1. 从笔试卷结构反推岗位真实技能树人机交互算法工程师到底在考什么很多人看到“人机交互算法工程师”这个岗位名第一反应是“这不是搞 UI/UX 设计的吗”第二反应是“算法工程师我懂但加上人机交互四个字怎么感觉画风不对”。说实话2018年网易这张校招笔试卷恰恰是理解这个交叉岗位的最好样本——它既没有考你画原型图也没有让你推导 ResNet 的反向传播而是把“算法基本功”和“交互场景理解”两座山头揉在一起考。先说结论笔试的核心考察点可以拆成三块。第一块是计算机通用算法与数据结构这一部分占的比重最大也是刷题党最容易拿分的地方。第二块是机器学习/深度学习基础但不是泛泛地考模型公式而是结合交互场景出题比如用户行为序列建模、手势识别、眼动数据拟合。第三块是“人机交互理论常识”这一块最容易被忽视但它恰恰是区分“纯算法工程师”和“人机交互算法工程师”的分水岭。那一年试卷里给我留下最深印象的是一道关于“用户点击行为预测”的题。它表面上是考机器学习分类模型实际上还偷偷藏了 Fitts 定律的影子——用户点击某个按钮的难度跟按钮大小和距离有关这本身就是人机交互里最经典的模型之一。如果你只懂算法不懂交互这道题顶多答个 Logistic Regression 加特征工程但如果你懂 Fitts 定律你就会想到把按钮尺寸、指针移动距离、目标边缘距离这些“交互特征”也放进模型里。这就是这张试卷真正的筛选逻辑它不只要你“会算”还要你“懂场景”。所以准备这类笔试绝不能只刷 LeetCode。我后面会展开讲每一块到底怎么准备、有哪些坑、有哪些“早知道就好了”的经验。2. 通用算法题KMP、排序、贪心、图论哪些是高频考点哪些是虚晃一枪先聊硬核的。那一年网易人机交互算法工程师的笔试卷里通用算法题基本覆盖了数据结构与算法的经典范围但侧重点跟后端岗有明显区别。后端岗爱考 LRU Cache、线段树、并查集这类工程性强的题目人机交互算法岗则更偏向字符串处理、搜索/回溯、排序与查找的变体以及动态规划的经典模型。2.1 KMP 算法的 next 数组不是让你背代码是考你理解热词里出现了“在 kmp 算法中对于模式串 pabacaba其 next 数组next[i] 定义为……”这就是典型的笔试题面孔。网易那套题里虽然没有原题重现但类似风格的“手算 next 数组”是高频题。很多人背 KMP 模板背得滚瓜烂熟一遇到“求 next 数组具体数值”就懵。原因很简单不同教材对 next 数组的定义有细微差别有的教材 next[i] 表示“模式串前 i 个字符的最长相等前后缀长度”有的表示“失配时跳转的位置”。笔试前一定要先确认题目用的是哪种定义否则下标从 0 还是从 1 开始都会影响答案。先说最通用的定义假设模式串 P 的长度为 m定义 next[i] 为“P[0...i] 这个子串的最长相等前后缀的长度”不包含自身。对于 P abacabai0P[0]a没有真前后缀next[0]0i1P[0...1]ab最长相等前后缀长度为 0next[1]0i2P[0...2]aba前缀a和后缀a相等长度为 1next[2]1i3P[0...3]abac前缀a和ac不相等前缀ab和ac不相等next[3]0i4P[0...4]abaca前缀a和后缀a相等长度为 1next[4]1i5P[0...5]abacab最长相等前后缀是ab长度为 2next[5]2i6P[0...6]abacaba最长相等前后缀是aba长度为 3next[6]3。所以 next [0, 0, 1, 0, 1, 2, 3]。到这里还没完。笔试真正想考的是你知不知道“为什么 KMP 能加速”。核心在于失配时不需要从头开始匹配而是利用已匹配部分的最长相等前后缀把模式串一次性滑动到合适位置。所以复习 KMP 不要只记模板要把“构建 next 数组时j 回溯是为什么”“失配时模式串右移多少位”这些原理搞清楚。面试时被追问起来能讲清楚才是真的会。2.2 排序算法不只看时间复杂度还看稳定性与场景热词里有一堆排序算法冒泡、堆排序、快速排序、排序算法 C 实现……网易这类笔试对排序的考察非常“刁钻”。它很少让你手写快排太常规了反而爱考“在什么场景下选什么排序算法”这种综合判断题。比如给你一个几乎有序的数组要求高效排序你会选什么插入排序因为几乎有序时插入排序的时间复杂度趋近 O(n)。再比如如果只能使用 O(1) 额外空间且要求稳定排序你会选什么归并排序做不到原地稳定快排不稳定堆排也不稳定那答案往往是“用原地归并排序的变体”甚至可以讨论“稳定性 原地”在工程实现上的一些取舍。具体到人机交互算法岗排序还有一个隐藏考点——对用户数据进行排序的场景。比如“有一个用户点击热力图的点集需要按点击时间戳排序进而分析用户浏览轨迹”这种题目考核的不是堆排如何建堆而是你能不能识别出“这是稳定排序因为需要保留同一点被多次点击的原始顺序”。这就是笔试把通用算法和交互场景结合的一种出题方式。我给一个备考建议把八大排序算法的代码都手写一遍但更重要的是整理一张表列出每个排序算法的平均/最好/最坏时间复杂度、空间复杂度、稳定性、适用场景然后反复自问“如果用户数据是流式到达的我应该用什么排序”“如果内存特别紧张我应该用什么排序”。这一套下来比单纯刷题有用得多。2.3 贪心、回溯、动态规划人机交互岗考的是模型转化能力贪心算法和动态规划在笔试卷里基本是“二选一”的重量级选手。网易那年的试卷里有一道“带权活动选择”的变体题背景改成了“用户在某 App 上浏览内容每个内容有起止时间和一个‘用户兴趣度’权重如何选择展示内容让总兴趣度最大”。剥掉外壳这就是经典的活动选择问题贪心策略是“按结束时间排序优先选结束早的”。但要注意这类题真正的得分点不是“选哪个策略”而是“证明为什么这个策略是对的”。笔试不一定要求你写严格数学证明但你要在代码注释或解题思路里写清楚为什么按结束时间排序的贪心策略能得到最优解因为“选择结束时间最早的活动能够为剩余活动留下最大时间区间”这是一个典型的替换论证。如果你只是默默写代码不写思路很可能被扣分。动态规划的题也是同理。人机交互场景里有大量序列数据——用户操作序列、眼动轨迹序列、语音指令序列——这些天然适合用 DP 建模。比如“用户操作序列中的最长公共子序列”可以用来衡量两个用户的操作习惯有多相似这其实就是 LCS 的变体。