1. 先搞清楚这类笔试到底在筛什么人1.1 技术研究岗与普通开发岗的笔试逻辑差异每年秋招很多同学一看“技术研究人工智能”这个岗位名下意识就把宝押在刷LeetCode和背面试八股上结果真正进了笔试环节才发现完全不是一回事。技术研究岗和开发岗的笔试逻辑有本质区别。开发岗笔试的核心目的是验证代码能力——你写不写得出来、写得稳不稳它关注的是代码的产出质量。而技术研究岗的第一轮笔试本质上是一场专业基础筛查。它想搞清楚的问题更偏底层这个候选人对机器学习、深度学习的基本原理理解到什么程度数学功底是否撑得起后续的研究工作遇到一个没有标准答案的问题时能不能用AI的方法论去拆解、去表达代码能力只是其中一个维度甚至不是最重要的维度。联想的技术研究岗在笔试时会往哪边倾斜我自己的感受是均衡但偏理论。它不是纯算法竞赛式的极难编程题也不是纯背诵式的概念题而是非常讲究“推导能力系统理解工程意识”的综合卷。你光会调库不行光会背原理也不行得能把两者连起来。这道笔试其实肩负了两个任务。一是替面试官过滤掉“简历写得很好看、但基本概念一塌糊涂”的人。比如简历里写精通XGBoost但问他损失函数为什么是二阶泰勒展开、和GBDT的一阶有什么区别答不上来这种属于典型的基础不牢。二是给后续的面试提供一个“对话基线”。笔试里考过的知识点面试官一般默认你已经掌握了他不会重复问而是直接从这些点往上深挖。笔试如果考得不好后面对话会非常痛苦。所以备考这类笔试正确的姿势不是刷题刷到麻木而是以笔试大纲为骨架把算法原理和理解深度同步补到位。1.2 从联想的技术研究方向反推笔试考察偏好理解笔试内容前先花两分钟看看联想在AI领域的技术布局这能帮你预判出题方向。从公开信息来看联想AI技术研究主要集中在几个方向AI PC与端侧智能大模型本地化部署、模型压缩、推理加速、智能制造场景的计算机视觉与预测性维护、企业级知识助手与RAG应用、以及服务器与数据中心场景的AI基础设施优化。注意“端侧”“场景落地”“工程效率”这几个关键词——它折射到笔试里就是既会考通用算法原理又会考模型能不能跑得起来、训练和推理资源怎么合理分配这类工程思维题。比如公开信息里常提到“混合AI”这个概念大致意思是云端和端侧协同。这类业务导向会间接影响笔试的考点权重模型量化、剪枝、知识蒸馏这类轻量化技术以及RAG、向量检索、大模型推理优化这些企业服务领域的热点出现的概率都不低。如果校招笔试里有选做题或简答题往这些方向去理解通常不会错。另外联想的笔试还有一个特点值得注意它在“技术研究”后面加了个括号“人工智能”说明这是一个泛AI岗而不是某个细分方向定向招。这意味着笔试不会只考CV或只考NLP而是机器学习基础、深度学习基础、AI前沿常识都会有。真正专精的方向大概率是放到后续面试环节去考察的。笔试阶段的策略是确保全面性。2. 机器学习理论高频考点不是在考背诵是在考推导2.1 公式推导与正则化的底层逻辑基本可以确定机器学习理论是这套笔试的绝对主体。好消息是它考的范围跟主流AI笔试高度重合并不会有太多冷门刁钻的东西。线性回归和逻辑回归永远是起手式。但注意它考的不是“线性回归是什么”这种名词解释而是类似“给定损失函数写出参数的闭式解”——那你就需要把最小二乘的正规方程从头到尾推一遍知道(X^T X)^{-1}X^T y是怎么来的并且能说明当X^T X不可逆时怎么办岭回归加正则项、求伪逆等。这里我想强调一个高频但很多人栽过的点正则化的本质。L1和L2正则为什么一个会产生稀疏解一个不会这背后是拉格朗日对偶中约束域形状的差异——L1的约束域是菱形尖角让最优解更容易落在坐标轴上L2是圆形只会让系数均匀缩小。这个点笔试里常以选择或简答出现但如果你只背“L1是稀疏的、L2是平滑的”这个结论一旦它换个方式问比如“为什么L1稀疏”你就露馅了。推导题的备考原则是每一个你写在简历上的模型都要能徒手推出来。你在项目里用了很多模型但简历上体现的是应用能力笔试要验证的是理解深度。我当时备考时给自己定的标准是盖住书本拿出白纸能把逻辑回归的梯度下降更新式、Softmax的求导、SVM的对偶问题、PCA的目标函数完整写出来任何一个卡壳超过五分钟就回去重新学。