校园招聘算法笔试高频考点与实战策略解析

开头

参加过校招算法笔试的人，应该都有一种共同感受：题目难度未必算得上“压轴”，但时间紧、题量大、考法灵活，很多你觉得自己“会”的知识点，真上了考场才发现只是“背过”，不是“会做”。尤其是像蘑菇街这类电商公司的算法类岗位，笔试题目往往带着明显的业务指向——推荐、搜索、排序、价格策略、用户行为预估，表面上考的是算法基本功，实际上考的是你在有限时间内把问题抽象成模型、选对算法、写出能跑的代码的能力。

2019届校招的算法笔试，放在当时的行业环境下很有代表性：深度学习热度正高，机器学习基础成为必考项，同时数据结构与算法依然占据绝对C位。翻看当时的笔试题和后来考生们的复盘，会发现考察范围极其经典：KMP、堆排序、快排、链表操作、动态规划背包、贪心、聚类、损失函数、梯度下降、卷积计算、排序算法稳定性分析……这些题目单拎出来都算不上“偏怪难”，但组合在一起，配合笔试平台上的测试用例和限时环境，就能真实筛选出那些“基础扎实、手写代码稳定、能快速建模”的人。

这篇文章不打算给一份“押题集”或者“背诵笔记”，而是从头梳理一套校招算法笔试的备考和实战思路：这类笔试到底在筛什么人、高频考点为什么是这些、手撕代码时的测试用例意识怎么培养、做题顺序怎么安排才不亏。我会以当时的经典真题风格为例，把完整推导过程、正确性分析和踩坑点都写出来，尽量让还没参加过校招笔试的同学，看完之后能对“一场算法笔试从头到尾发生了什么”有一个清晰的概念。同时也给已经在刷题、但始终觉得“刷了很多题还是不稳”的同学一个自查方向。

1. 校招算法笔试到底在筛什么：从命题思路倒推备考重点

先说一个很多人容易忽略的事实：校招笔试不是竞赛，不是用来选拔“能做出最难题的人”，而是用来筛选“基础能力合格、可以直接上手干活的人”。所以它考察的重心，从来不是你掌握多少高级算法，而是你在压力环境下，能不能把最基础的工具用得又快又准。

1.1 为什么必考基础数据结构和经典排序

你可以去翻一翻蘑菇街以及其他几家电商公司当年的算法笔试回忆贴，会发现一个规律：链表、栈、队列、哈希、二叉树，这几类题几乎是必出现的。原因很简单，这些数据结构支撑了日常业务中大量代码的底层——推荐系统里的候选集合并、风控里的规则匹配、搜索里的倒排索引、订单系统里的状态流转，背后全是这些基础结构。笔试不直接考业务，但考这些结构，本质上就是在考“你能不能把业务问题翻译成一堆操作”。

排序算法更是重灾区。冒泡、快排、堆排、归并，几乎每次笔试都有题目涉及。而且考法往往是“换着花样考”：除了让你写出排序过程，还会追问复杂度、稳定性、什么时候退化、怎么优化。比如一问“快排最坏情况是什么时候”，很多人知道是O(n2)，但如果继续问“为什么当数组已经有序时会退化，怎么避免”，就有一批人开始卡壳。原因是很多人只是背了快排的递归实现，没有得到“分治策略和基准选取如何影响递归树深度”这个层面的理解。

我在准备笔试的时候给自己定过一个标准：对于一个算法，不光要会写模板，还要能回答三个问题——它解决什么问题、它的复杂度为什么是这个、它在什么场景下会不work。这个习惯在笔试里救了我很多次，因为很多题看似在考“第二问”，其实就是在变相问“你会不会灵活调整”。

1.2 机器学习与深度学习基础：算法笔试里的“非代码题”怎么拿分

算法类岗位的笔试，通常不只考写代码，还会有一大块选择题、填空题、简答题，专门考察机器学习、深度学习的基础知识。从当年各公司的出题偏好来看，考点很集中：KNN、K-Means、朴素贝叶斯、逻辑回归、损失函数、梯度下降、过拟合与正则化、SVM的间隔思想、卷积和池化的计算、RNN的基本结构。