建议备考时把 0-1 背包、LCS、LIS、编辑距离这四个经典 DP 模型吃透并且能快速把交互场景翻译成 DP 状态定义。2.4 图论与搜索Dijkstra、二分图、Kahn 排序的实际切入点热词里出现了 Dijkstra 算法、二分图 HK 算法、Kahn 算法这些图论算法在通用算法题里属于中高难度。人机交互岗考图论的概率比纯后端低但一旦考了往往是跟“路径规划”“状态流转”“拓扑关系”有关。比如用户从页面 A 到页面 B 的导航路径中每两个页面之间有一个跳转耗时如何找到最短路径这就是 Dijkstra甚至可以用 A* 优化因为页面跳转存在启发式信息。再比如把用户的操作状态建模成有向无环图用 Kahn 算法做拓扑排序从而分析用户从进入 App 到完成核心任务的必经路径。这些题考的是你能不能从场景里提取出图模型而不是单纯背 Dijkstra 模板。备考建议把 Dijkstra 的优先队列实现写熟把拓扑排序Kahn 算法的代码写熟理解二分图匹配的“增广路”思想。遇到交互场景题时先问自己“这里能不能抽象成节点 边”如果能就有 70% 的概率是在考图论。3. 机器学习与深度学习基础从用户行为到交互建模算法岗的硬实力区通用算法题只是门槛机器学习/深度学习才是人机交互算法工程师的硬实力区。热词里大量出现“机器学习算法”“深度学习算法”“强化学习算法”“聚类算法”“KNN 算法”“卡尔曼滤波”“图像分类算法”等内容这些恰恰也是网易这张试卷的重点领域。3.1 特征工程与分类模型用户点击预测题的正确打开方式我在前面提到的那道“用户点击行为预测”题其实背后就是机器学习分类问题。特征怎么构造最朴素的想法是构造用户侧特征历史点击率、活跃时段、设备类型、内容侧特征内容类别、内容长度、内容热度、上下文特征当前时间、网络环境。但有了交互思维的加成你还要加一类“交互特征”按钮在屏幕上的位置、按钮尺寸、用户指针从上一个位置移动到这里的距离以及该按钮与用户拇指热区中心的距离。这一块几乎是所有只刷机器学习理论的人最容易丢分的地方因为教科书不会告诉你这些交互特征。分类模型选什么Logistic Regression 是最稳妥的选项因为可解释性强而且笔试中你能把公式推导写清楚。GBDT、XGBoost 也是热词里的常客XGBoost 的损失函数、正则项、分裂增益公式需要能手推。如果你在试卷里看到“用户点击预测”类题目我建议第一先列特征体系第二给出模型选择和理由第三写出损失函数和优化方式第四说清评估指标AUC、LogLoss为什么比准确率更适合点击预测场景。按照这个“四步法”答基本能拿满大部分分数。3.2 聚类与降维用户分群题的标准打法“聚类算法”和“KNN 算法的应用能力包括哪三个方面”是高频热词。人机交互岗经常需要在没有标签的情况下对用户行为分群比如根据使用时长、功能使用频率、交互路径复杂度把用户分为“新手上路型”“熟练高效型”“探索型”等。K-Means 是最常见的答案但笔试如果只答 K-Means 就太单薄了。要注意三点如何选 K常用肘部法则但更严谨的做法是结合轮廓系数。K-Means 对初始中心敏感笔试中要提到 K-Means 或多次随机初始化取最优。如果用户行为数据是时序的K-Means 不能直接用需要把时间序列换成向量表示比如用 DTW 距离的 K-Medoids。KNN 在人机交互里也有独特应用最常见的三个应用方向是推荐系统中的相似用户查找、交互行为识别比如把当前用户操作序列与已有用户行为样本比对找最相似的 K 个判定其意图、异常检测用户行为模式与正常群体差异过大时触发安全警报或交互干预。这三个方向如果能写在试卷上的“应用举例”类题目里会让阅卷人觉得你真的懂业务。降维方面PCA 和 t-SNE 是高频考点。特别是“如何对高维交互特征降维并用 2D 图可视化用户行为分群结果”这类题PCA 负责保留全局结构t-SNE 负责局部结构。有个细节t-SNE 的困惑度参数对结果影响很大笔试中如果能写出“困惑度一般取 5~50过小则簇碎片化过大则簇混在一起”会显得你实战经验丰富。3.3 强化学习交互策略优化的进阶考点热词里“强化学习算法”也出现了。在 2018 年的校招笔试卷里强化学习不是必考大题的但会以选择题或简答题的形式出现比如“在智能对话系统中如何用强化学习优化对话策略”。这类题主要是考概念和流程。你要能写清楚四个核心要素状态当前对话历史/用户意图、动作系统下一步的回复策略或推荐内容、奖励用户是否完成目标任务、对话轮数是否够短、策略从状态到动作的映射。如果考到具体算法DQN 比 Policy Gradient 更常考。DQN 的两个关键机制是经验回放打破样本相关性和目标网络稳定训练目标这两个名字如果答不上来基本就露馅了。还有一点容易忽略强化学习与监督学习的区别。交互式场景里没有现成的“标注数据”只有“试错后的奖惩信号”这说明为什么很多交互策略优化最终会走到强化学习这条路。把这个逻辑写进简答题会让你的答案更有说服力。3.4 卡尔曼滤波与时序建模眼动追踪与手势轨迹的基石热词中的“卡尔曼滤波算法”是很多人容易忽略的点但它恰恰是人机交互算法岗位的一个特色考点。眼动追踪、手势轨迹预测、姿态估计中卡尔曼滤波都是老牌且有效的工具。核心思想一句话把系统状态的最优估计看成“预测 更新”的迭代过程。预测阶段用状态转移方程和上一时刻的最优估计算出当前时刻的先验估计与协方差更新阶段用当前观测值和卡尔曼增益对先验估计做修正得到后验估计。笔试如果出卡尔曼滤波一般不会让你手写矩阵推导大概率是考“卡尔曼滤波为什么适合做用户手势轨迹平滑”。答案是传感器采集到的坐标带有噪声而卡尔曼滤波能够在保留真实轨迹趋势的同时抑制噪声且计算复杂度低、适合实时处理。你最好能补充一句“卡尔曼滤波假设噪声服从高斯分布如果真实噪声不是高斯的效果会打折扣可以考虑粒子滤波”这句话会显得你的知识面很宽。3.5 图像与音频算法多模态交互的入场券人机交互不只是鼠标键盘还包括视觉交互手势、表情、眼动和语音交互。热词里出现“图像锐化的拉普拉斯算法”“Sobel 算法”“图像分类算法”“音频重采样算法”等很可能就是从多模态交互延伸出来的考点。Sobel 算子做边缘检测本质是卷积操作两个 3x3 卷积核分别计算水平梯度和垂直梯度梯度幅值大于阈值视为边缘。