企业官网建设流程全解析

前几天刚面完某头部出行平台的CV算法工程师实习生岗位，从投简历到收到口头offer，前后差不多三周。整个流程包括一次在线笔试、三轮技术面和一轮HR面，节奏不算拖沓，但每一轮都有实打实的筛选。面完最大的感受是：出行场景下的计算机视觉，和实验室里跑模型完全是两码事，他们更在意的是你到了真实业务里能不能干活、遇到资源受限和样本不干净的时候，你怎么办。

这篇文章把我这次CV算法工程师实习生面试的全过程、高频题目、答题思路和踩过的坑一次性整理出来。正在准备视觉算法实习的同学可以直接拿来对标，尤其是简历里写了目标检测、语义分割、模型优化这类项目的人，这篇内容会非常对胃口。

1. 这场面试到底在面什么

1.1 出行平台的CV算法实习生平时做什么

先理解岗位背景，你才知道该往哪个方向准备。出行平台的视觉算法方向，大致可以分成两大类。第一类是车端感知，也就是车载摄像头拍到的画面要实时理解。典型任务包括：前车检测、行人检测、车道线分割、路面障碍物识别、驾驶员疲劳与分心检测。这类任务的核心约束是“实时”和“端侧部署”，算力有限、内存有限，不能把几百兆的大模型直接塞进去。第二类是云端图像处理，比如车辆图片审核、车牌识别、车型分类、路面缺陷识别、图像质量评估。这类任务对精度要求更高，算力相对宽裕，但需要处理海量数据，工程链路更复杂。

作为实习生，进去之后大概率会跟某个具体方向，不会让你一上来就负责完整系统。但面试时，面试官默认你对整个链路有基本认知。我的建议是，不管简历上写的是什么项目，都要能说清楚它在整个系统里处于哪个环节，输入是什么、输出给谁用、延迟和精度的平衡怎么取舍。这种“链路意识”是出行平台CV岗和实验室项目最大的区别。

1.2 岗位画像与候选人基本盘

从这轮面试的体验来看，CV算法实习生的候选人画像比较清晰。学历方面，硕士为主，但本科也有机会，关键看项目匹配度。论文不是硬性要求，很多候选人没有发论文，靠扎实的项目经历也能进到面试后段。反而是那些简历上堆了一堆“熟悉XX框架”“了解XX模型”的候选人，被问到具体原理时容易露馅。

核心要求可以拆成四块。

• 编程能力：Python是必须的，C++是加分项。至少能熟练写清楚代码逻辑，能处理简单的数据脚本。
• 深度学习基础：CNN结构、反向传播、BatchNorm、损失函数、优化器、过拟合与正则化，这些都是高频题。
• CV项目经历：最好是和“检测”“分割”“分类”沾边的项目。项目不求多，但你必须把里面的每个技术选型都讲清楚。
• 表达能力：面试官问一个问题，你能不能有逻辑地把思路讲出来。很多人不是不会，而是讲得乱七八糟，最后面试官无从判断。

我还注意到一个细节：面试官很看重“你是不是真的做过”。比如你写了用过Focal Loss，他会追问“你的正负样本比例到底是多少？”“你试过OHEM吗？为什么选Focal Loss？”这些问题如果简历是你自己包装的，很容易当场穿帮。

1.3 简历项目怎么准备才扛得住深挖

这部分是我这次面试最深的体会。简历上的项目描述决定了面试官问你的方向，而你的回答质量直接决定offer。不要写“我基于YOLOv5训练了一个目标检测模型”，这种描述等于把提问权完全交给面试官，而且没有任何信息量。正确的写法是：说清楚你要解决的问题、你的方案、你的量化结果。

举例说明。我有个朋友在简历上写过一个行人检测项目，面试官问他：“你为小尺度行人做了什么？”他一开始只回答“加了数据增强”，面试官明显不满意。后来他改成这样描述：针对小尺度行人漏检问题，在网络中增加了一个高分辨率检测头，同时用Focal Loss缓解正负样本不均衡，并用多尺度训练增强，最终小目标AP从0.32提升到0.41，推理帧率保持在40FPS以上。面试官听完后就开始和他讨论检测头的拼接位置了。

我建议每个项目都用“背景-难点-方案-结果”四段式写，每一段控制在两三句话。难点要具体，结果要量化。然后把每个技术选择背后的“为什么”写下来，比如为什么选这个模型、为什么不选另一个、数据是怎么处理的、指标是怎么算的。这些内容不一定要全写进简历，但要整理成面试前必看的文档。