这些知识点看起来多，其实有个很好的复习策略：把它们串在“一个模型从训练到预测要经历什么”这条线上。数据怎么准备、特征怎么处理、模型怎么选、损失怎么定义、参数怎么更新、怎么防止过拟合、上线后怎么评估——沿着这条线把经典模型过一遍，比零散刷八股文要牢固得多。

额外多说一句，很多同学复习机器学习基础时只关注“公式推导”，忽略了“计算”本身。比如卷积层的输出尺寸怎么算、参数数量怎么算、池化之后feature map变化，这类题几乎每年都出现。这些题不考“深”，考的是“稳”，做题的时候按公式一步步算就能拿分，但如果你平时只在概念层面理解、从没手算过，考场上一紧张很容易算错。

1.3 电商公司的算法笔试为什么格外重视“边界条件”

这一点是我个人的体会，也是在复盘蘑菇街这类公司笔试时感受最深的：电商场景里，数据异常、边界情况特别多，用户行为日志可能缺失、价格字段可能为负、时间字段可能缺失，甚至一个列表可能为空。笔试环节他们没法直接考察你对业务数据的敏感度，于是最常见的替代手段，就是在一道看似普通的数据结构题里设置大量边界条件。

比如给你两个有序数组，要求合并并去重，很多人第一反应就是双指针，写得很爽，但忘了考虑数组为空的场景、相等元素的处理、指针越界等问题。平台给的测试用例可不会温柔，空数组、单元素数组、全相等数组，哪个没处理就哪个用例挂掉。所以我在刷题过程中养成了一个强迫症：提交代码前，先把边界情况写成测试用例跑一遍，再跑正常用例。这个习惯在校招笔试里帮我挽回了好多分。

2. 经典必考题型拆解：链表操作、字符串匹配与排序的考场最优解

这一节我们看几类高频题型的完整解法。我尽量按“审题—分析—方案—细节—验证”的顺序展开，同时也把我当时容易犯的错一并说出来，帮大家避坑。

2.1 链表题的“穿针引线”：反转、合并和环检测

链表是笔试里的常青树，因为它的操作和数组思维差异很大，特别能反映一个人对指针/引用的掌握程度。常见的考法有链表反转、合并两个有序链表、找中间节点、判断是否有环、删除倒数第N个节点等。

以“反转链表”为例，迭代法几乎每个刷过题的人都会写，但它有个极其容易出错的点：在断开当前节点的next之前，你得先把下一个节点存下来。我当时第一次手写这个题的时候，就漏了这一步，结果循环里访问到空指针。后来我换了一个思路去理解这个问题：反转的过程其实是在“移动三条线”——prev、cur和next，每轮循环里，先将cur的next指向prev，然后三条线整体向后挪一位。

判断链表是否有环也是一个经典题，常见做法是快慢指针。快指针每次走两步，慢指针每次走一步，如果有环，两个指针终会相遇。面试官如果追问“为什么慢指针一定能在有限步内追上快指针”，你需要能答出来：进入环之后，快指针在每个循环里相对慢指针多走一步，所以距离每次减一，不会跳过。这个证明虽然简单，但很多人没想过，结果被追问一下就露怯了。

链表题型的核心不是代码量，而是“指针操作的顺序”。每次修改next之前，先想清楚谁还被引用着、谁已经不需要了。能做到这一点，链表题基本就稳了。

2.2 KMP算法：next数组不是背出来的，是推出来的

字符串匹配在笔试中的出现频率很高，而KMP作为高效匹配算法的代表，几乎每年都有人遇到。标题里提到的“模式串P='abacaba'，求next数组”就是非常典型的一类考法，而且很多考卷不直接让你写代码，而是要求你手算next数组。