2.2 树模型与集成学习从“会调参”到“懂机制”树模型在工业界的应用频率远超深度学习模型所以笔试对它的考察相当执着。XGBoost是重中之重。它和GBDT的差异笔试考过无数次GBDT在优化时只用了一阶导数信息新一轮的树拟合的是损失函数在当前模型下的负梯度XGBoost则在目标函数中加上了二阶泰勒展开项把损失函数的曲率也考虑进去同时显式加入了模型复杂度正则项。这个不是背结论就能答好的你得知道二阶泰勒展开的部分是怎么消掉常数项、怎么得到叶子节点最优权重的。LightGBM的考点则集中在直方图算法和基于梯度的单边采样上——这两个机制解决的是“特征分裂点搜索慢”和“数据量太大”这两个核心痛点。它为什么快直方图算法把连续特征离散化成固定数量的桶不用对所有样本逐一排序GOSS则保留梯度大的样本、随机采样梯度小的样本从数据层面降规模。这些是概念题但很容易和“什么时候用LightGBM、什么时候用XGBoost”结合来考。我在实际笔试中遇到的树模型考题难度通常是这样的梯度第一层考概念对比GBDT与XGBoost区别第二层考信息增益或基尼系数的计算给一个小数据集手动算一次分裂第三层考参数影响学习率、树深度、叶子节点最小样本数对过拟合的影响。如果你能在这三个层面都回答得从容这部分的分数基本就稳了。2.3 无监督学习与降维不该丢分的部分无监督学习经常被求职者忽略因为大家总觉得“做AI项目一般用监督学习就够了”。但笔试中无监督恰恰是性价比最高的得分区域。K-Means考的是算法流程和K值选择肘部法则、轮廓系数以及它和GMM高斯混合模型的异同。PCA考的是目标函数、特征值分解、方差解释率。这些知识点不需要深奥推导但需要准备得细致。有一点容易被忽略PCA和SVD的关系。PCA通过对协方差矩阵做特征值分解求主成分方向而在数值计算中实际更常用的是对中心化后的数据矩阵直接做SVD左奇异向量对应主成分方向。它们得到的结果是一样的但SVD数值稳定性更好。这道题如果以简答出现答出这个层次会让阅卷人对你的评价上一个台阶。无监督这部分我的建议是准备一个“三层答案法”。第一层给出定义和流程第二层给出数学本质目标函数是什么第三层给出应用场景或局限。比如聚类你可以说K-Means假设簇是凸的、对初始中心敏感所以实际中常用K-Means初始化并用多次随机初始化选取最优结果。这样的答案既全面又有工程感。3. 深度学习与前沿方向理论、代码与场景结合的考察方式3.1 Transformer与注意力机制必考但容易丢分的点如果说机器学习部分是整套笔试的“基本盘”那么深度学习部分就是“区分度”所在。Transformer是现在AI领域绕不过去的核心架构笔试几乎必考。但我可以确认绝大多数人对Transformer的理解停留在“会用”层面。笔试只要稍微问深一点比如“为什么Transformer要用LayerNorm而不是BatchNorm”就会有大量人当场卡壳。这个问题背后的逻辑NLP任务里样本长度不一每个样本的统计量差异很大BatchNorm在batch维度上做归一化容易被batch内长短不一或分布差异大的样本干扰而LayerNorm在每个样本内部做归一化跟batch大小无关训练和推理时行为一致更适合序列模型。同时自回归式解码时每步只能看到当前位置之前的tokenBatchNorm跨样本统计会引入未来信息LayerNorm没有这个问题。这属于“一句话能解释、但没认真想过的人答不出来”的知识点。另一个容易丢分的点是位置编码。Transformer没有循环结构靠位置编码注入位置信息。笔试考得多的不是sinusoidal编码的公式而是“为什么要有位置编码”“绝对位置编码和相对位置编码有什么差异”这类理解性问题。以RoPE旋转位置编码为例它把位置信息通过旋转矩阵叠加到查询和键向量上内积后自然带有相对位置信息是目前主流大模型包括LLaMA系列选择它的核心原因。如果你能在笔试中提到这一层说明你确实在跟进前沿。