一、企业概况
1.1公司简介
北京百度网讯科技有限公司是百度集团的核心运营主体。百度成立于 2000 年，以搜索引擎起家，业务覆盖移动生态、智能云、自动驾驶、小度智能硬件与文心大模型，2005 年在纳斯达克上市，2021 年在港交所二次上市。百度是国内最早系统投入人工智能研发的互联网公司之一，在自然语言处理、知识图谱、深度学习框架飞桨等方向有长期积累。近年来公司把大模型作为核心战略，推动搜索、地图、智能驾驶等业务的 AI 原生改造。
| 成立时间 | 2000 年 |
| 总部 | 北京 |
| 主营业务 | 搜索与信息流、智能云、自动驾驶、大模型 |
| 上市情况 | 纳斯达克（2005 年）、港交所（2021 年） |
| 技术底座 | 飞桨深度学习平台、文心大模型 |
| 行业地位 | 国内最早系统投入人工智能研发的互联网公司之一 |
| 业务场景 | 搜索、推荐、广告、地图、自动驾驶、智能硬件 |
1.2岗位定位
算法工程师校招方向包括搜索、推荐、广告、自然语言处理、计算机视觉和大模型。日常工作围绕数据、特征、模型和实验展开：清洗样本、设计特征、训练与调优、离线评估、在线 A/B，再把模型落到具体的业务链路里。校招生一般先负责一个明确的问题，比如某个场景的召回或排序，在导师带领下走完从离线到上线的完整闭环。
| 所属体系 | 搜索、推荐、广告、智能云、自动驾驶等业务线 |
| 核心职责 | 数据处理、特征工程、模型训练调优、离线评估与在线实验 |
| 发展路径 | 初级算法工程师到资深工程师，再到技术专家或方向负责人 |
| 培养体系 | 导师制、技术序列培训、内部课程与项目实战 |
| 能力要求 | 机器学习基础、编程与工程能力、论文或项目复现能力 |
- 百度算法岗很看重项目深度，论文和竞赛是加分项但不是替代品
- 大模型相关岗位会追问训练细节、数据配比和评测方法
- 手撕代码是硬环节，算法题写不出来，前面聊得再好也会打折
1.3招聘概况
百度校招通常分提前批和正式批，网申后参加在线笔试，再进入两轮左右技术面和主管或 HR 面。岗位面向计算机、人工智能、数学、统计、自动化等相关专业，工作地点以北京、上海、深圳为主。不同业务线的面试侧重点差异较大，搜索与推荐偏工程和实验，大模型方向更看训练与评测经验。
| 招聘批次 | 提前批与正式批，秋招为主 |
| 面向专业 | 计算机、人工智能、数学、统计、自动化等 |
| 工作地点 | 北京、上海、深圳等 |
| 投递窗口 | 以百度招聘官网为准，提前批通常早于正式批 |
| 选拔方式 | 网申、笔试、技术面、主管或 HR 面 |
企业概况整理自公司官网、公开年报与招聘公告，具体数据以官方最新发布为准。
二、面试总体概述
2.1案例背景
这是一份百度 2026 届校招算法工程师的面试复盘，十道题从优化器、Transformer、过拟合等基础，一路问到类别不平衡、大模型幻觉和两道手撕算法。题目覆盖面很广，但落点集中在“你是否真的训练过模型”：不仅要知道概念，还要能讲清数据、指标、失败案例和工程取舍。综合面则明显围绕文心大模型与百度搜索展开。
2.2基本信息
| 公司 | 北京百度网讯科技有限公司 |
| 岗位 | 算法工程师 |
| 招聘类型 | 校招 · 2026届 |
| 用工形式 / 部门 | 直招 |
| 工作地点 | 北京 |
| 面试轮次 | 4 轮 |
| 题目数量 | 共 10 题，均附参考答案 |
| 整体难度 | ★★★★☆ 偏难 |
2.3高频考点
| 考点 | 分类 | 出现轮次 | 次数 |
|---|---|---|---|
| 优化器与梯度下降 | 机器学习 · 优化 | 技术一面 | 1 |
| Transformer 与注意力 | 深度学习 · NLP | 技术一面 | 1 |