先明确next数组的定义：在常见的定义中，next[i] 表示模式串的前缀子串 P[0...i] 中，最长相等前后缀的长度。这里有个容易混淆的地方：不同的教材对next数组的下标起点和含义定义有细微差异，有的是“最长相等前后缀长度”，有的是“失配后跳转的位置”。所以考试时如果给了定义，一定要以题目定义为准，不要直接套记忆中的模板。

手算next数组的方法是：对每个位置 i，考察 P[0...i] 的前缀和后缀，找出最长的一对相等的前缀和后缀，记录长度。以 P="abacaba" 为例，逐位分析：P[0]="a"，没有真前缀和真后缀，长度0；P[0..1]="ab"，前缀有"a"，后缀有"b"，不相等，长度0；P[0..2]="aba"，前缀"a"、"ab"，后缀"ba"、"a"，最长相等是"a"和"a"，长度1；P[0..3]="abac"，找不到相等前后缀，长度0；P[0..4]="abaca"，前缀有"a"、"ab"、"aba"、"abac"，后缀有"aca"、"ca"、"a"，相等的是"a"，长度1；P[0..5]="abacab"，前缀"a"、"ab"、"aba"、"abac"、"abaca"，后缀"acab"、"cab"、"ab"、"b"，相等的是"ab"，长度2；P[0..6]="abacaba"，前缀"a"、"ab"、"aba"、"abac"、"abaca"、"abacab"，后缀"bacaba"、"acaba"、"caba"、"aba"、"ba"、"a"，最长相等的是"aba"，长度3。

如果题目要求的next[i]定义为“失配后模式串跳转到的下标”，那还需要在这个“最长相等前后缀长度”的基础上做一步变换，通常是把长度值减一或者整体偏移一位，具体看题目定义。总之，背公式不如会推导，“最长相等前后缀”这个概念一定不能记歪。

KMP的匹配过程本身并不复杂：在文本串上维护一个指针，在模式串上维护一个状态，失配时根据next数组跳转。核心价值在于文本串指针不回退，因此整体复杂度是O(m+n)。这个复杂度分析也是笔试常问的点，需要能清楚地讲出来。

2.3 排序算法的稳定性和复杂度：笔试里的“送分题”和“送命题”

排序算法这块，校招笔试的考法非常典型：要么让你直接排序，要么问你某一种排序在特定数据分布下的表现，要么考察稳定性。稳定性这个概念本身不难——相等元素的相对顺序在排序后是否保持不变——但很多人在选择排序算法时会混淆。我整理了一个简单对照表，可以帮助快速记忆：

很多同学容易把选择排序记成稳定的，其实不是——选择排序在一轮中找出最小值后与当前位置交换，如果这个最小值在某个相等元素后面，交换后相等元素的相对顺序就变了。这个点曾经在一道选择题里坑过我，所以特别提醒一下。

快排退化问题也常考。当每次选的基准都是当前区间最小或最大值时，划分极度不均，递归深度变成n，复杂度退化到O(n²)。应对方案是“三点取中”或随机选基准，从而在概率上避免退化。这里如果你只答“随机选基准”而不解释为什么能避免退化，面试官通常会继续追问，所以建议把“随机化使最坏情况概率极低”这层逻辑也想清楚。

归并排序的额外空间O(n)也经常被忽略，有人只记得时间复杂度就写上O(1)了。归并排序需要临时数组来存放合并结果，所以额外空间是O(n)，这个在“原地归并”的特殊实现下可以优化，但在常规笔试语境里记住O(n)就够了。

3. 动态规划和贪心：如何快速建模并避免“看着会做、上手就错”

动态规划和贪心是算法笔试中区分度最高的两类题，也是让很多人“看着答案秒懂、自己上手就卡”的重灾区。问题往往不在于不懂具体某道题，而在于没有建立一套“从题目到状态定义”的翻译方法。

3.1 动态规划：先想“状态”和“转移”，再想“初始化”

