2020年秋招我投了乐鑫科技算法岗笔试和面试一路走下来最直观的感受是这家公司不太爱考互联网大厂那种“脑筋急转弯”式的偏题怪题反而把大量考点压在了基本功上。KMP的next数组推导、嵌入式场景里的PID整定、音频重采样、手写快速幂再加上端侧机器学习里的量化部署几乎每一个方向都在反复试探“你到底有没有真正做过工程而不是只会刷题”。如果你正在准备乐鑫这类IoT芯片公司的算法岗或者想了解物联网场景下的算法面试到底考什么这篇复盘值得认真看完。我不会只贴答案会把题目背后的考察逻辑、推导过程和踩坑经验一起讲清楚。1. 乐鑫笔试的整体结构与高频算法考点1.1 笔试形式选择题加编程题考察面比想象中宽2020届秋招乐鑫算法类笔试整体给我留下的印象是题量不算大但覆盖面比较广。题型主要分两大部分第一部分是选择题第二部分是编程题。选择题考察的范围大致包括数据结构、基础算法、机器学习基础还有一部分C语言和嵌入式系统的基础知识。这跟互联网大厂算法岗笔试有很大差异很多大厂会集中在深度学习模型、推荐系统、CV或NLP方向出题但乐鑫作为一家做IoT SoC芯片的公司算法岗并不纯粹是互联网算法它更关注的是在资源受限的嵌入式设备上跑算法的能力。编程题则基本都是经典题没有太多花哨的包装。我在考场上遇到的是字符串匹配和排序相关的问题整体难度大概在LeetCode中等偏下这个区间。但别因为难度不高就放松恰恰是这些基础题最容易在细节上扣分。1.2 高频考点统计与备考侧重结合我自己的考试经历和周围一起投递乐鑫的同学反馈我把高频考点整理成了下面这张表方便你有针对性地复习考察方向具体考点出现频率备考优先级字符串算法KMP算法、next数组求解、朴素匹配极高必考基础数据结构链表反转、栈与队列、二叉树遍历高必考排序算法冒泡、快速排序、堆排序、归并排序高必考数值计算快速幂、大数运算、位运算中高重点准备动态规划与贪心01背包、LIS、硬币找零中重点准备嵌入式算法音频重采样、PID控制、卡尔曼滤波中特色考点智能优化算法粒子群算法、模拟退火、遗传算法低中了解原理机器学习基础逻辑回归、KNN、SVM、聚类中视岗位方向而定端侧AI部署模型量化、剪枝、轻量化网络中特色考点这里我觉得有必要多提一句很多同学准备算法笔试时只刷LeetCode这在投递乐鑫时会吃亏。嵌入式算法考察往往是选择题里出现比如给你一个PID控制器的输入输出场景让你选择正确的增量式PID公式或者给你一段重采样需求问你采用什么插值方式最合适。这类题靠刷题刷不出来必须对原理有真正的理解。1.3 时间分配策略选择题别恋战编程题要稳乐鑫笔试的选择题里经常会出现一些需要现场推算的题目比如给一个模式串求next数组或者给一组数据手算堆排序的过程。这类题一旦开始算就容易陷进去我的建议是每道选择题控制在一分半以内算不出来先标记跳过把时间留给编程题。编程题虽然难度不高但如果你追求一次通过需要考虑边界条件。题目本身很友好但越是简单的题目测试用例往往越刁钻。空字符串、单字符字符串、字符串中只有一种字符这些边界情况在写代码时一定要提前处理。2. KMP的next数组一道题看出基本功是否扎实2.1 真题还原模式串abacaba的next数组推导乐鑫笔试的选择题里有一道非常经典的原题题目大概是这样的在KMP算法中对于模式串 pabacaba其next数组next[i]定义为模式串前i个字符的最长相等真前缀和后缀的长度是多少我第一次看到这道题时差点被绕进去因为KMP的next数组存在好几种约定写法不同教材的定义方式不一样。有的教材定义next[i]为“失配后跳转的下一位置”有的定义next[i]为“前i个字符构成子串的最长相等真前缀后缀长度”甚至还有从0开始还是从1开始的下标差异。面对这种题首先必须确认题目用的是哪种定义。从题目括号里的描述看它用的是“前i个字符的最长相等真前缀和后缀的长度”这个定义。那我们就按这个约定来推导。所谓真前缀指的是不包括字符串自身的前缀真后缀同理不包括字符串自身的后缀。所谓“最长相等真前缀和后缀”就是看这个子串的开头和结尾能不能有一部分相等而且这部分尽量长但不能是整个子串本身。2.2 一步一步手推abacaba的next数组我们要对模式串pabacaba的每一个前缀分别求最长相等真前后缀长度。