| 过拟合与正则化 | 机器学习 · 基础 | 技术一面 | 1 |
| 类别不平衡 | 机器学习 · 业务建模 | 技术二面 | 1 |
| 大模型幻觉与 RAG | 大模型 · 应用 | 技术二面 | 1 |
| Top-K 与海量数据 | 算法 · 堆 | 算法手撕 | 1 |
| 二叉树最近公共祖先 | 算法 · 树 | 算法手撕 | 1 |
| CNN 三大组件 | 深度学习 · CV | 技术一面 | 1 |
2.4备考建议
| 优先级 | 易失分点 | 准备动作 |
|---|---|---|
| P0 | 基础概念只会背定义 | 按“公式、直觉、优缺点、适用场景”整理优化器、正则化、注意力、CNN |
| P0 | 项目讲不出实验设计 | 每个项目补齐数据规模、baseline、指标、消融和失败尝试 |
| P1 | 类别不平衡只答重采样 | 补 Focal Loss、负采样、阈值调整和 PR 曲线，能按业务选指标 |
| P1 | 大模型只了解概念 | 读 RAG、幻觉评测、RLHF 的综述，准备一个自己的小实验 |
| P1 | 手撕算法不稳 | 重点刷堆、二叉树、动态规划，每题先确认边界再写 |
| P2 | 不了解百度业务 | 体验文心一言、百度搜索 AI 功能，准备两条具体观察 |
三、面试流程
3.1流程总览
| # | 环节 | 形式 | 时长 | 筛选重点 |
|---|---|---|---|---|
| 1 | 网申与简历筛选 | 招聘官网 | 以公告为准 | 学校、方向、论文、竞赛与项目 |
| 2 | 在线笔试 | 在线机考 | 约 2 小时 | 机器学习基础、编程与概率统计 |
| 3 | 技术一面 | 视频面试 | 约 45 至 60 分钟 | 机器学习基础、深度学习与项目 |
| 4 | 技术二面 | 视频面试 | 约 45 至 60 分钟 | 问题建模、实验设计与业务理解 |
| 5 | 主管面或 HR 面 | 视频面试 | 约 30 分钟 | 动机、方向匹配、稳定性 |
3.2各环节说明
在百度招聘官网选择具体事业群和算法方向投递。简历筛选会看研究方向与岗位的匹配度，论文、竞赛、开源项目和实习经历都是重要信号。算法岗的简历容易出现“什么都写过”的问题，反而让面试官找不到重点，建议突出一个主方向和一个能讲深的项目。
- 简历只保留与目标方向相关的项目，按“问题、方法、结果”写
- 论文写清会议或期刊、自己的贡献和指标提升
- 竞赛写清排名、赛道和数据规模，别只写“获奖”
笔试通常包括选择题和编程题，选择题覆盖机器学习、深度学习、概率统计、线性代数和编程语言，编程题以数组、字符串、动态规划、图搜索为主。百度的笔试难度中等偏上，时间比较紧，建议先做有把握的部分，再回头啃难题。
- 概率题和梯度推导是高频，提前复习常见分布与最大似然
- 编程题先保证通过样例，再优化复杂度
- 遇到不会的选择题先标记，不要在单题上耗太久
一面由同方向工程师主导，先问项目，再问基础。基础题会从优化器、过拟合、Transformer、CNN 一路展开，面试官常在一个问题上连续追问，比如从 Adam 问到偏差修正，再问到为什么稀疏特征更适合 AdaGrad。回答时先给框架，再展开细节，不会的地方明确说不会。
- 每个基础概念准备“定义、公式、优缺点、适用场景”四层
- 项目要能讲清数据规模、 baseline、指标和失败尝试
- 被追问时不要硬编，承认边界比胡答更加分
二面更看重你解决开放问题的能力，可能给一个业务场景让你设计模型方案，也可能深挖论文或项目里的实验设计。常见追问包括：样本怎么构造、离线指标怎么选、上线后不达预期怎么办、如何做消融实验。这一轮没有标准答案，关键是逻辑自洽、能说清取舍。
- 设计题先明确目标和约束，再选指标和模型