遇到一道DP题，我习惯按四步走：第一，定义状态，即dp[i]或dp[i][j]表示什么含义；第二，找状态转移方程，即当前状态如何由已计算的状态推出；第三，定初始化，也就是最小子问题的答案；第四，确定遍历顺序，保证计算当前状态时依赖的状态已经被算出来了。

以非常经典的“0-1背包”为例：有N件物品和一个容量为W的背包，每件物品有重量w[i]和价值v[i]，问能装入背包的最大价值。第一步，定义dp[i][j]为“考虑前i件物品、背包容量为j时的最大价值”；第二步，对第i件物品，要么不选、要么选，不选时继承dp[i-1][j]，选时价值为dp[i-1][j-w[i]]+v[i]，取两者较大值；第三步，初始化dp[0][j]=0，表示一件物品都不放时价值为0；第四步，遍历物品和容量，先遍历物品再遍历容量即可。一维滚动数组的优化也很常用，但需要注意容量需要从大到小遍历，否则物品会被重复使用，这一点从“每次更新都要基于上一轮的旧值”来理解就顺理成章了。

笔试里一个非常常见的陷阱是题目背景变复杂，比如变成“完全背包”（物品无限件）或“多重背包”，但核心还是同一个模型。如果背景是“每个物品最多取一次”，那是0-1背包；如果“每个物品可取无限次”，那是完全背包，一维滚动时容量遍历方向要反过来。这个“正反遍历”的问题每年都会考，却每年都有人错，主要是只背了结论、没理解原理。

另一个高频DP是“最长公共子序列（LCS）”。状态定义为dp[i][j]表示字符串A的前i个字符与字符串B的前j个字符的最长公共子序列长度。转移分两种情况：如果A[i-1]==B[j-1]，则dp[i][j]=dp[i-1][j-1]+1；否则dp[i][j]=max(dp[i-1][j], dp[i][j-1])。这个转移里的“否则”分支，本质上是在“删除A的最后一个字符”和“删除B的最后一个字符”两个方向上进行状态延伸，这种“考虑最后一步可能性”的思维方式，是解大多数字符串DP题的钥匙。

3.2 贪心算法：能证明贪心策略成立，才敢放心用

贪心题和DP题经常在同一张卷子里出现，而且往往先出贪心后出DP，出题人就是想看你能不能分清何时能用贪心、何时必须DP。贪心的核心思想是“每一步都做出当前看起来最优的选择，并希望通过一系列局部最优选择达到全局最优”。但“希望”不等于“一定”，所以在笔试里遇到贪心题，一定要在心里快速验证“局部最优是否真的能推出全局最优”。

以经典题“无重叠区间”为例：给定一组区间，问最多能保留多少个互不重叠的区间。贪心策略是按区间右端点升序排序，然后依次选择右端点最小且不与已选区间重叠的区间。这个策略成立的关键在于：优先选择右端点最小的区间，会给后续留下最大的可用空间，因此一定不会比选一个右端点更大的区间差。这个“交换论证”的思路，是验证贪心正确性的常用工具，也是面试官喜欢追问的点。

但也有很多人一看到“最大值”“最小值”就直接套贪心，结果栽了。比如“硬币找零问题”并不是所有面额组合都适合用贪心，像面额{1,3,4}、总金额6，贪心会先选4再选1和1，总共3枚，但最优解是3+3，只要2枚。所以当题意不确定时，老老实实DP要比冒险贪心稳得多。

3.3 遇到“看着像DP但不好写状态”的题怎么办

笔试现场最怕的就是卡在一道题上不动。如果一道题长得像DP但你一时想不出状态定义，我个人的处理策略是：先写一个暴力递归版本，用递归表达“当前决策”，然后再看能不能用记忆化搜索直接缓存重复子问题的结果。很多DP题的本质都可以用“暴力递归+备忘录”搞定，这在笔试中是合法的，平台只看最终结果和复杂度能不能过。