2. 面试流程全记录

2.1 笔试：筛选门槛没有想象中高

笔试是在投递之后几天收到的，在线完成，总时长约一个小时。题型是选择题加两道编程题。选择题覆盖的面比较广：Python语法、Numpy操作、概率论基础、CNN感受野计算、BatchNorm的作用等，有一部分是深度学习常识题，还有一部分是“给你一段代码问输出是什么”的题目。整体难度一般，不涉及复杂的数学推导，但知识点比较杂。

编程题不是ACM赛题风格，更偏工程向。我记得一道题是“合并两个有序数组，并要求原地合并”，另一道是“字符串中找最长无重复子串”。难度都不算高，但要注意边界条件。如果你平时有刷题习惯，这种笔试通过不难。没刷过题的话，建议至少把二分、双指针、动态规划、字符串处理这些常见题型过一遍。笔试题不是拉分项，但挂了会非常可惜。

2.2 一面：项目深挖与基础问答

一面是技术面，时长约50分钟，以项目深挖为主，中间穿插基础问答。面试官会从简历第一段开始逐行问，提问链路非常清晰：项目背景是什么，你负责哪部分，数据从哪来，有多少样本，怎么清洗和标注，为什么选这个模型，损失函数用的什么，评价指标怎么算，遇到什么问题，怎么排查的。问完之后会针对某个技术点往里钻，比如你提到了Anchor，他会问你Anchor是怎么生成的、大小怎么设置、正负样本怎么定义。

这一面还考察了基础能力。我被问到的是：BatchNorm在训练和推理时的行为有什么区别，为什么CNN具有平移不变性，过拟合怎么判断以及怎么解决。这些问题都不难，只要系统学过深度学习基础都能答上来。但如果你想靠背答案蒙混过关，大概率会被追问到细节。

一面最后有一道手写代码题，让我实现NMS。这个我在后面专门展开讲。

2.3 二面：场景题与工程思维

二面通常由更资深的工程师或小组负责人来面，风格明显不一样。项目聊得少了，更多的是开放性的场景题，考察你把技术套到真实业务里的能力。我被问到的问题包括：如何判断司机是否在玩手机、如何估计前车距离、如果要在低算力设备上部署一个检测模型你会怎么做。

这类问题没有标准答案，面试官想听的是你的思考框架。我的回答套路是：先明确任务定义和评价指标，再说数据怎么来、怎么标注，然后讲模型选型和训练策略，最后谈部署约束和效果评估。比如判断司机玩手机这个问题，我会说：先定义“玩手机”的行为边界，是手持手机还是视线停留在屏幕上，然后根据车内摄像头的安装位置确定能看到什么画面，再考虑用人脸关键点加手部检测联合判断，同时用时序信息做平滑，防止单帧误判。模型方面会用轻量化的检测模型加分类头，部署在车机端，延迟控制在几十毫秒以内。

面试官听完会追问一两个转折问题，比如“如果夜间红外图像效果很差怎么办”“如果这个人手放方向盘下方看不到怎么办”。遇到这种追问不要慌，面试官不是要你解决所有问题，而是看你会不会先拆解条件再给方案。

2.4 HR面：软素质与实习安排

HR面放在最后，主要聊实习时间和软素质。问题包括：能实习多久、每周到岗几天、学校和导师是否同意、目前有没有其他offer、如果遇到项目压力和任务冲突会怎么处理。这一轮不太会刷技术候选人，但实习时间不匹配是真会挂的。

如果你是准备实习面试，投递前一定要先确认自己的空余时间。我当时明确表示可以实习6个月，每周到岗5天，导师同意，HR面就非常顺利。如果你只能来两三个月，建议提前想好怎么说明情况，同时表达出“虽然时间短但上手快”的态度。薪资方面，出行平台实习生薪资是有固定范围的，HR问期望时不要报太低也不要报太高，给一个具体范围，然后说明更看重学到的东西。

3. 高频考题和解题思路

3.1 手撕代码：常见的三类题

CV算法岗的手撕代码题，和纯后端开发不太一样，通常有三类。第一类是通用算法题，二分查找、链表反转、二叉树遍历、动态规划、双指针这类，难度在中等偏下。第二类是CV基础算子实现，比如计算IOU、手写NMS、用Numpy实现图像缩放或归一化。第三类是简单的数据处理题，比如按类别统计目标数量、过滤掉面积过小的检测框。