在交互场景中Sobel 可以用来检测手的轮廓、面部轮廓为后续的手势识别或表情识别做预处理。Laplacian 算子是二阶微分算子对噪声敏感通常先高斯模糊再用所以笔试如果问“Laplacian 算子的缺点”一定要答“对噪声敏感需要先平滑”。音频重采样算法出现在这个岗位的考点里有点意外但想想语音交互就合理了。不同设备采集的音频采样率不同麦克风可能是 16kHz语音识别模型可能需要 8kHz 或 22.05kHz重采样是绕不开的预处理。简单的线性插值会导致频谱失真高质量重采样要用多相滤波器或基于 FFT 的方法。备考这一块的策略是不需要像 CV 或语音算法岗那样深入调模型但要能说出“这个图像/音频算法在交互流程里处于哪个环节、解决什么问题、最基本的原理是什么”。这其实是人机交互算法工程师和纯算法工程师的一个显著区别——你更像是“算法 场景”之间的翻译官。4. 人机交互理论必修课Fitts 定律、认知负荷、反馈机制笔试里的隐藏送分题如果你以为把算法刷完就万事大吉那就大错特错了。那一年网易人机交互算法工程师笔试卷里至少有 20%~30% 的分数属于“人机交互理论”范畴。这一块对科班出身的计算机学生来说很陌生但对心理/设计背景的候选人是送分题。4.1 Fitts 定律不只是公式而是交互特征工程的底层逻辑Fitts 定律是人机交互领域最经典的定量模型公式长这样MT a b · log2(1 D/W)MT 是完成动作的平均时间D 是目标距离W 是目标宽度a 和 b 是经验常数。log2(1 D/W) 就是“难度指数”。笔试里最常见的考法有两种。一种是直接让你解释“为什么屏幕上大按钮比小按钮更容易被点击”答案是目标宽度 W 越大难度指数越小所需时间越短。另一种是结合算法题考比如在前面说的“用户点击行为预测”题目里你可以把 D 和 W 转换成特征按钮中心到用户当前鼠标位置的距离、按钮的可点击宽度。这就是 Fitts 定律和机器学习结合的最佳案例。笔试中如果能主动写出“交互特征设计参考了 Fitts 定律”绝对是一个加分项。这比死记公式有价值得多。4.2 认知负荷与交互复杂度为什么算法要关注用户脑力成本认知负荷理论在人机交互算法岗笔试里经常以简答题出现。问法通常是“在设计交互流程时如何评估用户认知负荷请结合算法手段”。要回答好这道题需要分三层展开。第一层认知负荷分三种内在认知负荷任务本身难度、外在认知负荷信息呈现方式导致的额外负担、相关认知负荷学习与图式构建所消耗的资源。第二层交互设计要尽量降低外在认知负荷比如把关键操作按钮放在拇指热区、减少页面跳转层级。第三层算法工程师能做什么可以通过用户行为序列分析来度量认知负荷——比如用户在某个页面停留过久、多次反复点击、操作序列出现大量回退这都暗示可能存在高认知负荷。这一题如果你能答出“用行为序列熵值量化交互复杂度”那基本就是满分答案。行为序列熵值越大说明用户操作越混乱认知负荷可能越高。4.3 反馈机制与系统响应时间你写的算法再怎么快也不如让用户不等待人机交互里有一个经典的“响应时间三阈值”0.1 秒用户感觉系统是即时响应的1 秒用户会注意到延迟但思维流不会被打断10 秒用户会失去注意力开始做其他事情。这个知识点经常以选择题出现但它背后的算法意义很值得展开为什么算法要追求低延迟不只是性能指标而是用户体验的硬约束。笔试中如果出现“如何优化某个交互算法的响应速度”这类开放题你可以从算法层面回答用缓存降低重复计算、用近似计算换速度、用预计算提前生成候选集、用流式处理让首帧快速返回。把这些和反馈机制的三阈值结合就是一篇“算法 交互”完美融合的答案。4.4 交互设计原则Norman 的七个阶段与心智模型算法工程师也要懂Donald Norman《设计心理学》里提出的“行动七阶段”在人机交互笔试中也是常客目标、计划、确认、执行、感知、解释、对比。笔试不会直接考这七个词但会考“如何用算法帮助用户完成行动环路”。比如“用户想搜索某商品目标在搜索框输入关键词执行但系统没给出预期结果感知/解释用户开始犹豫对比此时智能搜索算法应该如何优化”就可以答“通过查询推荐、结果摘要、容错纠错来缩短行动环路中的感知解释环节”。这一部分建议看一遍《设计心理学》的核心概念不需要背但要能用自己的话把“心智模型”“示能性”“反馈”这几个概念讲清楚。人机交互算法的本质就是让计算系统更好地匹配用户的心智模型。5. 真题风格实战推演主观题与应用题怎么写才能拿高分笔试不只是客观题还有大量主观题和应用题。很多基本功扎实的同学最后却倒在主观题上——不是不会而是不知道怎么组织答案。我复盘那年的题目风格总结出三个“高分答题框架”。5.1 面对“设计一个手势识别系统”题怎样从 0 到 1 构建答案这类题是典型的人机交互算法应用题。拿到题不要直接写卷积神经网络先按工程链路拆第一传感器与数据。用摄像头还是惯性传感器摄像头采集 30fps 的 RGB 图像惯性传感器采集三轴加速度和角速度。数据预处理包括去噪卡尔曼滤波或低通滤波、归一化、时间窗口切片。第二特征工程或端到端学习。传统方案是提取手势轨迹特征速度、加速度、曲率、方向直方图配合 SVM 或随机森林分类。端到端方案是直接用 CNN LSTM 对手势序列建模。笔试两种方案都写并说明取舍标注数据多选端到端可解释性要求高选特征工程。第三实时性与误识别率。交互场景对手势识别延迟非常敏感前文提到的响应时间三阈值在这里要应用上。如果模型推理超过 100ms就比较危险了可以考虑模型量化、知识蒸馏、关键帧抽帧。第四评估方案。不能只报准确率要报每类手势的混淆矩阵、误触发率用户没做手势但系统误识别、漏检率还要做真实场景下的用户测试看用户在自然状态下做手势的识别效果而不是只在实验室标准动作下测。如果主观题你能写出这四层阅卷人一眼就能看出你是真的做过项目而不是背课本。5.2 “如何评估智能客服的交互体验”题指标体系 算法 用户研究三合一这道题在热词背景下特别值得练因为它综合考察“用户行为分析”和“体验度量”。标准的高分答案是三层指标体系加两个算法工具。第一层效率指标包括任务完成率、平均对话轮数、平均解决时长。任务完成率是核心北极星指标对话轮数越少越好解决时长越短越好。第二层质量指标包括首答准确率、用户重复提问率、转人工率。