比如“编辑距离”这道题，直接写DP状态dp[i][j]表示第一个单词的前i个字符转换成第二个单词的前j个字符所需的最小操作数，转移时考虑插入、删除、替换三种操作。如果你在考场上想不到这个状态定义，可以先写递归函数f(i,j)，表达“把A的前i个字符变成B的前j个字符的代价”，再对递归树中大量重复计算的子问题加缓存。很多情况下，写着写着就会发现递归的状态其实和DP状态一一对应，自然就过渡到DP了。

这个“先用递归暴力，再用缓存优化”的思路，不仅是现场解题的保底方法，其实也是一些复杂题目的正向思考方式。好好掌握它，面对陌生DP题的信心会大很多。

4. 机器学习与深度学习基础：算法笔试里的“非代码题”怎么拿分

前面提到，算法类岗位笔试通常不只考代码，还会有一大块机器学习/深度学习的基础题。这些题看着散，其实有非常清晰的复习脉络。这一节就把我梳理过的核心考点按模块过一遍，大家可以直接拿去做自查清单。

4.1 经典机器学习模型的核心逻辑

KNN是懒学习模型的代表，它不训练模型，而是在预测时找到与样本最相近的K个邻居，用投票或平均值决定预测结果。常考的点包括：K值怎么选、距离度量用什么、特征需不需要标准化、KNN的三个应用能力。为什么特征标准化很重要？因为如果某个特征的数值范围远大于其他特征，欧氏距离会被这个特征主导，KNN的效果会受到很大影响。

K-Means聚类则是典型的无监督算法。算法流程并不复杂：随机初始化K个中心点，反复迭代“分配样本到最近中心”和“重新计算中心”两步，直到收敛。它常被追问的坑点包括：K值怎么确定、初始中心怎么选、会不会收敛到局部最优、对离群点是否敏感。如果你能说出“用肘部法则确定K”“用K-Means++做初始化降低局部最优风险”“对离群点敏感可以用K-Medoids代替”这些点，回答会显得非常有深度。

朴素贝叶斯的“朴素”在哪里，也几乎必考。它假设所有特征在给定类别的情况下相互独立，这对大多数真实数据来说并不成立，但它的计算复杂度低、在小样本场景下效果还不错，尤其适合文本分类。笔试题往往会给一个简单的统计表，要求你计算某个样本属于每个类别的后验概率，然后选择较大的。做这类题时，注意先算先验概率，再用特征条件概率相乘，最后比较大小即可，不需要归一化，因为比较时分母相同。

逻辑回归是面试和笔试的双料常客。它的核心是sigmoid函数将线性组合映射到(0,1)区间，配合交叉熵损失函数，通过梯度下降更新参数。常考点包括“为什么用交叉熵而不用均方误差”——因为sigmoid配合均方误差的梯度在饱和区会趋近于0，训练极慢，而交叉熵能缓解这个问题。这类“为什么”的辨析题，比单纯背公式更容易在笔试中拉开差距。

4.2 深度学习的张量形状和参数量计算

深度学习模块的笔试题目通常不会太深，但非常喜欢考计算。最常见的有三块：卷积输出的尺寸怎么算、池化后feature map怎么变、卷积层的参数量是多少。

卷积输出尺寸公式是：(输入尺寸 - 卷积核尺寸 + 2*padding) / stride + 1。这个公式几乎每年必考，而且会换着花样出，比如padding为SAME还是VALID，stride不是1时发生了什么。别小看这种题，手算一遍胜过背十遍。输入是32x32、卷积核3x3、stride=1、padding=0，输出就是(32-3)/1+1=30，非常直接。如果加了padding=1，输出为(32-3+2)/1+1=32，尺寸不变，这也是“保持尺寸”类问题最常用的padding选择。

参数量计算这块，要注意卷积核的通道数必须和输入通道数一致。一个卷积层的参数量是：卷积核宽度 x 卷积核高度 x 输入通道数 x 输出通道数，如果有偏置项，还要再加上输出通道数。举个例子，输入是三通道RGB图像，第一个卷积层有32个3x3卷积核，那参数量就是3x3x3x32+32=896。这道题看似简单，但你只要忘记乘“输入通道数”，结果就会差一个数量级。