其中最常考的就是NMS。这也是我这次面试被要求手写的题目。下面是我最后写出来的版本：

import numpy as np def nms(boxes, scores, iou_threshold=0.5): x1 = boxes[:, 0] y1 = boxes[:, 1] x2 = boxes[:, 2] y2 = boxes[:, 3] areas = (x2 - x1) * (y2 - y1) order = scores.argsort()[::-1] keep = [] while order.size > 0: i = order[0] keep.append(i) xx1 = np.maximum(x1[i], x1[order[1:]]) yy1 = np.maximum(y1[i], y1[order[1:]]) xx2 = np.minimum(x2[i], x2[order[1:]]) yy2 = np.minimum(y2[i], y2[order[1:]]) w = np.maximum(0.0, xx2 - xx1) h = np.maximum(0.0, yy2 - yy1) inter = w * h iou = inter / (areas[i] + areas[order[1:]] - inter) indices = np.where(iou <= iou_threshold)[0] order = order[indices + 1] return keep

这道题写起来不难，但有几个容易出错的地方。第一，areas必须用浮点数，否则整数坐标下宽高相减可能变成0。第二，排序要用降序，从最高分开始。第三，iou计算时，交集面积不能为负数，所以要用np.maximum(0.0, ...)。第四，当order只剩一个元素时，order[1:]是空数组，np.maximum和np.minimum也能正确处理。我当时犯了第二个错误，排序反了，面试官提示了一下才改过来。所以我要特别强调：先讲清楚思路再动手，边说边写，面试官会更愿意给你提示。

3.2 深度学习与CV基础高频问题清单

技术面里，深度学习基础是必考项。我把这次面试前后遇到的、以及周围同学整理过的问题列出来，按照考察频率排个序：

挑几个重点展开。BatchNorm在训练时用当前batch的均值和方差，推理时用的是训练阶段累计的全局统计量。由于训练时数据分布会变化，BN还需要维护两个可学习参数做缩放和平移，这也是很多面试官喜欢深挖的点。感受野计算则经常以“给你一个VGG16，问最后一层感受野多大”这类题出现，你需要掌握逐层递推的算法，而不是死记数字。

关于小目标检测，面试官更想听到能落地的方案。高分辨率输入、FPN多尺度融合、在更多小目标区域做数据增强、专门设计针对小目标的检测头、用滑窗切图推理，这些都是常用手段。你能说出一两条并解释原理，就能超过大多数候选人。

3.3 出行场景业务题拆解

出行平台CV面试的特色是业务题。这类题看起来开放，其实有固定的答题框架。先拆任务、定指标，再谈数据和模型，最后说部署和迭代。我在这里用一道完整的题演示。

题目：如何检测前方路面的轮胎碎片或掉落物。

我的回答思路是：先定义任务，掉落物尺寸小、形状不固定，属于小目标检测，而且车辆在运动，漏检比误检更危险，所以评价指标优先看召回率。数据方面，搜集真实道路掉落物图片会很困难，可以先从公开数据集里筛，再结合人工合成和仿真场景生成，标注时用小目标密集型标注。模型方面，选择轻量化检测模型，比如YOLO系列或者更小的结构，但需要修改网络增加小目标分支，可以借鉴FPN思想，把浅层高分辨率特征和深层语义特征融合。训练时用小目标专门的损失函数，比如把分类损失换成Focal Loss，同时做多尺度训练。部署方面，要考虑端侧算力，可能需要量化、剪枝，推理延迟控制在几十到一百毫秒内。最后要建立闭环，把漏检case定期收集回来做难例挖掘，不断迭代。

说完这一套，面试官基本能看出你有工程思维。不要害怕给出的方案不完美，关键是逻辑闭环。题目里给你一个模糊的问题，你要先把它变成可执行的问题，这是CV算法岗的核心能力。

4. 实操复盘与常见坑

4.1 项目经不起深挖怎么办

我自己的第一轮面试就差点栽在项目上。简历里我写了一个“车辆检测与跟踪”项目，面试官问我：“你预处理的时候，图像resize到多少？长宽比失真怎么处理？”我当时根本没思考过这个问题，愣了几秒，只好说“使用了letterbox方式”。其实我的代码里并没有实现letterbox，面试官接着问细节，我就卡住了。

后来我把这个项目从头到尾重新过了一遍，把每一个参数、每一个预处理步骤都整理进一个文档。比如输入尺寸、是否保持长宽比、标签是否归一化、类别数量、训练集数量、验证集划分方式、最优模型选择的指标、推理时后处理的阈值，全部写清楚。这个文档我建议每个准备面试的人都做一份，不需要给面试官看，但一定要让自己烂熟于心。面试官问到你项目里的任何一个细节，你都能对答如流的时候，这个项目才算真正属于你。

4.2 手撕代码翻车与临场调整

前面提到我在写NMS时把降序排序写成了升序，这是我笔试后的第一次手撕代码，一紧张就犯了这个低级错误。这里分享一个可复用的临场应对方法：不要急着写代码，先用一两句话告诉面试官你的整体思路，比如“我会先按分数从高到低排序，然后依次选置信度最高的框，去掉与它IOU过高的框”。说完思路之后，面试官知道你心里有数，即便代码有小问题，他也会更愿意往“提示”的方向走，而不是直接判负。

