项目本身二面还常常出现一些开放型的算法系统设计题比如“如果让你设计一个新闻资讯的推荐系统你会怎么做”。这类问题不期待你给出一个完整的工业级实现方案而是在考察你如何将机器学习的知识体系化地应用到一个具体业务场景中。我的回答思路是分层推进。先确认用户规模和主要场景再讲数据层用户行为日志、物品信息、上下文特征然后是召回层多路召回热门召回、协同过滤召回、向量召回、排序层粗排、精排、重排最后是评估和迭代策略离线评估、AB实验、反事实评估。每个环节我都会给出选型理由和可能出现的问题。面试官在听完整体框架后通常会在某一个具体环节展开追问。比如“向量召回怎么更新模型”“新用户没有行为数据怎么做召回”“推荐结果总是聚集在某几个热门类目怎么办”。这些追问本质上都是在考察你对机器学习系统整体运作流程的理解深度而不只是模型本身。6. HR面、横向比较与暑期实习的终局选择6.1 HR面问什么、考察什么技术面全部通过之后鹅厂的流程会安排HR面。很多人以为HR面就是走个过场但实际上HR在暑期实习招聘中拥有相当大的话语权尤其是对“能不能来实习”和“转正稳定性”的判断。HR面常见的问题包括你对这个岗位的理解、为什么选择腾讯而不是其他公司、你实习期间的目标、你的职业规划是什么、你有没有其他公司的offer在手、你能实习的时间周期是多长。这些问题表面上是在了解你的求职意向实际上是在评估你的offer接受意愿。如果你表现得很犹豫或者手里有其他offer但又说不出选择的理由HR大概率会把你的优先级往后放。我当时在HR面时提前了解了一下面试部门的产品方向表达了具体的工作兴趣同时说明了自己能够实习的时间段。另外对于“有没有其他offer”这个问题我如实回答了有几个流程在推进中但也强调了腾讯在机器学习业务场景上的吸引力。真诚但要有倾向性是HR面中最合适的姿态。6.2 横向对比如何判断一个暑期实习offer值不值得去拿到offer之后还面临一个选择问题。暑期实习对于后续转正和秋招的影响非常大所以值得认真做横向对比。我总结下来有这么几个判断维度团队的技术方向是否匹配你的长期规划、导师是否愿意带人培养、业务场景的数据量和覆盖面、转正HC的往年情况以及大厂平台背书对秋招的增益。相比薪资待遇我更看重团队和业务这两个维度。暑期实习时间只有两三个月如果团队业务处于探索期、数据量有限你能接触到的工作内容会比较受限制反之如果业务数据规模大、场景丰富即使做的事情不大学习密度也会高很多。我个人得到的一个很真实的感受是面试中你和未来导师的交流状态可以作为重要参考。如果面试时你们的交流让你觉得技术判断很一致、问题讨论得很顺那么入职后的磨合成本通常会低很多。技术能力可以在岗位上慢慢积累但合作顺畅度在中短期内很难通过单方面努力改变。6.3 拿到offer后的准备清单在确认offer并离入职还有一段时间时我建议不要把这段空窗期完全拿来放松。可以做一个简单的入职前准备规划几个方向可以参考第一把团队所在的业务方向做一些调研了解产品形态、核心用户、主要竞品。第二针对性的选题学习比如团队主打推荐系统就重点复习协同过滤、双塔模型、特征工程和AB实验流程。第三把Python编程和常用深度学习框架的操作熟练度再提升一下比如PyTorch的DataLoader、分布式训练、模型保存和部署的基本流程。第四动手写一份个人研究笔记把自己做过的项目和熟悉的模型整理成体系化文档入职之后可以快速回顾和继续扩展。这些准备不一定每项都会在实习中直接用到但确实能帮你更快进入状态。我当时在入职前把推荐系统相关的经典论文和团队公开的技术博客读了一遍入职第一周跟导师聊业务时明显比完全没了解过的同期实习生要从容得多。7. 回顾与建议复盘这段鹅厂暑期实习面试的收获与教训回头看这段面试过程最大的感受是机器学习岗的暑期实习考察核心不在于你知道多少模型结构或调包出多高的准确率而在于你有没有在最底层把机器学习的逻辑理解透彻以及你能不能清晰地表达这种理解。准备过程中我觉得最有帮助的三个习惯一个是把经典模型的公式从头推一遍一个是把项目经历里的每一个决策都问一遍“为什么这么做替代方案是什么”还有一个是模拟面试的时候刻意练习先说思路再写代码的表达方式。这三个习惯坚持下来对面试的覆盖效果比做很多零散的题更明显。对于接下来要投递暑期实习的同学我还有一个比较实用的建议尽量早点投递简历提前批的窗口期一定不要浪费。即使你觉得自己还没完全准备好也可以先投递试试水对流程熟悉一遍之后正式批的表现概率会大很多。另外在面试过程中要注意记录每轮面试被问到的问题尤其是没答好的部分。我当时建了一个文档记录了每场面试的高频问题和自己卡壳的地方面试结束后及时复盘补漏。这个方法虽然简单但对后续轮次的帮助非常大因为你很容易发现不同面试官的关注点是有规律的而补上这些知识盲区往往能在一两天的集中复习内完成。最后一点想说的是面试心态也很重要。算法岗面试和考试最大的不同在于它更像是一个双向沟通的过程。面试官考察你不是为了刁难你而是在判断你是不是一个值得培养的候选人。所以哪怕遇到不太会的问题保持冷静、说出你已经理解的部分、再诚实表达哪些部分不熟悉永远好过不懂装懂。面试官大多经验丰富一眼就能看出来你是否在背答案。真实的技术水平和真实的思考状态最终都会被准确评估的。希望这份面经能帮到正在准备机器学习暑期实习的你。祝面试顺利。