笔试面试助手

论文/科研（创新点、与经典方法对比）、项目落地（数据、指标、部署）与 coding（LeetCode 中等偏上 + 手推公式），三条线都会在多轮面试中反复出现。

可以，但要在另外两条线补强：有上线效果的比赛/项目（Kaggle、天池名次）、扎实的机器学习基础（能手推反向传播、交叉熵、注意力机制）与流畅的编码能力。

高频是逻辑回归损失与梯度、softmax 与交叉熵、注意力机制计算、BN/LN 区别；准备时亲手推一遍并能边写边讲，比背结论有效得多。

头部公司普遍要求硕士 + 顶会论文或竞赛名次，但工程化岗位（部署、数据闭环、仿真）对工程能力强的本科生同样开放，C++ 功底扎实是共同硬门槛。

公开数据集（nuScenes/KITTI）上的复现与改进、SLAM 课程项目、ROS 小车实践都被认可；关键是能讲清算法原理、复现过程中踩的坑和你的改动带来的指标变化。

感知坑位最多但竞争激烈（深度学习背景）；规控偏控制与优化理论，数学好的同学差异化明显；定位建图（SLAM）中等规模但门槛清晰，几何与状态估计基础是核心。

三类：大模型算法（预训练/对齐/多模态，门槛最高，看论文与实验能力）、大模型应用/AI 工程（RAG/Agent/推理部署，工程能力为主）、AI 产品经理（懂能力边界的产品岗）。

应用与工程岗完全可以：一个真实解决问题的 RAG/Agent 项目（有评估指标、有 badcase 分析）比堆砌名词有说服力；纯算法岗没有一作论文确实竞争困难。

名词会说但原理不会推：attention 计算、位置编码为什么这么设计、RAG 召回失败怎么归因。面试官会顺着简历上每个名词往下挖两层。

任务形态类似（分割/检测/配准），但数据是三维医学影像（CT/MR），标注稀缺且噪声大，还要面对医疗器械软件的合规要求；对医学常识与严谨性的要求高于互联网 CV 岗。

不需要科班医学背景，但要懂基本影像常识：CT 值的含义、MR 常见序列、DICOM 格式；生医工程专业有天然优势，计算机专业补齐这些常识即可。

影像设备厂商、医疗 AI 公司、大厂医疗健康部门三类；设备厂商岗位更稳定、覆盖重建与图像质量方向，AI 公司更聚焦病灶检测与辅助诊断。

推荐优化用户停留与转化，广告在此之上还要平衡平台收入与广告主 ROI，多了竞价机制、出价策略、预算控制等经济学味道更浓的模块，面试会专门考拍卖机制。

有用，排序模型、特征工程、AB 实验方法论是通用的；但要补上 GSP/VCG 拍卖、ECPM 排序、点击率校准这些广告特有概念，否则专业面会露怯。

比一般算法岗略高：竞价与机制设计涉及博弈论基础，预算平滑涉及最优化；但校招主要考直觉与推导框架，不会要求论文级证明。

三者技术栈高度重合（召回—粗排—精排—重排），推荐更重兴趣建模与多样性，搜索重相关性，广告重出价与转化预估；校招通常统一在「搜广推」池子里，入职后再定方向。

用公开数据集（MovieLens、淘宝 UserBehavior）完整跑通召回+排序两阶段，能讲清特征处理、离线指标（AUC/GAUC/Recall@K）与迭代过程，比只会背论文有说服力。