全连接层的参数量同样常考：输入维度乘以输出维度，再加上偏置。很多人对全连接层参数还算熟悉，但对卷积层的输入通道数不敏感，因为写代码时框架会帮你自动处理，手算时就露馅了。平时练习时多做一些“手算网络参数量”的题，笔试遇到就是纯送分。

4.3 过拟合、正则化和优化算法的核心原则

过拟合是机器学习基础题里的“万金油”，无论什么岗位的算法笔试，几乎都会问到。什么是过拟合？简单说，就是模型在训练集上表现很好，但在验证集或测试集上表现变差，说明模型学会了训练数据中的噪声，而没有学到真正的规律。典型的应对手段包括：增加训练数据、降低模型复杂度、加入正则化、使用早停、做交叉验证、做数据增强。

正则化是另一个高频点，尤其是L1和L2的对比。L2正则化（权重衰减）会让权重向0收缩但不会精确为0，而L1正则化会让一部分权重精确变成0，从而起到特征选择的作用。背后的直觉是，L1范数在0点有一个“尖角”，优化过程更容易落在稀疏解上。这个几何直觉如果能画出来，表达会非常加分。

关于优化算法，梯度下降的几个变体需要分清楚：批量梯度下降在全部样本上计算梯度，稳定但慢；随机梯度下降每看到一个样本就更新一次，快但震荡；小批量梯度下降介于两者之间，是实际中最常用的。动量方法则是通过累积历史梯度方向，帮助跳出局部震荡区间、加速收敛。笔试题有时会问“Adam和SGD的区别”，答“Adam自适应学习率、结合一阶矩和二阶矩估计”这类核心点也够了。

5. 手撕代码环节的测试用例意识：从写对到写稳

校招笔试通常是在在线平台上进行，代码提交后平台会运行一组测试用例。很多同学感觉自己题刷得不少，但提交后总有一两个用例过不去，原因往往不是算法思路错了，而是边界情况没覆盖。这一节专门聊聊测试用例意识，这部分能力在笔试中真的是“隐性加分项”。

5.1 先想空、单、边界、极端，再写主逻辑

我后来复盘过很多次，发现自己最容易出错的地方不是核心算法，而是对输入边界的处理。比如题目让你实现一个排序函数，有人直接写快排，但如果输入是空数组，递归函数会直接栈溢出或者越界。这种错误非常可惜，因为你只需要在函数开头加一行空值判断就能解决。

我通常会在动笔前先问自己四个问题：输入能不能为空？数组长度为1时会不会出问题？元素有没有负数、零、极大值或极小值？有没有可能重复很多次？这些问题想清楚后，再动手写代码，代码质量会高很多。很多高分代码并不是写得有多花哨，而是把所有边界情况都覆盖了，测试用例全部通过，这本身就是一种能力。

5.2 测试用例不是“随便试试”，而是围绕算法性质设计

还有一点，测试用例的设计本身也有方法。不要只测“常规情况”，要针对你算法的性质去设计用例。比如你写了一个双指针算法合并两个有序数组，那测试用例至少应该覆盖：两个数组都为空、一个为空、两个数组等长、一个数组元素全部小于另一个、两个数组有很多相等元素。这些用例分别对应双指针算法里的不同分支路径，能暴露你代码中可能存在的问题。

我当时在本地练习时，特别养成了一个习惯：写完一个函数后，抽出两分钟构造几个“故意搞事”的用例。比如反转链表题，你至少应该测空链表、单个节点、两个节点、五个节点这四种情况，其中两个节点的用例最容易暴露指针操作顺序问题。这个习惯在笔试中帮了我大忙，因为很多在线平台不会告诉你具体输出了什么、挂在了哪个用例上，唯一能依靠的就是自己的“预判能力”。