用户重复提问率高说明系统没听懂用户意图或回答没有解决真实问题。第三层情感指标包括用户满意度评分、负面情绪占比可以用情感分析算法对用户对话文本打分。算法工具方面第一个是意图识别模型把用户句子分到预定义意图类别里。第二个是对话策略优化上文中提到的强化学习。第三个是会话分析用聚类算法把“低满意度会话”聚合出来归纳共性原因推动产品改进。这个框架在笔试里几乎是万能模板。凡是“如何评估交互体验”类的题都可以套进来并针对具体场景微调指标名。5.3 写代码题时最容易死的几个隐蔽扣分点边界、性能和注释考试不只是写对逻辑还要注意很多公司笔试系统隐藏的扣分点。第一个是边界条件。比如 KMP 匹配时模式串比文本串长、排序数组为空、DP 数组下标越界。很多人在 LeetCode 刷题时靠题目样例自动防错笔试环境下没有这些辅助全靠自己兜底。第二个是复杂度太高。笔试卷的判题系统有超时限制如果你写了个 O(n²) 的算法而预期是 O(n log n)即使逻辑正确也可能 TLE。所以写完代码一定要在注释里写出时间复杂度和空间复杂度这既是给阅卷人看的也是帮你自查的。第三个是代码风格。公司校招笔试的阅卷人通常是资深工程师他们对“变量名是 a、b、c 还是一段有意义的英文单词”极其敏感。命名规范、函数职责单一、关键步骤有注释这些都会影响面试官的主观分。我自己的习惯是拿到题目先写伪代码或注释理清思路再动手写真实代码最后留出两三分钟专门检查边界。笔试时间再紧这三步也不能省。6. 备考路线与时间规划从零基础到网易校招笔试实战水平到底需要做多少事如果你现在才开始准备时间很赶但绝对来得及。我根据自己带过的校招候选人经验把备考拆成四周计划每周聚焦一个模块。如果你只有一个星期那就压缩前三周的时间第四周的内容不能省。6.1 第一周算法基础目标是“常见题不卡壳”本周每天保持 2~3 道 LeetCode 或牛客网题的节奏重点题型分布数组/字符串/链表基础题占 40%二分、双指针、滑动窗口、KMP排序与查找占 20%手写快排、归并、堆排理解稳定性栈/队列/哈希表占 20%二叉树/图占 20%DFS/BFS、拓扑排序、Dijkstra 入门。这一周的目标不是追求难题 AC而是“常见题不卡壳”。遇到 DP 题如果 20 分钟想不出状态定义直接看题解并总结套路把经典模型LIS、LCS、背包的代码抄三遍。KMP 的 next 数组原理和代码必须手写出来因为它是热词里的绝对核心。6.2 第二周机器学习与深度学习重点是“公式推导 场景应用”本周用半天时间过一遍 LR、SVM、决策树/GBDT 的核心公式要求能不看资料写出 LR 的损失函数和梯度更新式。再花半天时间整理聚类、降维、KNN 的 Python 实现和应用场景。另外两天学习 CNN、RNN/LSTM 的基础结构以及图像领域的 Sobel、Laplacian 和音频重采样不追求实现但要能说清原理。更关键的是做“场景题训练”——拿到一个交互场景先抽象成机器学习任务。比如拿一道“预测用户是否会取消订阅”的题自己尝试列出特征体系、模型选择、评估指标。这个训练对笔试的主观题尤其重要。6.3 第三周人机交互理论目标是“不丢隐藏分”用一整天读完《设计心理学》核心章节重点划线 Fitts 定律、示能性、反馈、心智模型、认知负荷。再用一天看 Nielsen 的 10 条可用性启发式评估原则不用背原文能用自己的话举例解释就行。笔试前这一周每天给自己出一道“算法 交互”结合的开放题比如“设计一个手势解锁系统要考虑哪些算法与交互问题”“怎么用行为序列聚类优化推荐流的展示顺序”限定时间写答案然后对照我前面讲的答题框架查漏补缺。6.4 第四周真题模拟与错题复盘重点是“限时答题”拿出两整天做限时模拟卷。严格按校招笔试的时长来设置闹钟不开任何参考资料。重点不是做对多少而是训练时间分配——建议客观题 40% 时间主观题 60% 时间。比较常见的失分模式是在选择题上遇阻后死磕结果大题的 20 分钟被压缩成了 5 分钟草草写两行字就交卷。遇到不会的选择题先标记跳过先把大题的框架写出来再回头补选择题。模拟卷的复盘比做题更重要。每道错题都要问自己三个问题是概念不懂是思路不对还是代码实现失误分别对应不同的补救方式。概念不懂就翻书思路不对就总结套路代码失误就反复写边界测试。7. 最后说点实际操作层面的经验笔试里那些“试卷上不会写但你该知道”的细节考完不难发现真正拉分的往往不是知识量而是应试细节。第一答题顺序强烈建议“先主观后客观”。人机交互算法岗的主观题分值大、弹性大写得好很容易拿高分。而客观题尤其是选择题往往是“会的不难难的不会”死磕没有意义。先把主观题的大框架搭好再回头收拾客观题能最大化总分。第二主观题的价值不是“标准答案”而是“思维可见性”。阅卷人看的是你的思路是否清晰、是否考虑全面。所以哪怕有些点没完全想到也要把自己想到的流程写出来——数据怎么采集、特征怎么构造、模型怎么选、评估怎么做。有流程就有分光秃秃的结论容易被扣分。第三遇到不会的题大胆写“如果让我实现我会如何调研”。比如问一个你没接触过的算法你可以答“这个领域我不太熟悉但从工程实践的角度我会先查有没有成熟的开源实现然后在小规模数据上验证核心指标再逐步迭代上线”。这比空着不写强一百倍。第四笔试只是敲门砖后面的面试通常还会深挖你笔试里的答案。所以笔试时不要为了显得厉害去硬凹一些自己没有验证过的方案。写上去的内容一定要是在面试官追问下你还能架得住的内容。我自己在筛选简历和面试候选人的经验是笔试里那些“能用简单方案解决复杂问题”的选手通常比“堆一堆高级模型却讲不清为什么”的选手评价高得多。网易 2018 校招人机交互算法工程师的笔试卷给了后来很多校招同学一个明确的信号这个岗位要的人是既能沉下心写对 KMP next 数组又能抬头理解用户为什么点错按钮的人。所以刷题和学交互理论从来不是两条线而是螺旋式融合的过程。你最早可能觉得这些理论“太软”但真正在交互场景里做算法之后你会发现 Fitts 定律的公式和交叉熵损失函数一样重要。一个懂算法的人让人机交互系统变得更快更准一个懂交互的算法工程师让人机交互系统变得更像一个贴心的助手而后者正是这个岗位的名字里藏着的真实期待。
