企业官网建设流程全解析

最近面完一家做智能驾驶计算平台的算子开发岗位，趁着记忆还热乎，赶紧把整场一面的过程、考题和复盘思路整理出来。这篇复盘主要围绕三个关键词展开：一面、算子、复盘。虽然岗位名称叫“算子开发工程师”，但实际面试题覆盖的范围比我想象中宽很多，从C++基础到深度学习推理优化都有涉及，分享出来给同样在准备这类岗位的朋友做个参考。

这家公司做的是车载智能计算方向，岗位职责主要是针对自研芯片或者通用GPU做算子优化，比如卷积、矩阵乘、各种激活函数的底层实现和性能调优。一面问的东西不深，但很杂，需要你把知识面铺开。如果你也在准备算法工程、高性能计算或者推理优化方向的面试，这篇复盘应该能帮你少走一些弯路。

1. 一面复盘：先想清楚面试官在找什么样的人

1.1 算子开发岗位到底做什么

很多人一听“算子开发”就以为是纯算法题，其实完全不是。算子开发的核心任务是：把深度学习模型里的各种计算单元，在特定的硬件平台上实现出来，并且让它跑得快。这句话拆开来看包含三层意思。

第一层，要懂深度学习模型的组成。一个Transformer模型里有矩阵乘法、Softmax、LayerNorm、激活函数、残差连接等等，每一种计算在推理框架里都是一个或多个算子。第二层，要懂硬件架构。同一段代码在GPU上和在专用NPU上的写法完全不同，访存模式、并行粒度、指令流水线都要针对性设计。第三层，要懂编译和运行时。写完算子之后，怎么接入推理框架，怎么处理动态shape，怎么做算子融合，这些也属于岗职责范围。

所以，面试官在一面时最关心的不是你会不会背八股，而是有没有建立起来“算法到硬件”的映射思维。这决定了后续很多问题的走向。

1.2 一面最想验证的三件事

结合我自己这次面试以及之前面过其他同类岗位的经验，一面面试官通常想确认三件事。

第一件事是基础功扎不扎实。C++语法、内存管理、编译链接、算法复杂度，这些是硬门槛。一面不会考特别偏的东西，但一定会问到你确实会为止。

第二件事是工程落地能力。简历上写了做过什么算子优化，面试官就会针对性地追问：你当时为什么选择这种优化方案？遇到了什么性能瓶颈？最后提了多少倍？有没有profiling数据？如果你只是跑通了一个demo，没有做性能对比和瓶颈分析，在追问阶段很容易露馅。

第三件事是思维方式和沟通能力。遇到一个没见过的算子问题，你是直接开口乱猜，还是先拆解问题、问清楚约束条件、再说思路？这个差别在面试官眼里非常明显。一面大概率会给你一道没有标准答案的设计题，目的就是观察你的思考过程。

想明白这三点之后，我的复习策略就很清晰了：优先级最高的是C++基础和手撕代码，其次是深度学习推理里最常用算子的实现与优化思路，最后才是冷门硬件指令和汇编层面的细节。

2. 备考路径与知识优先级排序

2.1 简历项目复盘：把demo讲成工程实践

这一步很重要，因为一面有一半时间都在聊简历项目。去面试之前我花了两个晚上把简历上每个项目的细节重新过了一遍，重点不是回忆“当时做了什么”，而是准备“面试官问了之后怎么答”。

我之前的项目是在一个开源推理框架上做过几个算子的优化，素材其实是够的，关键是怎么组织。我把每个项目拆成了五个部分：项目背景、我负责的模块、具体实现方案、性能数据、可改进点。这种事前整理极其有用，面到项目深挖环节的时候基本都能对答如流。

举个例子，简历上写过“对某卷积算子做了内存布局优化”，面试官如果问“为什么换内存布局能提速”，你不能只回答“因为访存局部性变好了”，要能说清楚NCHW和NHWC两种布局在数据读取时的差别，还要知道这对于不同尺寸的特征图影响有多大。这些细节我会在后面的章节展开。

2.2 知识点优先级：把时间花在刀刃上

算子开发岗位的知识范围很广，但一面不可能全考。结合我这次的实际经历，优先级可以按下面的表来排：

回头看，这个时间分配还算合理，唯一失策的是在SIMD指令集上多花了一个晚上，实际上直接问指令级优化的情况很少。

2.3 手撕代码的准备重点

一面手撕题通常两类：一类是纯算法题（LeetCode中等难度为主），一类是算子实现题（让你写一个算子的朴素实现或者伪代码）。两类都要准备，而且准备方法不太一样。

纯算法题我是按照常规刷题节奏来的，重点放在数组、链表、二叉树、动态规划这几个高频题型。算子实现题没有现成的题库可以刷，核心思路是把常用算子的计算流程和输入输出shape推导练熟，比如二维卷积的输出尺寸怎么算、多头注意力里的QKV矩阵维度怎么变换、Softmax为什么分max和sum两个步骤。

