今天在知乎看到了这个问题：如何看待 2020 届校招算法岗「爆炸」的情况？于是尝试回答了一发。

先说说我的个人结论：候选人数目爆炸，但是优秀的候选人并没有增加太多。公司不是不想招人，是招不到合适的人。女神不是不想找男朋友，是不想找个屌丝做男朋友。另外，找工作其实是门玄学，对于绝大多数资质普通的应届生来说，找工作不仅拼实力，也很大程度靠运气。

我在某“手机 + AIoT”厂商做推荐算法，七八月份也在陆陆续续面试校招提前批，从我个人面试的体验来看，候选人确实变多了，而且很多都是从其他理工科背景转行过来的，但是优秀的候选人并不多。可能我们是二线公司，最牛逼的那波应届毕业生都去面BAT、TMD、旷视这种听起来高大上的公司了，我们这边接到的内推简历以及2019年入职的新人背景并不是顶尖985高校。我们工资不高，但据说往年都有北京户口这样一个大福利。。。

下面我将从一些个人体验来解释我上面的结论。

算法岗到底缺不缺人

缺人！

贸易战、整体经济下行、AI商业化困难，2019年的人工智能行业似乎并不是那么乐观，各大公司也被先后爆料出裁员丑闻。加上这几年各路媒体一直炒作算法岗薪资奇高，导致大批学生投机转行人工智能，给人的感觉是算法岗已经供过于求。尽管如此，我个人感觉2019年末的这个时间点上，算法岗依然缺人，而且缺那些有实战经验的牛逼人才。

我们一个同事一年社招面试了上百人，发了二三十个offer，最后只来了一两个。另一个同事天天刷Boss直聘，几乎每周面试两三个候选人。面试又不能涨工资提业绩，谁闲着没事不好好干活，天天陪候选人面试聊人生聊理想啊。如果不缺人，还要面什么试。

只要一个公司还在向前发展，那他们的算法岗绝对缺人。否则，华为不会百万年薪招博士，阿里不会搞个阿里星，百度不会推出少帅计划。否则，不会有这么多人在知乎这个问题上发招聘启事。

然而，对于应聘者来说，尤其是应届毕业生，他们的信息是不对称的。应届生相关经验薄弱，人脉又少，不知道哪个公司最缺人，不知道公司想招什么样人，不知道自己要增强哪方面的技能...候选人和招聘单位之间有很大的信息不对称。因此，面试找工作似乎成了一种撞大运的玄学，包括我在内，大部分人其实都不是华为百万、阿里星或少帅计划，找工作这个过程很可能是靠运气。这个运气包括：有没有人帮忙内推；目标公司是否在那个时间点说要重点发展某项业务并增加人力资源支持；你的技能是否正好与目标岗位大致匹配；甚至是大神都被其他公司抢走了，正好给你留下了这个坑。

比如，我们大组2019年新来的一个同学是春季补招进来的，并非顶尖985，当时发了offer，但也考虑到这人有其他offer，很可能不会过来了，结果人家还真来了。这周一刚面的一个北邮小伙，不懂算法，没接触过大数据，但是对Java开发比较熟悉，负责人说先拉过来做做系统开发的工作，结果也给了提前批offer。看着知乎上很多应届朋友天天抱怨算法岗爆炸，你说我们招聘的这波操作气不气人。

另外，我们作为求职方，一般会骑驴找马，手握多方offer，然后做选择。对于招聘方，也是一样左右权衡，试图招聘到最佳的候选人。

所以说，算法岗缺人，但是如果没有好的内推渠道，没有针对这个岗位的技能，很可能就是陪跑。

面试体验：缺乏实战经验

从我面试的体验来看，还没有遇到神仙打架的场景。可能最牛的那些人都去阿里星，百度少帅了吧。我面试的几个候选人，多是统计、电子、通信背景的，并不是100%计算机背景，学校一般是二线985。有一两份大厂数据分析岗或小厂算法岗实习的候选人，一般有一定的算法基础，机器学习问题回答得都还可以。简历上写了一大堆高大上的DNN模型，实际问起来，只是把网上的样例程序拿过来，在某个数据集上跑跑，对模型的理解并不深刻。没有实习经验的候选人一般对大数据使用不多，不了解Hadoop和Spark，即使用过，也说不清Spark一些稍微细节的原理。其他专业转行的候选人相对编码能力一般。有一个候选人说自己刷了200道LeetCode，但还是不能立马写出二叉树前序遍历。另一个候选人说，我系统学过大数据Spark，都记在我的笔记本上了，你这个问题我学过，等我我翻开本子给你找一下答案。再之前面暑期实习，候选人说自己对自然语言处理感兴趣，于是我问如果让你从头到尾训练一个词向量，你怎么做，这位小哥支支吾吾说不上来。