5.3 复杂度的“面试官视角”：你的方案到底能不能过大数据量

有时候你的代码逻辑完全正确，但平台跑大数据量用例时超时了。这时候考察的就是复杂度意识。笔试题目通常会给出数据范围，比如数组长度n满足1 <= n <= 10^5，那O(n²)的算法就很可能超时，需要优化到O(n log n)甚至O(n)。

一个简单的经验判断是：每秒大约能执行10^7到10^8次简单操作。如果n=10^5，O(n²)就是10^10次操作，大概率超时。这时候你应该考虑排序、二分、双指针、哈希表这类能将复杂度降到O(n log n)或O(n)的解法。刷题时也要养成分析复杂度的习惯，不要只看“能过样例”，还要问一句“如果数据量翻十倍，我还能过吗”。

6. 时间分配与做题顺序：一场真实笔试的复盘经验

最后这部分，聊聊实战层面的东西。算法笔试往往有固定的总时长，题量又大，如果按顺序硬做，很容易在前面的难题上耗太久，导致后面的送分题都没时间写完。我在参加了多次校招笔试后，总结出了一套相对稳妥的做题策略。

6.1 先扫全卷，把题分成“立即能写”和“需要思考”两批

拿到卷子的前几分钟，不要急着做题，先把整张卷子浏览一遍。我自己的做法是：把题目分成三档——A档是“读题后10秒内有思路、代码量不大”的题，B档是“有思路但需要仔细推导或编码较长”的题，C档是“暂时没有清晰思路”的题。然后按A、B、C的顺序做题。

这么做的逻辑很简单：A档题是拿分基础，必须在状态最好时快速拿下，不能因为前面一道难题受挫而影响心态。B档题是主战场，大部分分数都在这里，值得多花时间。C档题在最后有时间再慢慢啃，即使解不出来也不影响前面的得分。说白了，笔试是分数最大化问题，不是“证明自己”问题。

6.2 卡住超过15分钟，果断换题

做题时最怕“死磕”。我自己曾经在一道动态规划题上花了接近30分钟，结果后面有两道简单题几乎来不及写，损失惨重。后来我给自己立了一条规矩：单道题如果卡了15到20分钟还没有实质性进展，就暂时放下，去做后面的题。等情绪平复、思路切换后，再回来重新审题，常常会有“原来卡点在这里”的顿悟。

这个策略还有一个额外的好处：当你回头再看卡住的题时，往往已经做过几道其他题，思维被激活了，原本僵化的思路会打开。而且因为你已经从后面的简单题里拿到了基础分，心态会更放松，反而更容易静下心来解决难题。

6.3 面试官视角的“复盘建议”：考后整理比刷更多题更重要

笔试结束并不意味着这件事结束了。我的习惯是：趁热打铁，把每一道题的思路、自己当时的解法、遇到的卡点、最优解都记录在一个“笔试复盘文档”里。尤其是那些“差点做出来”的题，它们是最好的学习素材——说明你的知识储备已经接近够了，只是差一个关键的思维转换。

会持续更新这个文档，到后期你会发现，不同公司的笔试题虽然在题目背景上有所不同，但核心考点其实是高度重叠的。整理出属于自己的“高频考点-解法-易错点”对照表，比盲目刷几百道新题更有效。我当时整理过一份这样的对照表，后来在多家公司的笔试中，至少有70%的题都能在里面找到对应的方法论。这种“以不变应万变”的感觉，会给你在考场上带来很大的定力。

我在刷题和复盘过程中，越来越深刻地体会到一件事：校招算法笔试并不是一场纯粹的智力和知识竞赛，它更像是一场“在限定资源下做决策”的模拟训练。你需要在有限的时间内，快速判断哪些题值得花时间、哪些题可以放弃、哪些边界条件容易踩坑、哪些思路能一通百通。这种能力，恰恰是以后做真实业务算法同样需要的。希望这篇基于蘑菇街2019届校招算法笔试风格写成的复盘梳理，能帮你少走一些弯路。