我当时复习的时候给自己定了一个要求：提到任何一个算子，得能立刻在白板上画出它的计算图、写出输入输出维度、说明计算量和访存量大概是什么量级。面试时你会发现这个基础能力特别有用。

3. 面试现场全记录：节奏与问法复盘

3.1 自我介绍：别复述简历，要说清三个关键词

一面开场照例是自我介绍。我这次没有按时间顺序讲经历，而是按三个关键词串起来：算子的实现能力、性能优化的实践经历、对推理系统的理解。这三点正好对应岗位的核心要求，面试官听到之后接下来就会顺着这三个方向往下问，面试节奏就成了你能预判的节奏。

自我介绍控制在三分钟左右，重点讲最近一个和算子直接相关的项目，给面试官一个明确的追问入口。不用把每个项目都过一遍，那是浪费时间。

3.2 项目深挖：一连串追问背后的逻辑

项目深挖环节，面试官从我写在简历上的一句话开始：“你做过卷积算子的NHWC优化？”然后连着问了七八个问题。

先是问：原来是什么内存布局，为什么它访存效率低？然后问：改成NHWC之后哪些算子收益最大？再问：如果你的输入原来是NCHW，那么layout转换的开销怎么算？最后问：你当时怎么确认优化真的有效，有没有排除其他变量？

这些追问听起来很密，但背后逻辑很清晰，面试官不是在刁难你，而是在验证你到底有没有亲手做过这件事。如果你的回答只能停在“我用了这个方案，速度变快了”这个层面，那追问两轮就到头了。我当时因为提前准备了性能数据（具体到线程数和耗时），在这个环节还算扛得住。

3.3 现场技术题：从一道池化算子聊到访存优化

项目之后进入技术问答环节。有一道题我记得很清楚：假设要写一个全局平均池化算子，输入是NCHW的内存布局，你会怎么实现？

这个问题乍一看很简单，但它其实是个很好的思维测试。先写朴素实现，两层循环累加均值，这个谁都会。面试官接下来就问：你这个实现有什么性能问题？答案是全局平均池化要遍历整张特征图，访存开销很大，而且如果通道数很多，每个通道的累加没有复用。顺着这个思路，可以聊到数据分块、向量化、多线程切分等等优化手段。这种“先朴素再优化”的问答节奏，很有代表性。

3.4 反问环节：怎么问信息量才大

一面最后面试官会问“你有什么想问的”。我的建议是不要问“这个岗位日常做什么”这种百度就能查到的问题，也不要直接问薪资。我当时问了两个问题：一个是“目前团队在算子开发上主要自研还是基于开源框架做二次开发”，另一个是“新的算子从需求到上线大概要走哪些流程”。这两个问题既让面试官觉得你有行业认知，又能帮你了解团队真实的工程状态。

4. 核心题目拆解：三道代表性问题的完整思路

4.1 手撕题：实现一个向量化Softmax算子

当场给的核心题是用C++写一个Softmax算子的朴素实现，然后讨论怎么优化。

Softmax公式是y_i = exp(x_i - max(x)) / sum(exp(x - max(x)))。为什么要减去最大值？这个问题很常考，因为exp在输入较大时会溢出，减去最大值之后指数部分最大为0，避免了数值不稳定。

朴素实现的代码大致长这样：

void softmax_naive(const float* input, float* output, int rows, int cols) { for (int r = 0; r < rows; ++r) { const float* row_in = input + r * cols; float* row_out = output + r * cols; float max_val = row_in[0]; for (int i = 1; i < cols; ++i) max_val = std::max(max_val, row_in[i]); float sum = 0.0f; for (int i = 0; i < cols; ++i) sum += std::exp(row_in[i] - max_val); float inv_sum = 1.0f / sum; for (int i = 0; i < cols; ++i) row_out[i] = std::exp(row_in[i] - max_val) * inv_sum; } }

写完之后一定要主动说这个实现的问题：每个元素被读了两次，先是找最大值，再是算exp和sum，最后再算一次exp。访存压力翻倍，而且std::exp本身是一个比较贵的函数。优化方向至少有三个：用两次遍历合并成一次（在线softmax，或者叫rescale技巧）、使用近似exp指令、对循环做向量化。

在线Softmax的思路是边走边维护最大值和累加和，每个元素只读一次。握手算法的代码可以写成下面的伪代码：

float max_val = -FLT_MAX; float sum = 0.0f; for (int i = 0; i < cols; ++i) { float old_max = max_val; max_val = std::max(max_val, input[i]); sum = sum * std::exp(old_max - max_val) + std::exp(input[i] - max_val); }