写代码的过程中，加注释也很重要。不仅帮你自己理思路，也让面试官看到你的代码习惯。我那次重写NMS时，每一行都念出来自己在干什么，比如“这是取最大坐标，用来算交集区域”。念出来之后，我发现排序错了，就主动说“这里应该用降序”，然后改过来。面试官反而会觉得你有自我纠错能力。

4.3 反问环节：问什么才加分

每次技术面最后，面试官都会问“你有什么想问我的”。很多人要么说不问，要么问加班和薪资，其实浪费了一次加分机会。我的经验是，把反问当成一次展示思考深度的机会。

你可以问：“目前团队在端侧模型部署上，瓶颈主要是在模型结构还是量化流程？”这个问题一出来，面试官会把你当做一个有部署意识的人，而不是只会训练模型的选手。也可以问：“实习生进来主要是承担某一个模块的优化，还是完整跟一个项目？”这种问题让他看到你关注实际产出。还有一个比较稳妥的问题：“团队目前对实习生有什么样的培养路径？”既体现你的稳定性，也让面试官觉得你来实习是真想学东西，而不是混简历。

我二面时问了一个关于“数据闭环”的问题，面试官明显来了兴致，给我讲了不少他们如何把存量司机违规图片收集起来重新标注、重新训练的经验。这种交流是面试里很珍贵的信号，说明他已经把你放在“同事”的位置上了。

5. 给准备者的避坑清单

5.1 常见问题速查表

这一部分，我把面试里最容易遇到的问题和答题思路整理成了一张表。建议面试前一天看一遍，不需要逐字背，但心里要有数。

答题时注意一个原则：先给结论，再给理由。不要先说一堆铺垫，最后才蹦结论。面试官一天要面很多人，时间有限，你先把结论放在最前面，他能快速判断你的思路，然后才有兴趣听细节。

5.2 两周冲刺时间表

如果你离面试还有两周左右，可以参考这个时间安排。这不是考试攻略，而是我复盘后觉得最有效的准备路径。

前两天把简历上每个项目重新梳理，整理出项目文档，包括模型结构图、训练参数、数据预处理具体代码、结果指标。第三四天集中过深度学习基础，建议找一份高频率面试题清单，逐条口头回答，而不是光看。第五六天刷通用算法题，重点复习二分、双指针、链表和动态规划。七八天练习手写CV算子，NMS、IOU、卷积的朴素实现都要能一口气写出来。九十天做模拟面试，可以找同学或自己给自己提问，把项目介绍用口头讲一遍并录音。十一二天复盘所有卡壳的地方，重点补充说不清楚的知识点。最后两天调整状态，不要再疯狂刷题，回归项目文档和常见题，保证睡眠。

时间表看起来很常规，但大多数人输在“项目没梳理”而不是“题没刷够”。项目是你的锚点，面试官所有的追问都会从锚点出发，把它整理透，你就成功了一半。

5.3 心态与临场技巧

最后聊心态。我面第一轮技术面的时候特别紧张，自我介绍说得磕磕绊绊，项目介绍也像是在背稿子。后来我调整了一个策略：把面试当成一次技术交流，而不是考试。面试官也是工程师，他问的问题你自己平时也会思考，你们是平等的。

遇到不会的问题，千万不要沉默，也不要硬编。可以说“这个方向我之前了解不深，但我认为它可能跟XX有关，我的理解是……”这样即便不准确，面试官也能看到你的推理过程。很多面试官会顺着你的思路给你提示，这时候你再接住，反而比假装会答效果好得多。

还有一个细节：回答完一个问题后，可以加一句“以上是我对这个问题的理解”，给面试官一个明确的信号，说明你已经回答完毕，可以进入下一题了。这个小动作会显得你非常从容。

我个人在实际操作中的体会是，CV算法实习生面试到最后，其实在考察两件事：一是基本功是否扎实，二是面对陌生问题时能不能有条理地拆解。基本功靠平时积累，拆解问题的能力可以靠模拟场景题快速提升。我这次面完最大的收获不是offer本身，而是意识到自己之前准备项目只准备了“我做了什么”，没有准备“我为什么这么选”，更没有准备“为什么不选另一个方案”。后来我把每个项目都补上了这种对比逻辑，再去面其他公司的时候明显稳了很多。如果你也在准备这类面试，建议现在就拿起笔，把你简历里的项目全部重新写一遍，试着用一句话讲清楚背景，再讲清楚为什么选这个方案，你会发现很多面试问题提前就被堵死了。