- 准备一个“离线好、线上差”的排查案例
- 能说清 A/B 实验的分流、样本量和显著性
主管面会确认你的研究方向与团队需求是否匹配，也会问职业规划和业务理解；HR 面则关注动机、城市和稳定性。百度的大模型与搜索业务是高频话题，提前体验产品、了解技术路线，会让回答更有说服力。
- 想清楚想做搜索、推荐、CV 还是大模型，别回答“都可以”
- 体验文心一言和百度搜索的 AI 功能，准备具体观察
- 薪资给区间，说明依据，保持前后一致
四、第 1 轮：技术一面
4.1面试形式与时长
| 轮次名称 | 技术一面 |
| 面试类型 | 技术面 |
| 本轮题量 | 4 题 |
4.2重点考查维度
- 机器学习 —— 本组 2 道题
- 深度学习 —— 本组 2 道题
一面以机器学习与深度学习基础为主，问题会连续追问，直到确认理解深度。
考察优化算法的原理与选型；考察注意力机制的公式与直觉；考察对泛化误差的理解
4.3面试真题与参考答案
按“批量、随机、小批量、自适应”四条线回答。
- BGD：每次用全量数据算梯度，方向准、收敛稳，但计算开销大，数据量大时不可行。
- SGD：每次用一个样本，更新快、能跳出局部最优，但梯度噪声大、震荡明显，学习率难调。
- Mini-batch：每次用 32 到 256 条样本，兼顾效率和稳定性，是深度学习训练的默认选择。
- 改进方法：Momentum 用历史梯度平滑震荡；AdaGrad 适合稀疏特征，但学习率会单调衰减；RMSProp 用指数平均修正；Adam 结合一阶矩和二阶矩，并做偏差修正，默认 lr=1e-3。
取舍：追求泛化时，带 momentum 的 SGD 有时优于 Adam；稀疏特征场景 AdaGrad 更合适。追问预警：Adam 为什么需要偏差修正。
按“QKV、缩放、Softmax、多头”四步讲。
- 输入序列经三个可学习矩阵投影得到 Q、K、V。
- 用 Q 与所有 K 做点积，得到位置间相关性得分。
- 除以维度的平方根做缩放，防止点积过大让 Softmax 进入饱和区、梯度变小。
- 对每行做 Softmax 得到权重，再对 V 加权求和，输出每个位置的新表示。
多头注意力把 QKV 投影到多个低维子空间，各自计算后拼接，让模型同时关注语法、语义等不同关系。
与 RNN 相比，注意力可以并行计算，任意两个位置直接交互，路径长度为 O(1)；代价是复杂度随序列长度平方增长。追问预警：位置编码的作用、为什么要 mask。
先定义，再按数据、模型、训练三个层面给手段。
过拟合是模型把训练数据里的噪声也学进去了：训练误差持续下降，验证误差反而上升，泛化能力变差。
- 数据层面：增加样本、数据增强、清洗噪声标签。图像可旋转裁剪，文本可用同义替换或回译。
- 模型层面：降低参数量、L1 或 L2 正则、Dropout、早停、集成学习。L1 产生稀疏权重，L2 让权重更平滑。
- 训练层面：交叉验证选超参、监控验证集、学习率衰减。
- 业务层面：确保训练集与线上分布一致，避免用未来信息构造特征。
追问预警：Dropout 在训练和推理时有什么区别？训练时随机失活并缩放，推理时关闭。
按三层各自的功能和联系回答。
- 卷积层：用小卷积核在特征图上滑动做局部内积，提取边缘、纹理、形状等特征。核心是局部感受野和参数共享，前者让网络关注局部模式，后者大幅减少参数量。浅层学低级特征，深层学语义特征。
- 池化层：对特征图降采样，常用最大池化和平均池化。作用是降低尺寸和计算量、扩大感受野、增强对小幅平移的鲁棒性。
- 全连接层：把卷积和池化得到的分布式特征映射到类别空间，完成分类或回归。参数量大，容易过拟合。
现代网络常用全局平均池化替代全连接，减少参数；视觉 Transformer 则用自注意力替代卷积。追问预警：卷积输出尺寸怎么算、1×1 卷积的作用。