1. 从笔试卷结构反推岗位真实技能树人机交互算法工程师到底在考什么很多人看到“人机交互算法工程师”这个岗位名第一反应是“这不是搞 UI/UX 设计的吗”第二反应是“算法工程师我懂但加上人机交互四个字怎么感觉画风不对”。说实话2018年网易这张校招笔试卷恰恰是理解这个交叉岗位的最好样本——它既没有考你画原型图也没有让你推导 ResNet 的反向传播而是把“算法基本功”和“交互场景理解”两座山头揉在一起考。先说结论笔试的核心考察点可以拆成三块。第一块是计算机通用算法与数据结构这一部分占的比重最大也是刷题党最容易拿分的地方。第二块是机器学习/深度学习基础但不是泛泛地考模型公式而是结合交互场景出题比如用户行为序列建模、手势识别、眼动数据拟合。第三块是“人机交互理论常识”这一块最容易被忽视但它恰恰是区分“纯算法工程师”和“人机交互算法工程师”的分水岭。那一年试卷里给我留下最深印象的是一道关于“用户点击行为预测”的题。它表面上是考机器学习分类模型实际上还偷偷藏了 Fitts 定律的影子——用户点击某个按钮的难度跟按钮大小和距离有关这本身就是人机交互里最经典的模型之一。如果你只懂算法不懂交互这道题顶多答个 Logistic Regression 加特征工程但如果你懂 Fitts 定律你就会想到把按钮尺寸、指针移动距离、目标边缘距离这些“交互特征”也放进模型里。这就是这张试卷真正的筛选逻辑它不只要你“会算”还要你“懂场景”。所以准备这类笔试绝不能只刷 LeetCode。我后面会展开讲每一块到底怎么准备、有哪些坑、有哪些“早知道就好了”的经验。2. 通用算法题KMP、排序、贪心、图论哪些是高频考点哪些是虚晃一枪先聊硬核的。那一年网易人机交互算法工程师的笔试卷里通用算法题基本覆盖了数据结构与算法的经典范围但侧重点跟后端岗有明显区别。后端岗爱考 LRU Cache、线段树、并查集这类工程性强的题目人机交互算法岗则更偏向字符串处理、搜索/回溯、排序与查找的变体以及动态规划的经典模型。2.1 KMP 算法的 next 数组不是让你背代码是考你理解热词里出现了“在 kmp 算法中对于模式串 pabacaba其 next 数组next[i] 定义为……”这就是典型的笔试题面孔。网易那套题里虽然没有原题重现但类似风格的“手算 next 数组”是高频题。很多人背 KMP 模板背得滚瓜烂熟一遇到“求 next 数组具体数值”就懵。原因很简单不同教材对 next 数组的定义有细微差别有的教材 next[i] 表示“模式串前 i 个字符的最长相等前后缀长度”有的表示“失配时跳转的位置”。笔试前一定要先确认题目用的是哪种定义否则下标从 0 还是从 1 开始都会影响答案。先说最通用的定义假设模式串 P 的长度为 m定义 next[i] 为“P[0...i] 这个子串的最长相等前后缀的长度”不包含自身。对于 P abacabai0P[0]a没有真前后缀next[0]0i1P[0...1]ab最长相等前后缀长度为 0next[1]0i2P[0...2]aba前缀a和后缀a相等长度为 1next[2]1i3P[0...3]abac前缀a和ac不相等前缀ab和ac不相等next[3]0i4P[0...4]abaca前缀a和后缀a相等长度为 1next[4]1i5P[0...5]abacab最长相等前后缀是ab长度为 2next[5]2i6P[0...6]abacaba最长相等前后缀是aba长度为 3next[6]3。所以 next [0, 0, 1, 0, 1, 2, 3]。到这里还没完。笔试真正想考的是你知不知道“为什么 KMP 能加速”。核心在于失配时不需要从头开始匹配而是利用已匹配部分的最长相等前后缀把模式串一次性滑动到合适位置。所以复习 KMP 不要只记模板要把“构建 next 数组时j 回溯是为什么”“失配时模式串右移多少位”这些原理搞清楚。面试时被追问起来能讲清楚才是真的会。2.2 排序算法不只看时间复杂度还看稳定性与场景热词里有一堆排序算法冒泡、堆排序、快速排序、排序算法 C 实现……网易这类笔试对排序的考察非常“刁钻”。它很少让你手写快排太常规了反而爱考“在什么场景下选什么排序算法”这种综合判断题。比如给你一个几乎有序的数组要求高效排序你会选什么插入排序因为几乎有序时插入排序的时间复杂度趋近 O(n)。再比如如果只能使用 O(1) 额外空间且要求稳定排序你会选什么归并排序做不到原地稳定快排不稳定堆排也不稳定那答案往往是“用原地归并排序的变体”甚至可以讨论“稳定性 原地”在工程实现上的一些取舍。具体到人机交互算法岗排序还有一个隐藏考点——对用户数据进行排序的场景。比如“有一个用户点击热力图的点集需要按点击时间戳排序进而分析用户浏览轨迹”这种题目考核的不是堆排如何建堆而是你能不能识别出“这是稳定排序因为需要保留同一点被多次点击的原始顺序”。这就是笔试把通用算法和交互场景结合的一种出题方式。我给一个备考建议把八大排序算法的代码都手写一遍但更重要的是整理一张表列出每个排序算法的平均/最好/最坏时间复杂度、空间复杂度、稳定性、适用场景然后反复自问“如果用户数据是流式到达的我应该用什么排序”“如果内存特别紧张我应该用什么排序”。这一套下来比单纯刷题有用得多。2.3 贪心、回溯、动态规划人机交互岗考的是模型转化能力贪心算法和动态规划在笔试卷里基本是“二选一”的重量级选手。网易那年的试卷里有一道“带权活动选择”的变体题背景改成了“用户在某 App 上浏览内容每个内容有起止时间和一个‘用户兴趣度’权重如何选择展示内容让总兴趣度最大”。剥掉外壳这就是经典的活动选择问题贪心策略是“按结束时间排序优先选结束早的”。但要注意这类题真正的得分点不是“选哪个策略”而是“证明为什么这个策略是对的”。笔试不一定要求你写严格数学证明但你要在代码注释或解题思路里写清楚为什么按结束时间排序的贪心策略能得到最优解因为“选择结束时间最早的活动能够为剩余活动留下最大时间区间”这是一个典型的替换论证。如果你只是默默写代码不写思路很可能被扣分。动态规划的题也是同理。人机交互场景里有大量序列数据——用户操作序列、眼动轨迹序列、语音指令序列——这些天然适合用 DP 建模。比如“用户操作序列中的最长公共子序列”可以用来衡量两个用户的操作习惯有多相似这其实就是 LCS 的变体。