为了后面方便引用前缀长度用len表示对应的子串就是p的前len个字符。当len1时子串是a。真前缀集合和真后缀集合里都只有空串相等的最长真前后缀长度是0所以next[1]0。当len2时子串是ab。真前缀有a真后缀有b不相等所以next[2]0。当len3时子串是aba。真前缀有a、ab真后缀有ba、a其中a是相等的前后缀长度为1所以next[3]1。当len4时子串是abac。真前缀是a、ab、aba真后缀是bac、ac、c没有相等的所以next[4]0。当len5时子串是abaca。真前缀是a、ab、aba、abac真后缀是baca、aca、ca、a只有a相等所以next[5]1。当len6时子串是abacab。真前缀里有a、ab、aba、abac、abaca真后缀里有bacab、acab、cab、ab、b注意这里ab既是真前缀子串的前两个字符又是真后缀子串的最后两个字符长度为2所以next[6]2。当len7时子串是整个abacaba。真前缀和真后缀中aba是相等的最长前后缀长度为3所以next[7]3。最终结果就是next[1]0next[2]0next[3]1next[4]0next[5]1next[6]2next[7]3。如果题目要求以下标0为起点那就是next[0]0next[1]0next[2]1next[3]0next[4]1next[5]2next[6]3。看到这里你可能会问为什么next[1]不是1因为最长相等真前后缀要求前缀和后缀都不能等于子串本身如果next[1]1那就意味着前缀a等于整个子串a这不符合“真”的定义。这个细节是很多人在考场上失分的原因一定要记住。2.3 两种next数组定义的差异考场上最容易踩的坑上面推导用的约定是“最长相等真前后缀长度”但如果你看过下一节KMP匹配过程的传统写法你可能会遇到另一种next定义next[i]表示当第i位失配时模式串应该回退到哪个位置。这种定义下一般令next[0]-1next[1]0然后规律是在“最长相等真前后缀长度”的基础上整体右移一位加1。举个具体例子pabacaba。按第一种定义最长相等真前后缀长度next数组为next[0]0, next[1]0, next[2]1, next[3]0, next[4]1, next[5]2, next[6]3按第二种定义失配跳转位置数组往往写作next[0]-1, next[1]0, next[2]0, next[3]1, next[4]0, next[5]1, next[6]2如果题目没有在括号里说明定义你需要根据选项反推它用的是哪种。我一般在考场上会先在草稿纸上按“最长相等真前后缀长度”算一遍再看选项里有没有对应值如果有就直接选如果没有再按“右移加一”的方式转换一遍。这个方法非常省时间。2.4 为什么KMP能保证线性复杂度失配回退的巧妙之处搞明白next数组的求法之后面试官大概率会追问一句KMP为什么能做到O(nm)的时间复杂度暴力匹配最坏情况是O(n*m)KMP靠的是什么这里我的理解是KMP的本质是“利用已经匹配过的信息避免重复扫描主串”。暴力匹配在失配时主串指针i要回溯到本次匹配起点的下一个位置模式串指针j回到0这导致大量的字符会被重复比较。而在KMP中主串指针i从不回退模式串指针j通过next数组跳到一个合理的位置继续从失配处开始比较。主串指针i不回退这意味着整个匹配过程主串最多被扫描一遍所以主循环的时间复杂度是O(n)。而next数组的求解过程也是一个线性扫描模式串的过程复杂度是O(m)两者相加就是O(nm)。这是KMP算法的核心价值所在。我在面试时一般还会补充一个细节虽然KMP理论复杂度优于一些其他匹配算法但在短文本、短模式串场景下由于需要额外维护next数组实际性能不一定比朴素的暴力匹配快多少。面试官问这个多半是在考察你是否理解算法的适用边界而不只是背复杂度。3. 嵌入式场景算法音频重采样与PID控制的实战考察3.1 音频重采样IoT芯片上跑音频算法的基础操作乐鑫做的是Wi-Fi MCU、蓝牙SoC这类产品音频处理是常见的应用方向。比如智能音箱里的麦克风阵列采集或者音频播放、语音识别的前端处理都会遇到采样率不匹配的问题。我之前在实际项目里就遇到过音频采集模块输出的是16kHz采样率的PCM数据但后端的语音处理库要求输入8kHz这个转换过程就是音频重采样。