Transformer的备考我建议准备三块一是整体结构图能徒手画输入嵌入、多头注意力、残差连接、归一化、FFN每一层的输出形状要清楚二是每个模块为什么要存在去掉会怎样三是多头注意力的“头”到底在做什么不同头学到不同子空间的交互模式。这不是背题而是在建立“架构直觉”笔试以外面试也能用上。3.2 损失函数、优化器与训练稳定性设计题里怎么答深度学习部分除了架构还有一个必考模块训练相关。损失函数考得最多的是交叉熵和对比损失。交叉熵要注意的点是二分类的BCE和Softmax多分类的交叉熵有什么区别前者输出层是Sigmoid后者是Softmax推导时从最大似然估计出发两者其实可以统一——Softmax本质上就是多类情况的Sigmoid扩展。对比损失如InfoNCE则是自监督学习的基础它为什么有效因为它把表示学习变成了“拉近正样本对、推远负样本对”的度量学习问题负样本数量和质量直接影响效果。优化器部分Adam是绝对高频。它结合了Momentum一阶动量加速沿历史梯度方向移动和RMSProp二阶动量自适应调节学习率每个参数都维护自己的学习率。但真正好的答案还要提到Adam的偏差校正以及它在训练初期为什么需要校正——因为一阶、二阶矩估计初始为0早期步长会被低估直接使用会使得训练初期更新过小。能答出这个细节说明你真的推导过更新公式。训练稳定性相关的题常见的是梯度消失/梯度爆炸、学习率设置策略。如果一个笔试设计题是“训练一个深层CNN收敛很慢怎么排查”你的答案应该分层先看Loss曲线是震荡还是平台期再检查学习率是否过大或过小接着逐层看梯度范数是否异常——如果前面层梯度太小可能是残差连接缺失或初始化不好如果Loss出现NaN优先排查学习率、数据归一化和标签是否异常。这种“分步排查”的答题方式比直接给一个结论要得分高得多。3.3 从笔试看联想AI的业务落地方向笔试中模型轻量化和大模型应用相关的内容值得特别关注。这和联想在AI领域的业务方向高度相关。为什么端侧智能对大模型来说是一个硬约束因为参数和内存是绕不开的坎。一个7B模型即使使用4比特量化权重也要占大约3.5GB——这是什么概念很多手机和PC设备的可用内存也就这个量级还要留给系统和应用。所以模型压缩技术在端侧场景是刚需。量化、剪枝、知识蒸馏这三个方向的原理必须吃透。量化考什么是“把FP16/FP32的权重或激活值用INT8表示”核心挑战是精度损失和数据范围处理。剪枝考什么是“去掉不重要连接或通道”关键是判断什么算“不重要”——比如权重绝对值接近0、对最终输出激活影响小的通道。蒸馏则是“小模型学习大模型的软输出”温度参数的作用是软化概率分布、增大负标签的差异信息。我建议把这三个概念整理成一张对比表核心原理、典型方法、应用场景、主要挑战。这类题一旦考到就是送分题。大模型应用相关RAG检索增强生成出题率很高。你要能说清楚为什么大模型会产生幻觉——因为它的回答完全基于参数化记忆对知识更新和长尾信息覆盖不足。RAG为什么能缓解幻觉——因为它把外部知识库的检索结果作为上下文注入模型的回答只能基于给定材料来组织。RAG流程中的关键环节文档切分chunk size直接影响检索质量、向量化embedding模型选择与维度、向量检索TopK取多少、相似度阈值设多少、重排rerank以及最终生成。这些问题不需要你会写完整代码但流程链路和每步的目的必须清晰。4. 编程题与算法题稳定拿分靠的是策略4.1 常考题型分布与难度基准技术研究岗的笔试基本都有编程题但对于考察重点很多同学存在误判——他们把大量时间放在刷困难题上导致基础题没时间练、简单题写得不熟练。根据主流AI技术岗笔试的通行题型来看技术研究岗的编程题通常以LeetCode中等难度为上限、简单到中等为主偶有一道压轴题稍微拔高。题型集中在数组/字符串处理双指针、滑动窗口、哈希表、链表操作、二叉树遍历、动态规划基础背包、最长子序列、图论简单应用DFS/BFS、拓扑排序、以及“手写机器学习基础算法”。这里特别要提醒“手写AI基础算法”是技术研究岗区别于开发岗的独特题型。它通常不会出现在ACM风格的题库里而是以代码补全或伪代码形式出现考察你对该算法实现的熟悉程度。