建议备考时把 0-1 背包、LCS、LIS、编辑距离这四个经典 DP 模型吃透并且能快速把交互场景翻译成 DP 状态定义。2.4 图论与搜索Dijkstra、二分图、Kahn 排序的实际切入点热词里出现了 Dijkstra 算法、二分图 HK 算法、Kahn 算法这些图论算法在通用算法题里属于中高难度。人机交互岗考图论的概率比纯后端低但一旦考了往往是跟“路径规划”“状态流转”“拓扑关系”有关。比如用户从页面 A 到页面 B 的导航路径中每两个页面之间有一个跳转耗时如何找到最短路径这就是 Dijkstra甚至可以用 A* 优化因为页面跳转存在启发式信息。再比如把用户的操作状态建模成有向无环图用 Kahn 算法做拓扑排序从而分析用户从进入 App 到完成核心任务的必经路径。这些题考的是你能不能从场景里提取出图模型而不是单纯背 Dijkstra 模板。备考建议把 Dijkstra 的优先队列实现写熟把拓扑排序Kahn 算法的代码写熟理解二分图匹配的“增广路”思想。遇到交互场景题时先问自己“这里能不能抽象成节点 边”如果能就有 70% 的概率是在考图论。3. 机器学习与深度学习基础从用户行为到交互建模算法岗的硬实力区通用算法题只是门槛机器学习/深度学习才是人机交互算法工程师的硬实力区。热词里大量出现“机器学习算法”“深度学习算法”“强化学习算法”“聚类算法”“KNN 算法”“卡尔曼滤波”“图像分类算法”等内容这些恰恰也是网易这张试卷的重点领域。3.1 特征工程与分类模型用户点击预测题的正确打开方式我在前面提到的那道“用户点击行为预测”题其实背后就是机器学习分类问题。特征怎么构造最朴素的想法是构造用户侧特征历史点击率、活跃时段、设备类型、内容侧特征内容类别、内容长度、内容热度、上下文特征当前时间、网络环境。但有了交互思维的加成你还要加一类“交互特征”按钮在屏幕上的位置、按钮尺寸、用户指针从上一个位置移动到这里的距离以及该按钮与用户拇指热区中心的距离。这一块几乎是所有只刷机器学习理论的人最容易丢分的地方因为教科书不会告诉你这些交互特征。分类模型选什么Logistic Regression 是最稳妥的选项因为可解释性强而且笔试中你能把公式推导写清楚。GBDT、XGBoost 也是热词里的常客XGBoost 的损失函数、正则项、分裂增益公式需要能手推。如果你在试卷里看到“用户点击预测”类题目我建议第一先列特征体系第二给出模型选择和理由第三写出损失函数和优化方式第四说清评估指标AUC、LogLoss为什么比准确率更适合点击预测场景。按照这个“四步法”答基本能拿满大部分分数。3.2 聚类与降维用户分群题的标准打法“聚类算法”和“KNN 算法的应用能力包括哪三个方面”是高频热词。人机交互岗经常需要在没有标签的情况下对用户行为分群比如根据使用时长、功能使用频率、交互路径复杂度把用户分为“新手上路型”“熟练高效型”“探索型”等。K-Means 是最常见的答案但笔试如果只答 K-Means 就太单薄了。要注意三点如何选 K常用肘部法则但更严谨的做法是结合轮廓系数。K-Means 对初始中心敏感笔试中要提到 K-Means 或多次随机初始化取最优。如果用户行为数据是时序的K-Means 不能直接用需要把时间序列换成向量表示比如用 DTW 距离的 K-Medoids。KNN 在人机交互里也有独特应用最常见的三个应用方向是推荐系统中的相似用户查找、交互行为识别比如把当前用户操作序列与已有用户行为样本比对找最相似的 K 个判定其意图、异常检测用户行为模式与正常群体差异过大时触发安全警报或交互干预。这三个方向如果能写在试卷上的“应用举例”类题目里会让阅卷人觉得你真的懂业务。降维方面PCA 和 t-SNE 是高频考点。特别是“如何对高维交互特征降维并用 2D 图可视化用户行为分群结果”这类题PCA 负责保留全局结构t-SNE 负责局部结构。有个细节t-SNE 的困惑度参数对结果影响很大笔试中如果能写出“困惑度一般取 5~50过小则簇碎片化过大则簇混在一起”会显得你实战经验丰富。3.3 强化学习交互策略优化的进阶考点热词里“强化学习算法”也出现了。在 2018 年的校招笔试卷里强化学习不是必考大题的但会以选择题或简答题的形式出现比如“在智能对话系统中如何用强化学习优化对话策略”。这类题主要是考概念和流程。你要能写清楚四个核心要素状态当前对话历史/用户意图、动作系统下一步的回复策略或推荐内容、奖励用户是否完成目标任务、对话轮数是否够短、策略从状态到动作的映射。如果考到具体算法DQN 比 Policy Gradient 更常考。DQN 的两个关键机制是经验回放打破样本相关性和目标网络稳定训练目标这两个名字如果答不上来基本就露馅了。还有一点容易忽略强化学习与监督学习的区别。交互式场景里没有现成的“标注数据”只有“试错后的奖惩信号”这说明为什么很多交互策略优化最终会走到强化学习这条路。把这个逻辑写进简答题会让你的答案更有说服力。3.4 卡尔曼滤波与时序建模眼动追踪与手势轨迹的基石热词中的“卡尔曼滤波算法”是很多人容易忽略的点但它恰恰是人机交互算法岗位的一个特色考点。眼动追踪、手势轨迹预测、姿态估计中卡尔曼滤波都是老牌且有效的工具。核心思想一句话把系统状态的最优估计看成“预测 更新”的迭代过程。预测阶段用状态转移方程和上一时刻的最优估计算出当前时刻的先验估计与协方差更新阶段用当前观测值和卡尔曼增益对先验估计做修正得到后验估计。笔试如果出卡尔曼滤波一般不会让你手写矩阵推导大概率是考“卡尔曼滤波为什么适合做用户手势轨迹平滑”。答案是传感器采集到的坐标带有噪声而卡尔曼滤波能够在保留真实轨迹趋势的同时抑制噪声且计算复杂度低、适合实时处理。你最好能补充一句“卡尔曼滤波假设噪声服从高斯分布如果真实噪声不是高斯的效果会打折扣可以考虑粒子滤波”这句话会显得你的知识面很宽。3.5 图像与音频算法多模态交互的入场券人机交互不只是鼠标键盘还包括视觉交互手势、表情、眼动和语音交互。热词里出现“图像锐化的拉普拉斯算法”“Sobel 算法”“图像分类算法”“音频重采样算法”等很可能就是从多模态交互延伸出来的考点。Sobel 算子做边缘检测本质是卷积操作两个 3x3 卷积核分别计算水平梯度和垂直梯度梯度幅值大于阈值视为边缘。