算法岗基础 / 01

什么是算法岗

这里说的算法岗，主要指互联网和产业公司里的业务算法工程岗位。它和程序设计竞赛里的“算法题”不是一个含义：后者更关注数据结构、复杂度和代码实现，前者更关注业务目标、数据链路、模型策略、实验评估和线上系统。

算法岗的核心任务不是“训练一个模型”，而是围绕一个业务目标持续做决策优化。推荐系统要提升用户消费效率，广告系统要平衡收入、体验和预算，风控系统要识别风险并控制误伤，物流调度要提高履约效率，内容安全要提升审核质量并降低人审成本。

算法岗到底交付什么

算法岗常见交付物包括五类：

• 预测模型：比如 CTR/CVR 预估、ETA 预估、风险概率、内容质量分、用户流失概率。
• 排序策略：比如召回、粗排、精排、多样性、重排、过滤和兜底规则。
• 决策系统：比如预算分配、出价、补贴、调度、排班、资源分配。
• 实验结论：比如 A/B 实验、ablation、收益归因、负向指标分析。
• 线上闭环：比如特征监控、模型版本、降级策略、反馈回流和效果复盘。

面试里如果只说“我用了 Transformer / DIN / XGBoost”，通常不够。面试官更想听你如何定义问题、为什么这么建模、指标怎么设、线上收益怎么证明、失败后怎么复盘。

业务算法和纯模型研究的区别

业务算法不是单纯追求模型指标最高，而是要在约束下解决问题。

例如推荐系统里，AUC 提升不一定代表线上消费提升；广告出价里，eCPM 提升不一定代表长期收益提升；风控里，召回率提升可能带来误伤；调度里，最短路径不一定是整体最优，因为还要考虑未来订单和骑手体验。

所以算法岗要同时回答三件事：

1. 预测准不准：模型能不能刻画现实。
2. 决策好不好：模型输出进入策略后是否提升业务。
3. 系统稳不稳：线上是否可解释、可监控、可回滚。

常见方向

这些方向的方法不同，但底层思路相似：先明确目标，再理解数据，再设计模型或策略，最后用实验和监控证明效果。

面试官为什么总追问业务

算法岗不是只写训练脚本。真实工作里，问题通常不是别人已经定义好的 Kaggle 任务，而是模糊的业务诉求：

• 用户觉得推荐没意思，怎么定义“没意思”？
• 广告主说成本高，是出价问题、流量问题还是转化问题？
• 骑手晚高峰超时，是排班不足、调度不合理还是 ETA 偏乐观？
• 内容误伤多，是标签问题、模型阈值问题还是审核标准不一致？

因此面试官会追问业务，是为了判断你能不能把模糊问题抽象成可优化的问题。

一个好的算法岗回答框架

遇到任何业务算法问题，可以按这个顺序回答：

1. 业务目标：到底要提升什么，降低什么。
2. 指标体系：主指标、过程指标、护栏指标分别是什么。
3. 数据链路：样本从哪里来，标签怎么定义，有什么偏差。
4. 算法方案：用模型、规则、优化还是策略组合。
5. 实验评估：离线怎么验证，线上怎么 A/B。
6. 工程落地：延迟、稳定性、降级、监控怎么处理。
7. 复盘迭代：收益来自哪里，失败原因是什么。

常见误区

第一，只讲模型不讲问题。比如“我用了 DeepFM”，但说不清为什么需要 DeepFM，也说不清线上指标是什么。

第二，只讲离线指标不讲线上效果。业务算法最终要进入策略系统，离线 AUC、MAE、F1 都只是中间指标。

第三，不承认约束。真实系统有延迟、预算、稳定性、合规、体验、公平性约束，不是把模型分数最高的结果直接上线。

第四，忽视数据偏差。很多业务数据都是历史策略产生的，不是自然随机样本，直接训练会学到旧策略偏差。

应该怎么准备

准备算法岗，不要只刷题，也不要只背模型。建议建立三层知识：

• 基础层：数据结构、概率统计、机器学习、深度学习、SQL、Python/C++。
• 业务层：推荐、广告、风控、调度、NLP/AIGC 的目标和链路。
• 工程层：特征、样本、训练、部署、实验、监控、复盘。

你可以用一个项目贯穿这三层：先讲业务背景，再讲建模和数据，再讲模型策略，最后讲实验和上线收益。这比堆很多零散模型名更有竞争力。

面试里的标准表达

可以这样总结：

我理解的算法岗不是单点模型开发，而是围绕业务目标做数据驱动的决策优化。模型只是其中一环，完整链路还包括问题定义、指标设计、样本构造、策略约束、线上实验和效果复盘。一个方案是否合格，不只看离线指标，还要看能否稳定提升业务指标，并且在成本、延迟和用户体验约束下可上线。

下一篇建议继续看：

• 算法岗位谱系：推荐 / 广告 / 风控 / 优化 / LLM