比如“用numpy实现K-Means聚类”、“手写一个带momentum的SGD更新”、“实现一次softmax前向传播”。这类题目考察的不是“会不会写代码”而是“是否真正理解算法内部机制”。哪怕不计分也建议认真写——因为编程题环节的现场表现是后续面试官了解你工程能力的重要参考。需要明确的是这类岗位的笔试更看重你解决未知问题的思路组织能力。遇上一道没有见过的题时你的思考过程数据规模、复杂度优化、空间换时间比直接给出最优解更关键。4.2 手写代码哪些基础算法必须能脱离框架写出来哪些代码是技术研究岗笔试中值得提前练熟、可以直接“默写”的下面这份清单是我个人经验整理可以作为参考经典基础算法二叉树的中序遍历递归迭代两种写法迭代版要用栈模拟快排和归并排序手写注意边界条件和稳定性二分查找注意左闭右开与左闭右闭的边界差异拓扑排序Kahn算法和DFS法都写一遍最小生成树的Prim与Kruskal以熟悉概念为主机器学习基础算法纯手写或numpy实现逻辑回归的梯度下降一步更新写清楚预测、损失、梯度、更新的顺序K-Means的迭代逻辑初始化、分配、更新中心点PCA的numpy实现中心化、协方差矩阵、特征值分解或SVD线性回归的闭式解正规方程一行代码KNN的推理逻辑距离计算、排序取K个、投票这类题你提前练熟了考试时不仅能快速拿分还能给压轴题留出充足时间。手写Transformer核心模块多头自注意力输入是batch, seq, dim分别做Q/K/V线性投影拆多头算缩放点积注意力拼接输出投影。这个模块值得写到非常熟练笔试和面试都能用上。实用技巧如果笔试平台支持本地IDE或只能在线编辑器注意你写的代码要能在Python 3环境下直接跑通避免使用不常见的第三方库。能用纯Python基础库解决的题就不要引入太多的依赖——评审环境未必装了即便装了也浪费时间。4.3 现场答题的时间分配与取舍策略编程题遇到卡壳时策略比蛮力重要。我的经验是先把会做的题拿满再回头啃硬骨头。如果一道题二十分钟还没有任何可行思路标个记号跳过去等所有题目做完再回来看。常见的时间分配方案选择题部分控制在15到20分钟内不会的题可以先用排除法拿不准的做个标记不要在一道概念题上恋战。简答和推导题是重头分配一半左右时间。这类题想拿分除了结论更重要的是中间过程和关键思路。比如写出梯度公式时把从Loss到参数更新的链路写全哪怕最终数值算错阅卷人也能看到你的思路是完整的。编程题留足三十分钟以上它考察的是代码质量和思路组织能力不必追求极致的复杂度优化先保证能正确运行、能通过大多数常规用例。还有一个小建议不要把编程题留到最后再写。编程需要的思维状态和推导题不一样如果先花一个多小时做理论推导大脑已经很疲劳了再切换到编程模式会明显变慢。我个人习惯是先快速扫一遍所有题目把编程题中比较直观的第一题先写完让自己进入状态再做理论题最后回头处理剩下的编程题。5. 从准备到考试一套可执行的备考节奏5.1 知识体系自查清单秋招笔试的准备最忌讳“什么都看、什么都没看透”。我建议按下面这个自查清单来查漏补缺每个条目都能给自己一个明确的“掌握程度”评级机器学习基础线性回归/逻辑回归能写出损失函数、梯度、闭式解能推导Softmax求导正则化L1/L2区别、为什么L1稀疏、什么时候用哪个SVM能从间隔最大化推到大对偶问题了解核函数的含义决策树/随机森林/GBDT/XGBoost/LightGBM掌握分裂标准、正则化、加速机制聚类/降维K-Means流程、肘部法则、PCA与SVD关系深度学习基础CNN卷积计算输出尺寸公式、池化、感受野概念RNN/LSTM梯度消失问题在循环网络中的表现、门控机制作用Transformer能画出结构图、能手写多头注意力、理解位置编码差异优化器SGD/Momentum/Adam的更新公式与差异、学习率策略归一化BatchNorm/LayerNorm区别、为什么Transformer用LayerNorm过拟合Dropout、权重衰减、数据增强、早停的机制AI工程与前沿模型压缩量化、剪枝、蒸馏的核心概念与适用场景RAG/Agent流程链路、关键模块的作用大模型基础Tokenizer、上下文窗口、幻觉原因、推理优化KV Cache等训练资源显存占用影响因素、batch size与学习率的关系这份清单不需要你每一个都达到“能给别人讲课”的水平但至少要达到“看到题目能形成清晰解答思路”的程度。