重采样的核心原理并不复杂就是把一个采样率下的离散序列映射到另一个采样率下。最简单、也最容易理解的方法是线性插值。假设要把16kHz的音频降为8kHz每两个原始采样点中取一个就能实现但如果目标采样率不是整数倍关系比如从44.1kHz转成48kHz就需要通过插值计算新采样点的值。线性插值的公式很直接y x1 (t - t1) / (t2 - t1) * (x2 - x1)这里t落在原始采样点t1和t2之间x1、x2是这两个采样点的幅值y就是插值的结果。但实际工程中线性插值的频谱特性不够好会对高频成分产生一定程度的衰减和混叠。所以在音频质量要求高的场景里工程上更多会使用多相滤波器Polyphase Filter配合抽取和插值来做重采样。笔试或面试里考到这块时我建议把重点放在“为什么需要抗混叠滤波”上。简单说采样率降低时如果原始信号中存在高于目标采样率二分之一频率的成分这些成分会折叠到低频区域造成不可逆的失真。所以降采样之前必须先经过低通滤波滤除高频成分。这个原理和奈奎斯特定理是一脉相承的。3.2 PID控制面试官真正想听的不仅是公式PID应该是乐鑫算法岗面试中最高频的控制算法概念了。它的全称是比例-积分-微分控制公式写出来并不长u(t) Kp * e(t) Ki * ∫e(τ)dτ Kd * de(t)/dt其中e(t)是当前误差Kp、Ki、Kd分别是比例、积分、微分系数。比例项对当前误差做出即时反应积分项消除稳态误差微分项提前抑制误差变化趋势。但面试官问到PID时如果你只背公式基本等于没答。我遇到的情况是面试官会结合嵌入式场景继续追问在MCU上实现PID控制时你选择位置式还是增量式为什么这里我展开说一下。位置式PID的输出直接是控制量的绝对值而增量式PID的输出是控制量的增量。二者的关系是这样的增量式PID的控制增量Δu(k)只跟最近三次误差有关Δu(k) Kp * [e(k) - e(k-1)] Ki * e(k) Kd * [e(k) - 2*e(k-1) e(k-2)]这个形式在嵌入式系统里非常实用因为它只需要保存最近两次误差值不做误差的累加计算量很小也天然避免了积分饱和问题。而且增量式输出的可控范围更平滑在电机调速、温控这类实时系统中不容易因为控制量突变而损伤执行机构。所以我的回答思路一般是先讲清楚PID三个分量的物理意义再说位置式和增量式的区别最后结合嵌入式场景说明增量式在算力、存储、安全性上的优势。这样一条线下来面试官能明确看出你对控制算法的理解不是背出来的。3.3 粒子群算法与PID参数自整定的结合在乐鑫的题目里粒子群算法PSO出现过不止一次。它属于群智能优化算法灵感来自鸟群觅食。每个粒子代表解空间中的一个候选解粒子根据自身历史最优位置和群体历史最优位置来调整速度从而逐步逼近全局最优。粒子群的速度和位置更新公式是笔试和面试常考的点v(i) w * v(i) c1 * r1 * (pbest(i) - x(i)) c2 * r2 * (gbest - x(i))x(i) x(i) v(i)其中w是惯性权重c1和c2是学习因子r1和r2是[0,1]之间的随机数pbest是粒子自身历史最优位置gbest是整个群体的历史最优位置。我印象比较深的是乐鑫的考题里曾经把粒子群和PID整合在一起问可以用什么算法自动整定PID参数答案是粒子群或遗传算法这类群体智能优化算法。把Kp、Ki、Kd编码成粒子的三维位置用系统的ITAE指标时间乘以绝对误差的积分作为适应度函数然后通过迭代寻优找到最优参数组合。这种方式避免了人工试凑参数的低效也是工业场景里实用的方法。在理解粒子群时我习惯把它和模拟退火、遗传算法做对比。模拟退火是单点搜索通过温度参数控制接受劣质解的概率容易得到不错的局部最优解遗传算法通过选择、交叉、变异实现种群进化适合离散组合优化问题粒子群则胜在实现简单、收敛快适合连续实数空间的优化。面试中遇到对比题从这三个维度回答基本就不会偏。3.4 补充卡尔曼滤波与FOC算法在IoT场景的位置热词里出现的卡尔曼滤波和FOC算法在乐鑫算法岗的面试中也偶尔被点起草。卡尔曼滤波常用于IMU姿态解算和多传感器融合它的核心是预测与更新两个步骤通过最小化估计误差的协方差来融合观测数据。