五、第 2 轮：技术二面
5.1面试形式与时长
| 轮次名称 | 技术二面 |
| 面试类型 | 技术面 |
| 本轮题量 | 3 题 |
5.2重点考查维度
- 机器学习 —— 本组 1 道题
- 项目经历 —— 本组 1 道题
- 大模型 —— 本组 1 道题
二面偏问题建模与业务落地，回答要给出指标和实验设计。
考察不平衡数据的系统处理能力；考察项目深度与实验复盘能力；考察大模型应用的系统思维
5.3面试真题与参考答案
按“数据、算法、评估、业务”四层回答。
- 数据：过采样可用 SMOTE 在少数类之间插值；欠采样适合数据量大的场景；负采样在 CTR 预估中很常见，但要配样本权重修正偏差。
- 算法：设置 class_weight，加大少数类的损失权重；用 Focal Loss 降低易分类样本的贡献，让模型关注难例。
- 评估：不要只看 Accuracy。用 AUC 看整体排序，用 PR 曲线和 F1 看少数类的查准查全，必要时看 Recall@K。
- 业务：根据误报和漏报的代价选阈值，而不是默认 0.5。
边界：重采样会改变样本分布，离线评估要用原始分布；需确认正负样本的定义和观察窗口。追问预警：为什么 CTR 场景用负采样后要做校准。
按“任务、数据、模型、挑战、结果、反思”六段讲。
- 任务：一句话说清输入输出和评估指标，比如中文医疗问答的意图识别，分八类，看宏平均 F1。
- 数据：规模、类别分布、标注质量，重点说清长尾和领域词汇问题。
- 模型：从 baseline 讲到最终方案，说明为什么换模型。比如 TextCNN 到 BERT，再到蒸馏后的轻量模型。
- 挑战：选一个真实问题，讲清现象、定位、尝试和最终解法。推理延迟高就做蒸馏或量化，领域词被切碎就扩词表并继续预训练。
- 结果：给 F1、延迟、模型大小的对比。
- 反思：说一个当时没做好的点，比如评测集太小或没有做在线验证。追问预警：为什么不用大模型、蒸馏损失了多少。
先解释成因，再讲缓解，最后讲评测。
幻觉的本质是模型在做概率补全，生成“最像真话”的内容，而不是“事实为真”的内容。成因包括训练数据有截止时间、长尾知识不足、采样随机性，以及模型倾向于迎合提问。
缓解方法：
- RAG：先检索可信知识库，把证据放进上下文，并要求模型基于证据回答、给出引用。
- 工具调用：对计算、日期、实时数据交给外部工具，不让模型硬编。
- 解码与提示：降低温度、要求分步推理、让模型标注不确定性和依据。
- 后验校验：用事实核查模型或规则检查关键实体和数字。
- 评测：建领域测试集，区分事实性、忠实性和有用性。
追问预警：RAG 也会被脏数据污染，检索质量和引用一致性同样要评估。
六、第 3 轮：算法手撕
6.1面试形式与时长
| 轮次名称 | 算法手撕 |
| 面试类型 | 技术面 |
| 本轮题量 | 2 题 |
6.2重点考查维度
- 算法 —— 本组 2 道题
手撕环节要边写边讲，先确认数据规模和边界，再选择数据结构。
考察海量数据处理与堆的应用；考察树遍历与递归返回值设计
6.3面试真题与参考答案
分数据规模讨论，不要一上来就排序。
- 内存充足：维护大小为 K 的小顶堆，遍历数组，堆未满直接入堆，堆满后只有大于堆顶才替换，时间 O(n log K)，空间 O(K)。
- 内存不足：先哈希分片到多个文件，每个文件用堆求局部 Top-K，再对所有局部结果做一次 K 路归并。
- 分布式：Map 阶段各节点输出局部 Top-K，Reduce 阶段合并，减少网络传输。
边界：需确认 K 是否大于 n、数据是否允许重复、是否要求输出有序、是否可以修改原数组。K 很小时堆最优；K 接近 n 时直接排序更简单。
可复用表达：“Top-K 的核心是永远只保留最有希望的 K 个候选。”追问预警：求第 K 大可以用快速选择，平均 O(n)。