在交互场景中Sobel 可以用来检测手的轮廓、面部轮廓为后续的手势识别或表情识别做预处理。Laplacian 算子是二阶微分算子对噪声敏感通常先高斯模糊再用所以笔试如果问“Laplacian 算子的缺点”一定要答“对噪声敏感需要先平滑”。音频重采样算法出现在这个岗位的考点里有点意外但想想语音交互就合理了。不同设备采集的音频采样率不同麦克风可能是 16kHz语音识别模型可能需要 8kHz 或 22.05kHz重采样是绕不开的预处理。简单的线性插值会导致频谱失真高质量重采样要用多相滤波器或基于 FFT 的方法。备考这一块的策略是不需要像 CV 或语音算法岗那样深入调模型但要能说出“这个图像/音频算法在交互流程里处于哪个环节、解决什么问题、最基本的原理是什么”。这其实是人机交互算法工程师和纯算法工程师的一个显著区别——你更像是“算法 场景”之间的翻译官。4. 人机交互理论必修课Fitts 定律、认知负荷、反馈机制笔试里的隐藏送分题如果你以为把算法刷完就万事大吉那就大错特错了。那一年网易人机交互算法工程师笔试卷里至少有 20%~30% 的分数属于“人机交互理论”范畴。这一块对科班出身的计算机学生来说很陌生但对心理/设计背景的候选人是送分题。4.1 Fitts 定律不只是公式而是交互特征工程的底层逻辑Fitts 定律是人机交互领域最经典的定量模型公式长这样MT a b · log2(1 D/W)MT 是完成动作的平均时间D 是目标距离W 是目标宽度a 和 b 是经验常数。log2(1 D/W) 就是“难度指数”。笔试里最常见的考法有两种。一种是直接让你解释“为什么屏幕上大按钮比小按钮更容易被点击”答案是目标宽度 W 越大难度指数越小所需时间越短。另一种是结合算法题考比如在前面说的“用户点击行为预测”题目里你可以把 D 和 W 转换成特征按钮中心到用户当前鼠标位置的距离、按钮的可点击宽度。这就是 Fitts 定律和机器学习结合的最佳案例。笔试中如果能主动写出“交互特征设计参考了 Fitts 定律”绝对是一个加分项。这比死记公式有价值得多。4.2 认知负荷与交互复杂度为什么算法要关注用户脑力成本认知负荷理论在人机交互算法岗笔试里经常以简答题出现。问法通常是“在设计交互流程时如何评估用户认知负荷请结合算法手段”。要回答好这道题需要分三层展开。第一层认知负荷分三种内在认知负荷任务本身难度、外在认知负荷信息呈现方式导致的额外负担、相关认知负荷学习与图式构建所消耗的资源。第二层交互设计要尽量降低外在认知负荷比如把关键操作按钮放在拇指热区、减少页面跳转层级。第三层算法工程师能做什么可以通过用户行为序列分析来度量认知负荷——比如用户在某个页面停留过久、多次反复点击、操作序列出现大量回退这都暗示可能存在高认知负荷。这一题如果你能答出“用行为序列熵值量化交互复杂度”那基本就是满分答案。行为序列熵值越大说明用户操作越混乱认知负荷可能越高。4.3 反馈机制与系统响应时间你写的算法再怎么快也不如让用户不等待人机交互里有一个经典的“响应时间三阈值”0.1 秒用户感觉系统是即时响应的1 秒用户会注意到延迟但思维流不会被打断10 秒用户会失去注意力开始做其他事情。这个知识点经常以选择题出现但它背后的算法意义很值得展开为什么算法要追求低延迟不只是性能指标而是用户体验的硬约束。笔试中如果出现“如何优化某个交互算法的响应速度”这类开放题你可以从算法层面回答用缓存降低重复计算、用近似计算换速度、用预计算提前生成候选集、用流式处理让首帧快速返回。把这些和反馈机制的三阈值结合就是一篇“算法 交互”完美融合的答案。4.4 交互设计原则Norman 的七个阶段与心智模型算法工程师也要懂Donald Norman《设计心理学》里提出的“行动七阶段”在人机交互笔试中也是常客目标、计划、确认、执行、感知、解释、对比。笔试不会直接考这七个词但会考“如何用算法帮助用户完成行动环路”。比如“用户想搜索某商品目标在搜索框输入关键词执行但系统没给出预期结果感知/解释用户开始犹豫对比此时智能搜索算法应该如何优化”就可以答“通过查询推荐、结果摘要、容错纠错来缩短行动环路中的感知解释环节”。这一部分建议看一遍《设计心理学》的核心概念不需要背但要能用自己的话把“心智模型”“示能性”“反馈”这几个概念讲清楚。人机交互算法的本质就是让计算系统更好地匹配用户的心智模型。5. 真题风格实战推演主观题与应用题怎么写才能拿高分笔试不只是客观题还有大量主观题和应用题。很多基本功扎实的同学最后却倒在主观题上——不是不会而是不知道怎么组织答案。我复盘那年的题目风格总结出三个“高分答题框架”。5.1 面对“设计一个手势识别系统”题怎样从 0 到 1 构建答案这类题是典型的人机交互算法应用题。拿到题不要直接写卷积神经网络先按工程链路拆第一传感器与数据。用摄像头还是惯性传感器摄像头采集 30fps 的 RGB 图像惯性传感器采集三轴加速度和角速度。数据预处理包括去噪卡尔曼滤波或低通滤波、归一化、时间窗口切片。第二特征工程或端到端学习。传统方案是提取手势轨迹特征速度、加速度、曲率、方向直方图配合 SVM 或随机森林分类。端到端方案是直接用 CNN LSTM 对手势序列建模。笔试两种方案都写并说明取舍标注数据多选端到端可解释性要求高选特征工程。第三实时性与误识别率。交互场景对手势识别延迟非常敏感前文提到的响应时间三阈值在这里要应用上。如果模型推理超过 100ms就比较危险了可以考虑模型量化、知识蒸馏、关键帧抽帧。第四评估方案。不能只报准确率要报每类手势的混淆矩阵、误触发率用户没做手势但系统误识别、漏检率还要做真实场景下的用户测试看用户在自然状态下做手势的识别效果而不是只在实验室标准动作下测。如果主观题你能写出这四层阅卷人一眼就能看出你是真的做过项目而不是背课本。5.2 “如何评估智能客服的交互体验”题指标体系 算法 用户研究三合一这道题在热词背景下特别值得练因为它综合考察“用户行为分析”和“体验度量”。标准的高分答案是三层指标体系加两个算法工具。第一层效率指标包括任务完成率、平均对话轮数、平均解决时长。任务完成率是核心北极星指标对话轮数越少越好解决时长越短越好。第二层质量指标包括首答准确率、用户重复提问率、转人工率。用户重复提问率高说明系统没听懂用户意图或回答没有解决真实问题。