如果你投的是机器人和控制方向的算法岗卡尔曼滤波基本是必问项。FOC磁场定向控制则是电机控制领域的经典算法把三相电流解耦为d轴和q轴分量分别控制常用于平衡车、无人机电调等场景。这些属于乐鑫算法岗位中偏嵌入式控制的特色考点建议有精力的话可以了解一下基本原理。4. 手撕代码的现场关卡快速幂、动态规划与贪心4.1 快速幂从暴力循环到二进制幂次的思维跃迁笔试编程题和现场手撕代码里快速幂是一道非常经典的题目。题目描述一般很简单实现一个函数计算 a 的 b 次方对 m 取模的结果。最直观的做法是循环相乘时间复杂度是O(b)。如果b是10的9次方量级这个写法在C里基本等着超时。面试官会在你写完暴力解法后追问能不能优化到O(log b)快速幂的核心思路是把指数b看成二进制数利用幂运算的性质将乘法次数降到对数级。举个例子计算a的13次方13的二进制是1101也就是13 8 4 1所以a^13 a^(841) a^8 * a^4 * a^1我们只需要从a开始不断自乘得到a、a^2、a^4、a^8然后根据b的二进制位把需要的项相乘即可。迭代写法的C模板我贴出来这是我每次面试前都会默写一遍的版本long long fastPow(long long a, long long b, long long m) { long long ans 1 % m; a % m; while (b 0) { if (b 1) { ans ans * a % m; } a a * a % m; b 1; } return ans; }关键细节有三个第一初始化ans时要写成1 % m而不是直接写1这是为了应对m1这种边界情况因为任何数对1取模都是0。第二循环前先对a取模避免在后续自乘过程中快速溢出。第三在乘法过程中每一步都要取模这是模运算的性质决定的(a * b) % m [(a % m) * (b % m)] % m。面试时除了写代码我还被问过“为什么快速幂能通过二进制分解来优化”这个问题的本质是幂运算满足结合律a^(xy) a^x * a^y而二进制表示正好把指数拆成了若干个2的幂之和所以只需要计算这些2的幂次再相乘即可。4.2 排序算法的工程选型为什么实际中很少用纯冒泡乐鑫笔试里出现过冒泡排序算法的C实现题也出现过堆排序的手写题。这里我要提醒一下虽然冒泡排序代码简单但如果你真在笔试里用冒泡能过但分数不会高。面试官更希望看到你理解排序算法的时间和空间复杂度以及不同场景下的选型逻辑。冒泡排序时间复杂度是O(n²)只适合教学不适合实际工程。快速排序平均时间复杂度是O(n log n)但它有一个最坏情况退化为O(n²)的问题所以很多工业级实现会加入三数取中或者随机化选基准来避免。堆排序最坏和平均都是O(n log n)而且原地排序不需要额外空间但它不够稳定局部性差实际常数因子比快排大。归并排序稳定且最坏情况也是O(n log n)但需要额外O(n)的空间适合链表排序也适合外部排序。工程上很多成熟的排序库其实采用混合策略。比如C的std::sort当元素数量小于一定阈值时用插入排序元素多的时候用快速排序递归深度过大时切换为堆排序。这种混合排序策略被称为内省排序兼顾了平均性能、最坏情况性能和局部性。我在乐鑫面试中遇到C相关的排序题时一般会根据题目数据规模选择排序方式数据量小用插入排序数据量大且内存充足用快速排序要求稳定用归并排序。这个选型逻辑比背下所有排序代码更重要也更讨面试官喜欢。4.3 动态规划与贪心的一道经典辨析题编程题中动态规划和贪心算法经常一起出现其中“硬币找零问题”是我在秋招面试中被反复问过的题给定不同面额的硬币coins和一个总金额amount编写一个函数计算可以凑成总金额所需的最少的硬币个数。这个题很多初学者会先想到贪心每次优先用面额最大的硬币。但贪心在面额组合不是标准进制关系时会出错。举个典型反例硬币面额为1、3、4目标金额6。贪心会先选4剩下2用两个1总共3枚硬币。但实际上最优解是33只需2枚硬币。这说明硬币找零问题必须用动态规划。状态转移方程是这样的dp[i] min(dp[i - coin] 1) 对所有 coin i 成立其中dp[i]表示凑齐金额i所需的最少硬币数初始时dp[0]0其他dp[i]可以初始化为一个很大的值。