能写出这一步，面试官对你的印象会明显不一样。

4.2 分析题：NCHW和NHWC布局对算子性能的影响

这题在算子岗一面里几乎必问。一定要把逻辑理清楚。

NCHW布局下，同一通道的数据在内存里是连续的，这对PyTorch这类默认NCHW的框架很自然。但卷积算子需要把一个输出像素对应的多个输入通道的数据组合起来计算，如果按NCHW来读，不同通道的数据隔得很远，访存不连续。

NHWC布局下，同一空间位置的所有通道数据是连续存放的。做卷积时，读取一个像素就能把它的所有通道数据都拿齐，尤其适合SIMD向量化一次性加载多个通道。

不过NHWC也不是没有代价。某些按通道做统计的算子（比如BatchNorm推理）在NHWC下就不太方便，需要把通道维的数据做跨步访问。所以没有绝对的好坏，只有针对目标硬件的权衡。

回答的时候如果能带上具体例子，比如“在ARM CPU上用NHWC配合向量化，卷积算子能提升20%~30%”，会更有说服力。

4.3 数学题：如何估算一个算子的理论性能上限

这道题是典型的“没有标准答案，但一定有分析框架”的题。我碰到的是让你估算一个1x1卷积在某种硬件上的理论加速比。

分析框架分三步：先算计算量，再算访存量，最后算一下有没有可能被访存限制住。

1x1卷积本质上就是矩阵乘法：输入是[N, H, W, C_in]，输出是[N, H, W, C_out]，每个空间位置做一次C_in -> C_out的全连接。FLOPs大约是N * H * W * C_in * C_out * 2。访存量则是把输入输出都算进去，约等于N * H * W * (C_in + C_out) * 4字节。

然后用算力除以访存带宽，得到一个“计算/访存比”。如果这个比值远高于硬件本身的比值，那就是计算受限，优化重心是提高计算效率。如果比值很低，那就是访存受限，应该优先做数据复用和缓存优化。

这个分析框架在很多算子题里都能用。提前练熟，面试时看到任何算子都能快速搭建分析思路。

5. 复盘中的教训：三个值得改进的地方

5.1 教训一：在冷门细节上花了太多时间

这次备考我花了一个晚上研究ARM汇编层面的指令调度细节，结果一面基本没用到。面试官问的还是以宏观优化策略为主。不是说这些知识没用，而是在一面这个环节性价比不高。更好的策略是：先把高频考点吃透，再根据时间余量拓展冷门细节。

5.2 教训二：回答太急，思路展示不够

有一道题我印象特别深。面试官问了一个我没准备过的算子场景，我当时的第一反应是赶紧给一个答案，结果说了个不太合适的方案。面试官提醒了一句“你可以先说说你会怎么分析这个问题”，我才意识到对方想看的其实是思考过程，不是最终答案。

这个教训非常实用。后来我给自己定了一个回答模板：先复述问题确认理解，然后说约束条件和可能的方法，最后再选一个方向深入展开。这样即使方向不是最优的，面试官也看得到你的思维质量。

5.3 教训三：只准备了自己熟悉的问题

复盘时发现自己准备的面试题大多围绕着“我熟悉的东西”。比如我熟悉卷积优化，就一直练卷积相关的题。但面试官实际出题是没有规律的，覆盖面很广。后来我按知识点列了一个问题清单，每个知识点强迫自己至少准备三道可能的问题，倒逼自己去补充短板。

6. 给后来者的实操建议

6.1 一面准备清单

按我的经验，一面之前至少需要准备齐这些东西：

• C++基础：智能指针、内存管理、多线程、编译过程
• 算子基础：Conv、MatMul、Softmax、LayerNorm的实现流程和复杂度
• 性能分析：profiling工具的基本使用和瓶颈分析方法
• 至少两个项目的深度复盘：背景、方案、数据、可改进点
• 手写代码：LeetCode中等难度题、常用算子的朴素实现

6.2 推荐的准备思路

时间充裕的情况下，先把你最常用的推理框架里gemm和conv这两个算子的源码读一遍。不需要每行都看懂，但要能说出它们的主要优化分支，比如是否是分块加并行、是否用到了vector指令、对于不同shape有没有特化路径。

然后一定要自己动手做一次完整的性能优化实验：选一个简单算子，跑基线，做一次优化，量性能差异，分析为什么有这个差异。哪怕提升只有10%，这个过程也会在面试里帮到你。

6.3 临场心态调整

一面说到底不是考察你的知识上限，而是考察你当前的水平能不能胜任日常工作。遇到不会的题太正常了，关键是让面试官看到你的思考路径。

我最后想说的是，复盘真正的价值不在于把每次面试的题目都记住，而是通过复盘去校准自己对岗位的理解。准备一面的时候，我花了很多精力去刷题和背知识点，但经过复盘我意识到，面试官真正想找的是一个能解决实际问题的人，而不只是一个知识存储库。希望这篇复盘能给你提供一些具体的参考。