第三层情感指标包括用户满意度评分、负面情绪占比可以用情感分析算法对用户对话文本打分。算法工具方面第一个是意图识别模型把用户句子分到预定义意图类别里。第二个是对话策略优化上文中提到的强化学习。第三个是会话分析用聚类算法把“低满意度会话”聚合出来归纳共性原因推动产品改进。这个框架在笔试里几乎是万能模板。凡是“如何评估交互体验”类的题都可以套进来并针对具体场景微调指标名。5.3 写代码题时最容易死的几个隐蔽扣分点边界、性能和注释考试不只是写对逻辑还要注意很多公司笔试系统隐藏的扣分点。第一个是边界条件。比如 KMP 匹配时模式串比文本串长、排序数组为空、DP 数组下标越界。很多人在 LeetCode 刷题时靠题目样例自动防错笔试环境下没有这些辅助全靠自己兜底。第二个是复杂度太高。笔试卷的判题系统有超时限制如果你写了个 O(n²) 的算法而预期是 O(n log n)即使逻辑正确也可能 TLE。所以写完代码一定要在注释里写出时间复杂度和空间复杂度这既是给阅卷人看的也是帮你自查的。第三个是代码风格。公司校招笔试的阅卷人通常是资深工程师他们对“变量名是 a、b、c 还是一段有意义的英文单词”极其敏感。命名规范、函数职责单一、关键步骤有注释这些都会影响面试官的主观分。我自己的习惯是拿到题目先写伪代码或注释理清思路再动手写真实代码最后留出两三分钟专门检查边界。笔试时间再紧这三步也不能省。6. 备考路线与时间规划从零基础到网易校招笔试实战水平到底需要做多少事如果你现在才开始准备时间很赶但绝对来得及。我根据自己带过的校招候选人经验把备考拆成四周计划每周聚焦一个模块。如果你只有一个星期那就压缩前三周的时间第四周的内容不能省。6.1 第一周算法基础目标是“常见题不卡壳”本周每天保持 2~3 道 LeetCode 或牛客网题的节奏重点题型分布数组/字符串/链表基础题占 40%二分、双指针、滑动窗口、KMP排序与查找占 20%手写快排、归并、堆排理解稳定性栈/队列/哈希表占 20%二叉树/图占 20%DFS/BFS、拓扑排序、Dijkstra 入门。这一周的目标不是追求难题 AC而是“常见题不卡壳”。遇到 DP 题如果 20 分钟想不出状态定义直接看题解并总结套路把经典模型LIS、LCS、背包的代码抄三遍。KMP 的 next 数组原理和代码必须手写出来因为它是热词里的绝对核心。6.2 第二周机器学习与深度学习重点是“公式推导 场景应用”本周用半天时间过一遍 LR、SVM、决策树/GBDT 的核心公式要求能不看资料写出 LR 的损失函数和梯度更新式。再花半天时间整理聚类、降维、KNN 的 Python 实现和应用场景。另外两天学习 CNN、RNN/LSTM 的基础结构以及图像领域的 Sobel、Laplacian 和音频重采样不追求实现但要能说清原理。更关键的是做“场景题训练”——拿到一个交互场景先抽象成机器学习任务。比如拿一道“预测用户是否会取消订阅”的题自己尝试列出特征体系、模型选择、评估指标。这个训练对笔试的主观题尤其重要。6.3 第三周人机交互理论目标是“不丢隐藏分”用一整天读完《设计心理学》核心章节重点划线 Fitts 定律、示能性、反馈、心智模型、认知负荷。再用一天看 Nielsen 的 10 条可用性启发式评估原则不用背原文能用自己的话举例解释就行。笔试前这一周每天给自己出一道“算法 交互”结合的开放题比如“设计一个手势解锁系统要考虑哪些算法与交互问题”“怎么用行为序列聚类优化推荐流的展示顺序”限定时间写答案然后对照我前面讲的答题框架查漏补缺。6.4 第四周真题模拟与错题复盘重点是“限时答题”拿出两整天做限时模拟卷。严格按校招笔试的时长来设置闹钟不开任何参考资料。重点不是做对多少而是训练时间分配——建议客观题 40% 时间主观题 60% 时间。比较常见的失分模式是在选择题上遇阻后死磕结果大题的 20 分钟被压缩成了 5 分钟草草写两行字就交卷。遇到不会的选择题先标记跳过先把大题的框架写出来再回头补选择题。模拟卷的复盘比做题更重要。每道错题都要问自己三个问题是概念不懂是思路不对还是代码实现失误分别对应不同的补救方式。概念不懂就翻书思路不对就总结套路代码失误就反复写边界测试。7. 最后说点实际操作层面的经验笔试里那些“试卷上不会写但你该知道”的细节考完不难发现真正拉分的往往不是知识量而是应试细节。第一答题顺序强烈建议“先主观后客观”。人机交互算法岗的主观题分值大、弹性大写得好很容易拿高分。而客观题尤其是选择题往往是“会的不难难的不会”死磕没有意义。先把主观题的大框架搭好再回头收拾客观题能最大化总分。第二主观题的价值不是“标准答案”而是“思维可见性”。阅卷人看的是你的思路是否清晰、是否考虑全面。所以哪怕有些点没完全想到也要把自己想到的流程写出来——数据怎么采集、特征怎么构造、模型怎么选、评估怎么做。有流程就有分光秃秃的结论容易被扣分。第三遇到不会的题大胆写“如果让我实现我会如何调研”。比如问一个你没接触过的算法你可以答“这个领域我不太熟悉但从工程实践的角度我会先查有没有成熟的开源实现然后在小规模数据上验证核心指标再逐步迭代上线”。这比空着不写强一百倍。第四笔试只是敲门砖后面的面试通常还会深挖你笔试里的答案。所以笔试时不要为了显得厉害去硬凹一些自己没有验证过的方案。写上去的内容一定要是在面试官追问下你还能架得住的内容。我自己在筛选简历和面试候选人的经验是笔试里那些“能用简单方案解决复杂问题”的选手通常比“堆一堆高级模型却讲不清为什么”的选手评价高得多。网易 2018 校招人机交互算法工程师的笔试卷给了后来很多校招同学一个明确的信号这个岗位要的人是既能沉下心写对 KMP next 数组又能抬头理解用户为什么点错按钮的人。所以刷题和学交互理论从来不是两条线而是螺旋式融合的过程。你最早可能觉得这些理论“太软”但真正在交互场景里做算法之后你会发现 Fitts 定律的公式和交叉熵损失函数一样重要。一个懂算法的人让人机交互系统变得更快更准一个懂交互的算法工程师让人机交互系统变得更像一个贴心的助手而后者正是这个岗位的名字里藏着的真实期待。
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