我写这道题的C版本供参考int coinChange(vectorint coins, int amount) { vectorint dp(amount 1, INT_MAX / 2); dp[0] 0; for (int i 1; i amount; i) { for (int coin : coins) { if (i coin) { dp[i] min(dp[i], dp[i - coin] 1); } } } return dp[amount] INT_MAX / 2 ? -1 : dp[amount]; }这里有个小技巧初始化时用INT_MAX/2而不是INT_MAX是为了防止后面做dp[i-coin]1时发生整数溢出。这种细节在面试时主动说出来能体现你踩过坑、有工程意识。面试官如果继续追问再优化可以把循环方向改成“完全背包”的方式用一维滚动数组从coin遍历到amount进一步降低代码量。乐鑫的笔试题难度基本到这里的动态规划就是上限了不像互联网大厂会考到状态压缩DP或树形DP。5. 端侧AI算法机器学习与量化部署的面试深挖5.1 经典机器学习的考点从KNN到聚类算法除了数据结构和基础算法乐鑫算法类笔试中机器学习的内容占了一部分权重。热词里出现了“KNN算法的应用能力包括哪三个方面”“机器学习算法”“聚类算法”这些都是当时的真实考点方向。KNN是K近邻算法核心思想非常简单一个新样本的类别由离它最近的K个训练样本投票决定。它没有显式的训练过程属于惰性学习预测时需要计算新样本到所有训练样本的距离所以预测阶段的时间和存储开销都很大。面试官问KNN的应用能力时一般会考察三个方面分类、回归和异常检测。分类用多数投票回归用邻居样本的均值或加权均值异常检测可以看新样本的K个邻居距离是否明显偏大。聚类算法则是最常见的无监督学习方向K-Means是必考基础。K-Means的原理可以总结为四个步骤随机初始化K个质心、为每个样本分配最近的质心、重新计算质心位置、重复直到质心不再明显变化。它的本质是坐标下降优化目标是最小化所有样本到所属质心的距离平方和。面试中K-Means有一个高频追问如何选择K值最常用的方法是肘部法则画出K值与损失函数的关系曲线找曲线拐点。还可以用轮廓系数评估聚类效果它的取值范围是[-1,1]越接近1说明同类紧凑且异类分离度越高。5.2 为什么端侧推理要量化AIoT芯片的资源约束乐鑫的招聘JD里如果写“有端侧AI部署经验优先”那么量化部署几乎是必然会被聊到的话题。面试官通常会从这样一个问题切入为什么模型要在嵌入式设备上做量化根本原因是资源约束。物联网芯片的Flash通常只有几百KB到几MBRAM更是紧张没有大算力也没有大内存去跑一个FP32精度的深度学习模型。INT8量化把模型权重和激活值从32位浮点数压缩到8位整数模型体积直接缩小到原来的四分之一同时使用整数运算可以显著加快推理速度功耗也大幅降低。这个场景很多人可能没有直观感受。举个例子一个MobileNetV2模型如果以FP32形式存储大约14MB左右对于一颗只有4MB Flash的IoT芯片来说连模型都放不下更别说运行时还要分配激活值缓存。量化到INT8之后体积降到约3.5MB才能勉强塞进Flash再配合算子优化才可能跑起来。5.3 INT8对称量化的计算公式与实现要点面试里问到量化细节时我建议你至少能写出对称量化的公式。对称量化映射关系如下scale max(|x_min|, |x_max|) / 127q round(x / scale)x ≈ q * scalex代表原始浮点值q代表量化后的INT8整数scale是量化尺度。对称量化假设浮点数值的分布是对称的所以不需要零点偏移实现简单是很多推理框架的起点方案。非对称量化则在对称量化的基础上引入零点zpscale (x_max - x_min) / 255zp round(-x_min / scale)q round(x / scale) zpx ≈ scale * (q - zp)非对称量化对分布不对称的数值更友好比如ReLU之后的激活值基本都是非负的用非对称量化能更充分地利用INT8整数的表示范围。我在实际部署中踩过的一个坑是量化后的精度验证不能只盯着模型整体的准确率还要分类型看误差。有些类别对量化特别敏感比如细粒度分类中的相似物种量化后可能整类崩溃。