会。生成式推荐、LLM 做特征/召回是热点方向，至少要能讲清楚序列建模（SASRec 类）与 LLM 结合推荐的思路和局限。

底层机器学习功底一致，但搜索多一层「相关性」建模：query 理解、倒排检索、排序学习（LTR）是搜索特有考点，面试常从一条 query 的全链路问起。

可以。用公开数据集（MS MARCO 等）做一个检索+重排序 demo，讲清楚召回率与 NDCG 的取舍，比空谈论文更有说服力。

大厂仍会问 BM25、倒排索引与分词，作为向量检索对照；能讲清「BM25 兜底 + 向量召回补语义」的混合检索思路是加分项。

需求在迁移而非消失：端到端语音大模型让传统级联方案岗位收缩，但语音交互入口（车机/耳机/客服）在放量，懂声学特征+大模型微调的复合候选人更抢手。

可以，用开源项目补：跑通 WeNet/FunASR 的训练与解码全流程，做过数据增广与错误率分析，比只会调 API 的候选人有明显区分度。

ASR 岗位基数更大、偏工程落地；TTS 近年因拟人化语音与配音需求升温、偏生成模型；面试考点重叠度高，简历里不必过早二选一。

不止：智驾域控、无人机、测绘仪器、共享出行与农机自动驾驶都设高精度定位岗，融合导航（GNSS+IMU）是需求最大的方向。

算法岗两者都收：测绘背景熟悉坐标系与差分原理，电子背景强在信号处理与嵌入式实现；面试按简历背景分别深挖。

算法岗以软件为主，但要懂射频前端与天线对信号质量的影响；板级调试经历在嵌入式定位岗是加分项。

工业视觉数据封闭、指标极端（漏检率要求接近零）、部署在产线边缘设备上；自驾感知数据开放、长尾场景多。喜欢「算法落地到产线闭环」的选工业视觉，追前沿论文的选自驾。

要。工业质检大量场景仍靠标定、模板匹配、形态学等传统方法打底，深度学习只处理复杂缺陷。面试常问「什么场景不该上深度学习」，答得出取舍才算入门。

用公开缺陷数据集（如 MVTec AD）做一个异常检测复现项目，讲清小样本、类别不均衡与误检代价设计，考察点与真实产线一致。

传统机器人岗以运动控制、规划与 PLC 集成为主；具身智能岗围绕 VLA 模型、模仿学习与仿真到真机迁移，更接近大模型研究工程化。前者稳定成熟，后者前沿但波动大。

头部具身智能公司的算法岗普遍看重论文或开源复现（如 ACT/Diffusion Policy 复现），但真机调试与数据采集经历同样稀缺——两者有其一即可入场。

可以投学习侧（模仿学习/强化学习/数据平台）岗位，但要补运动学基础：正逆运动学、坐标变换是过技术面的底线。

感知/规控算法岗做车端模型本身；数据闭环岗建设「数据飞轮」：量产车回传数据的挖掘、自动标注、场景库建设、训练与评测流水线，让模型迭代自动转起来，工程属性更强，是端到端范式下扩张最快的方向。

基础仍是深度学习与生成模型：扩散模型/自回归生成、视频预测、NeRF/3D 表征等原理；加分项是理解世界模型在自动驾驶的用途——数据生成（造长尾场景）与闭环仿真评测，能讲清与传统仿真的差异。

可以：大数据工程（Spark/Flink）、MLOps（训练调度、数据版本管理）、后端开发背景都是数据闭环团队的主力画像；面试重点是海量数据管线的工程能力，自驾领域知识入职后补。

设计相机成像流水线算法：从 RAW 图到成片经过去马赛克、降噪、HDR、白平衡、色彩还原、锐化等模块，岗位分算法设计（效果）与算法固化（跑在 ISP 硬件/NPU 上）两条线。

成像基础（Bayer 阵列、噪声模型、色彩空间）、经典 ISP 模块原理（3A：自动曝光/对焦/白平衡）、AI ISP 趋势（神经网络降噪/超分怎么替代传统模块）；有 RAW 域处理或相机课题的最对口。

CV 岗消费图像做理解（检测/分割）；ISP 岗生产图像，目标是画质，评价体系是客观指标（SNR、动态范围）加主观画质评测，对传感器物理和硬件约束的理解要求更深。

让机器理解并重建三维物理世界的算法岗：3D 感知与重建、SLAM 定位建图、点云处理与场景理解，激光雷达、机器人与自动驾驶公司在校招中把它列为独立方向。

三维几何基础（相机模型、坐标变换、位姿估计）、点云算法（配准 ICP、分割检测）、SLAM 框架（前端里程计/后端优化/回环检测）与工程题（C++、坐标系 bug 排查）；有 3D 视觉项目或竞赛会被深挖复现细节。

普通 CV 多在 2D 图像域做检测分割；空间智能围绕 3D 表示（点云、体素、NeRF/3DGS）与多传感器融合，更强调几何功底与实时系统工程能力，深度学习只是工具之一。