建议考前两周完成第一遍全面复习最后一周只针对薄弱项集中突破。5.2 考前一天与考试当天的几个实操建议细节往往能决定发挥水平这里给几条实际经验考前一天机房环境确认是重中之重尤其是远程笔试平台。提前测试摄像头、麦克风、网络稳定性确认浏览器版本和插件兼容性这些全都要在考前一天完成。不要等到开考前半小时再折腾一旦出问题直接影响心态。把该背的公式再过一遍尤其是那些容易混淆的比如交叉熵在多分类下的写法、Transformer的缩放因子为什么要除以根号d_k、批量归一化的训练和推理差异。这些内容背下来不难属于考场上能快速写出来的“保底分”。考试当天开考前5到10分钟先深呼吸一次把注意力从“这是联想秋招笔试”转移到“这是一套需要解决的题目”上。这种心态转换很有用能把紧张感转化为做题时需要的专注度。拿到题目后先用两分钟快速浏览全卷判断题目分布和难度。如果发现某道题是完全没有思路的偏题怪题直接标注跳过不要死磕。笔试是整体得分不是单题定胜负把时间花在能得分的地方结果是更优的。考后复盘笔试结束后趁记忆还清晰把记不住或不确信的题目整理到备忘录里这是后期面试准备的重要素材。特别是遇到的推导题和简答题很大的概率会被面试官拿出来延伸追问。我当时考完立刻把笔试中涉及的知识点全部梳理了一遍整理成几十个问题后来面试时证明这个动作非常值钱。6. 一些容易栽的坑和我的体会笔试踩坑的常见集中区其实不在知识深度而在几个非常基础的环节上。我陪过几届同学准备这类考试观察下来的高频问题非常集中。第一个坑轻视基础概念过度追热点。“大模型热门我把全部时间拿来学大模型相关的内容结果笔试考了线性回归推导”——这是我见过最典型的翻车方式。不是说热点不用准备而是你得有优先级。笔试的知识体系是金字塔机器学习基础是底座深度学习是塔身热点是塔尖。塔尖再炫底座不稳也白搭。我的建议是基础概念线性模型、损失函数、正则化、树模型和基础推导先保证完全过关再往后看Transformer、RAG这些热点内容。第二个坑编程题只刷难题不练基础算法的手写。校招笔试的编程题难度是有限的有时候一道K-Means的numpy实现得分比一道hard编题更高。很多人刷题时喜欢挑战高难度觉得那样才叫“练过”结果简单题在考场上一紧张边界条件写错了反而没分。技术研究岗的核心竞争力是“能推导、能实现、能解释”不是“ACM金牌”。第三个坑推导题只给结论不给过程。AI笔试中简答和推导题是按点给分中间的每一步都有分。你直接写“XGBoost用二阶泰勒展开”不如写“目标函数在原模型处做二阶泰勒展开常数项可以去掉对每个叶子节点求最优权重代入后得到分裂增益”来得稳。切记笔试不是面试没有口头追问的机会你要用纸面文字让阅卷人看到你完整的思路链路。第四个坑忽略选择题里的“组合型考点”。现在不少AI笔试的选择题不是单考一个知识点而是把三到四个知识点串在一起考。比如一道题问“训练大模型时显存溢出以下哪种方法效果最差”四个选项分别涉及混合精度训练、梯度累积、模型并行、增大batch size。你如果只是零散地懂这几个概念没有从“显存占用构成”的角度串起来理解就很难判断。这种题考察的是知识迁移能力备考时要有意识地做“串知识点”的训练。从我个人的实际体会来说这类考试的定位是“筛选”不是“刁难”。它的目标是找到基础扎实、对AI有系统理解、具备工程意识的人而不是找一本“活字典”。所以不用因为少量题目没见过就慌——只要你在机器学习基础、深度学习原理、编程基本功这三个层面准备得足够扎实大概率能拿到一个不错的成绩。最后再分享一个小技巧笔试结束后不论感觉好坏都尽快把你记住的题目和答案整理成文档。这不仅是复盘更是给后续面试准备的弹药。等到面试官问“你这个项目里的损失函数为什么选这个”的时候你能把笔试题里的那套推导逻辑迁移过来回答质量会明显不一样。祝顺利。