正确的做法是量化前后分别跑一遍完整的评测集逐类对比准确率变化遇到掉点严重的类别再针对性处理比如对该层保留FP16或使用混合精度方案。5.4 轻量化网络与模型剪枝端侧AI的另一个维度谈到端侧AI部署除了量化轻量化网络结构也是乐鑫考官喜欢引入的话题。MobileNet系列是典型代表它的核心是深度可分离卷积把标准卷积分解为逐通道卷积和逐点卷积参数量和计算量都大幅下降。如果面试官继续深挖还会问模型剪枝。剪枝的核心思想是移除网络中不重要的连接或通道以减小模型体积和计算量。常见的通道剪枝做法是对权重做L1或L2正则化约束已经快被删掉的通道不重要可以直接去掉再对剪枝后的模型做微调恢复精度。我在一个离线音频分类项目里做过30%通道剪枝模型体积减少约40%精度只掉了0.6个百分点推理时间少了一半左右性价比比较可观。6. 复盘后的几点备考建议6.1 针对乐鑫这类IoT芯片公司的算法岗刷题策略要有别于互联网大厂如果你目标明确就是投乐鑫或者是跟它类似的IoT芯片公司比如一些做Wi-Fi SoC、蓝牙SoC、MCU的厂商那备考策略要做出明显调整。LeetCode可以在中等难度上下浮动但不要一天到晚死磕hard题。乐鑫笔试题的难度决定了hard题基本不会出现反倒是medium偏简单的基础题出现概率高。与其花时间在复杂的线段树、AC自动机上不如把KMP、快排、堆排、快速幂、背包DP这些经典模型练到闭着眼睛都能写。我建议的刷题清单是字符串匹配相关至少能手写KMP排序至少能手写快排和堆排数值计算至少掌握快速幂动态规划至少掌握01背包和LIS链表和二叉树的基本操作要熟练。这五类覆盖了乐鑫笔试题的大部分命题区间。6.2 嵌入式算法基础是拉开差距的关键我在前文反复提到PID、音频重采样、卡尔曼滤波这些嵌入式算法它们是乐鑫这类芯片公司算法岗区别于互联网算法岗的核心标志。很多纯刷题出身的同学在这类选择题上会措手不及而这恰恰是拉开差距的地方。我的建议是花两三天时间系统看一遍控制理论基础和数字信号处理基础。不要求你会手推推导但要能把这些概念解释清楚增量式PID和位置式PID的区别、重采样为什么会混叠、低通滤波器的原理和作用、卡尔曼滤波的预测与更新过程。这些概念一旦面试中被问到你能用工程语言而不是数学定义来回答面试官的认可度会高很多。6.3 结合一个端到端项目去理解算法落地的完整链路在乐鑫的算法面试中项目经历聊得比较深入。面试官不太在乎你用了多高级的模型更关心你有没有真正把模型跑到硬件上。我面试时讲了一个麦克风阵列音频分类的小项目从数据采集、预处理、模型训练到端侧量化和部署都走了一遍面试官针对性地问了INT8量化后模型掉点多少、怎么定位是哪些算子导致掉点、量化后的推理速度提升倍数。这些问题如果你没实际跑过数据很容易答不上来。所以如果时间允许建议你找一块带MCU的开发板或者用模拟环境把一个小模型完整地跑一遍量化部署的流程。模型不用大一个简单的MLP或者小的CNN都可以重点是把“训练-导出-量化-部署-评测”这条链路走通。这个经历在项目面里会给你极大的底气。6.4 C基础不能丢位运算和内存布局是隐形考点最后提醒一个很多人忽略的点乐鑫是芯片公司C/C是主力语言笔试和面试中C基础会被反复考查。热词里的“位运算”“xshell找不到匹配的hosy key算法”虽然看起来偏题但底层的位运算、字节序、内存对齐是芯片公司非常看重的素质。我当时遇到过几道C相关的选择题给定一个结构体问sizeof结果是多少内存对齐、给定一个有符号数右移的操作结果、判断大小端等。这些内容在LeetCode刷题里碰不到但却是嵌入式算法岗的高频考点。准备时可以快速过一遍C内存模型、指针与引用的区别、结构体对齐规则、位运算的技巧。别因为觉得太基础而忽略这些题往往一个选择题就值好几分。说到底乐鑫算法岗的笔试面试并不追求“偏、难、怪”更看重候选人对算法原理是否理解透彻以及能否把算法落到资源受限的硬件场景里。很多知识点我当年也是吃了亏之后才补上的。KMP的next数组那类题考场上二十秒内要能写出答案PID的增量式公式要能不看任何资料默写出来快速幂的代码要能在一分钟内写完且一次通过。这份复盘不敢说覆盖了乐鑫当年的所有考点但核心方向和备考策略应该能帮你少走不少弯路。希望大家在秋招中都能拿到心仪的offer。