关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集

3月中旬这场美团春招笔试结束后，从大量考生反馈来看，今年的笔试有一个非常明确的变化： 算法依然是主线，但AI相关知识已经成为基础考察内容之一。

如果你准备的是下一轮暑期实习或者秋招，这一场笔试的结构和难度，可以作为一个参考样本。

目录

• 1、笔试整体结构

• 2、题目考察重点拆解

• 3、常见卡点分析

• 4、核心问题与应对策略

• 5、趋势判断与准备建议

一、笔试整体结构

本次笔试整体结构比较稳定：

• 选择题约30分

• 编程题约70到80分

• 不同岗位题量略有差异

重点变化在于选择题内容

选择题结构变化

今年新增了一块明显内容：大模型基础知识

涉及方向包括：

• Transformer结构基础

• 自注意力机制

• 位置编码方法

• 推理优化技术

• Agent基础概念

同时，传统基础依然保留：

• 操作系统

• 计算机网络

• 数据库

可以理解为： AI知识已经从加分项，变成了基础能力的一部分。

二、题目考察重点拆解

后端方向

典型三道题结构：

• 第一题 区间内完全平方数计数 考察数学处理和边界控制

• 第二题 变种斐波那契或贝叶斯分类 考察递推、模拟以及取模

• 第三题 图论连通性问题 结合并查集或最短路

整体难度呈现：

• 第一题送分

• 第二题拉开差距

• 第三题决定上限

前端方向

两道题：

• 数学基础题

• 递推加大数处理

核心差异点在第二题，对边界和性能要求更高。

算法方向

四道题结构：

• 数学基础

• 概率或模拟

• 图论最短路

• 并查集加连通性问题

本质仍然是经典算法体系，但压轴题难度明显偏高。

三、常见卡点分析

从整体反馈来看，问题主要集中在三个方向。

1、选择题失分明显

很多人算法题还能写，但选择题失分较多。 主要原因是没有系统准备AI基础知识。 表现为：

• Transformer只知道名字

• 推理优化概念不了解

• Agent完全陌生

2、编程题卡在复杂度

典型问题：

• 有思路但写不出来

• 写出来但超时

• 只通过部分测试用例

本质是：

• 没有根据数据规模选择算法

• 对复杂度不敏感

3、压轴题不会建模

尤其是图论题：

• 看懂题意但不会转化

• 不知道该用哪种结构

这类问题本质是缺少“题型模型”，而不是单纯刷题不够。

四、核心问题与应对策略

1、大模型知识怎么补

建议重点掌握以下内容： 基础结构：

• Transformer整体结构

• Attention机制

• 前馈网络

位置编码：

• 正弦编码

• RoPE

• 不同方案的差异

训练流程：

• 预训练

• SFT

• RLHF

推理优化：

• KV Cache

• 模型量化

• 蒸馏

应用层：

• RAG基本流程

• Agent工作模式

不需要推导公式，但要理解设计目的。

2、图论压轴题如何突破

核心思路是转化问题。

典型模型：

问题：删边后判断连通性

难点：动态维护很复杂

解决方法：

• 先读完所有操作

• 得到最终图

• 用并查集初始化

• 倒序处理操作

• 把删边转化为加边

关键点在于： 从正向思考切换为反向处理。

3、只拿到部分分怎么办

建议策略：

• 优先写出可运行版本

• 再逐步优化复杂度

• 根据数据范围选算法

例如：

• 小数据用二次复杂度

• 大数据必须用对数级或线性对数

另外： 编程题通常支持部分分，提交比空着更重要。

五、趋势判断与准备建议

这场笔试可以看出三个方向。

1、AI基础成为通用能力

不仅是算法岗：

• 后端

• 前端

都开始涉及大模型知识。

2、工程能力开始影响结果

例如输入输出处理：

• 不同语言实现差异明显

• IO效率会直接影响是否通过

3、图论仍然是核心筛选手段

高频组合包括：

• 并查集

• 最短路径

• 连通性问题

这些已经是稳定的考察模型。

最后

如果现在的准备方式仍然是：

• 只刷题

• 不补AI基础

• 不总结题型

在下一轮笔试中会比较吃亏。 更合理的准备路径是：

• 算法建立题型模型

• AI补齐基础认知

• 工程能力保证稳定输出

这三部分，现在已经是一个整体

关于我们

霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。