递归思路：当前节点为空或等于 p、q 时返回当前节点；分别递归左右子树；左右都非空说明 p、q 分居两侧，当前节点就是 LCA；只有一侧非空就返回那一侧。
复杂度：每个节点访问一次，时间 O(n)，空间 O(h) 递归栈。
边界：需确认 p、q 是否一定在树中、是否允许 p 等于 q、树是否是二叉搜索树。若不确定节点存在，递归结束后还要校验两个节点都找到。
进阶：如果节点带 parent 指针，先从 p 向上把祖先放入集合，再让 q 向上走，第一个命中的就是 LCA，时间 O(h)、空间 O(h)。
可复用表达：“递归返回的是“这一侧有没有找到目标”，左右都有就说明当前节点是分叉点。”追问预警：BST 版本可以利用值的大小只走一条路。
七、第 4 轮：综合面
7.1面试形式与时长
| 轮次名称 | 综合面 |
| 面试类型 | 综合面 |
| 本轮题量 | 1 题 |
7.2重点考查维度
- 综合面 —— 本组 1 道题
综合面看动机与业务理解，回答要具体到产品体验和技术路线。
考察求职动机与业务理解
7.3面试真题与参考答案
分技术认知、产品体验、个人契合三层。
- 技术：文心基于 ERNIE 系列，早期用知识增强做预训练，后续引入对齐训练，在中文理解、知识问答和生成任务上有积累；百度还有飞桨框架和搜索数据，形成了从框架到模型再到应用的完整链路。
- 产品：文心一言与百度搜索结合，形成“搜索加生成”的体验；地图、智能驾驶等业务也在接入大模型能力。可以举一个自己使用时的具体观察，比如多轮追问的表现或引用来源的准确性。
- 个人：把你的项目与百度的场景连起来，比如做医疗 NLP 就谈领域知识增强，做 RAG 就谈搜索召回与引用一致性。
避免只说“百度是 AI 公司”。追问预警：你更想做模型训练还是应用落地？要给出明确选择和理由。
八、注意事项
百度算法岗的面试，基础、项目、代码三条线都会卡人。下面这些坑，往往不是不会，而是讲不深。
优化器、正则化、注意力的题，面试官一定会追问公式和适用场景。只背一句话，第二层就接不住。
只说用了 BERT、F1 提升到多少，却讲不清 baseline、数据规模、消融和失败尝试，很难证明是你做的。
SMOTE 不是万能解。还要能讲 Focal Loss、负采样、阈值调整和指标选择，否则方案不完整。
幻觉、RAG、RLHF 都能说两句，但问怎么评测、怎么防止检索污染就答不上来，说明没有动手做过。
Top-K 不问 K 与 n 的关系，LCA 不问节点是否一定存在，写完才发现漏洞。
把自己的贡献写得过大，面试官顺着细节一问就露馅。写清楚你负责哪部分、指标是谁提升的。
被问想做搜索、推荐还是大模型，回答“都可以”，会让面试官怀疑你没有想清楚。
没用过文心一言、不知道搜索的 AI 功能，综合面很难聊出真实感受。提前体验并准备两条具体观察。
总结收尾
百度算法岗的面试，表面问的是知识点，实际在判断你有没有完整做过一次模型迭代。基础题要能讲到公式和适用边界，项目题要能给出数据、指标、消融和失败尝试，代码题要能先确认条件再动手。大模型方向不要只停留在概念，RAG、幻觉评测、数据配比这些细节，才是区分“了解”和“做过”的地方。综合面则要落到具体产品和业务，让面试官相信你真的想来做这件事。把这三层准备好，面试的发挥会稳定很多。
在此推荐你使用求职精灵（https://finsight.work/）进行系统备考。平台拥有百度等数百家知名企业的真实面经资源，独家支持中英双语 AI 模拟面试，可针对算法工程师进行定制化练习和智能评分优化；简历智能修改功能帮你打磨出一份亮眼的简历；超过 15 万道行测、专业题、英语题随时随地在线刷题。无论你是第一次校招还是已经面过几轮，求职精灵都能为你的求职之路提供有力支持。