从学校到职场，对一个人的技能要求差距还是蛮大的。我也是从学生时代过来，我知道对于大多数普通学生来说，没太多实战经验，天天只刷题，看西瓜书，是搞不清楚一些底层原理，更不可能做一个线上系统的。“无他，唯手熟尔！”很多东西没那么难，多练练，就熟悉了。但恰恰应届生缺少这些练习的场景。破解这个困局的最好方式就是找实习，最好是大厂实习。

我也知道不能用对社招标准要求校招候选人。但从实际工作角度，校招过来的员工从入门到上手工作，一般要三四个月的熟悉时间。公司老板为了节省成本，肯定希望招聘一个各方面能力优秀的校招生，以尽量缩短这个熟悉时间。

算法岗到底考察候选人什么技能

数据科学金字塔 来源：hackernoon.com

我个人理解，除了那些顶级的数据科学家外，工业界99%的人都是在做业务相关的事情，要对业务指标负责。说白了，公司雇佣你，是为了让你所做的事情能够帮公司赚钱，你发多少顶会的paper，如果不能帮老板赚钱，都没用！

有人在讨论论文到底有没有用。这个问题很好回答，有没有用，主要看这个岗位和你的论文有没有关系。你投推荐算法，但是发了一些计算机视觉的论文，面试官内心的OS是这玩意又不能立马帮我们组提高产出，招进来培养半天，还不一定留得住，招进来干啥，于是简历石沉大海……所以，这里又涉及到刚才说的信息不匹配和运气成分的问题。

还有人讨论为啥要考编程题。你一没大厂实习经历，二没具体业务经验，不懂大数据，又对机器学一知半解，这些都没关系，只要脑子聪明，逻辑思维强，进来可以再学嘛。但是，面试官怎么衡量你聪不聪明？怎么看你是不是个可栽培的好苗子？那就写个小题目吧。其实很多公司不怕候选人不懂机器学习，怕的是候选人不会写代码，或不想写代码。

在我看来，一个算法工程师在实际工作中主要关心两点：

1. 构建机器学习模型
2. 将模型发布到生产系统

很多朋友看到网上的机器学习例子中，只需要调用一下model.fit()函数就能训练一个模型，认为机器学习非常简单。实际上，一个机器学习流程很长，包括：模型选择、数据预处理、特征工程、样本生成、模型调优以及模型上线。整个工作对工程师的各项技能要求也非常高。

机器学习流水线 来源：towardsdatascience.com

对于模型训练和线上发布，各公司差异也比较较大。对于数据量较小的场景，可以直接用“Python + Shell + SQL”的方式构建机器学习数据流，使用scikit-learn或TensorFlow这样的框架。对于数据量大的场景，还是必须依赖大数据处理框架Spark或Flink，并使用分布式训练工具。大公司一般为适配自己的数据量和业务场景，都会有一套自己的模型训练和上线工具，并配有专人来开发和维护这套机器学习框架。因此，在一个大公司里，可能有一部分人负责模型训练，主要是模型调参和特征工程；一部分人负责模型上线，主要保障模型能够提供稳定的在线服务；一部分人负责机器学习框架开发；机器学习并不是万能的，所以还需要一部分人使用人工策略来解决机器算法无法解决的那部分问题。听起来好像所有人的职责都带机器学习几个字，实际做的事情区别很大，所侧重各有不同。

在实际工作中绝大多数算法工程师要做的事情包括数据清洗、ETL、AB实验、模型上线等一系列问题。因为我们的算法岗不仅要懂机器学习，也要用会使用Spark这样的大数据框架来生成样本、构建数据流，因此比较偏向有大数据经验的同学。而且大厂的模型上线很可能需要用C++写一遍，因此还需要一些人做线上预测模块。这时候，你会Spark或者精通C++，都可能比你会一些深度学习模型更有优势。

算法工程师技能图谱

算法工程师最核心技能还是机器学习和统计学，这关乎机器学习模型能够在何种程度上优化目标、带来多大的效果提升。例如一个推荐算法工程师有可能在面试中被问到的机器学习知识包括但不限于：

• GBDT的原理如何
• 进行特征选择
• 如何评估模型效果
• softmax函数的定义
• 如何将embedding应用到推荐系统中

因为算法工程师工作很杂，所以一般对候选人的各方面技能要求都很高。昨天晚上，团队领导在群里还说到，团队每个人，无论是不是做纯算法，各技能点都要满格：包括编程能力、逻辑思维、大数据等等。算法工程师，首先应该是一名合格的工程师。

岗位选择建议

关于岗位选择建议，这个问题下很多人已经提到算法岗僧多粥少，建议大家转行做开发。我是觉得算法岗还是缺少优质人才的，公司的headcount也一直都有，但是这些坑都是留给那些最优秀的人。因为这两年媒体对算法岗的火热追捧，导致大批学生准备转行，加上部分公司业务增长疲软，岗位数目不如前几年那么多，整个行业不可避免地水涨船高。

在数据科学行业，其实不止算法工程师这个岗位。例如我们团队，有很多人做数据分析、大数据开发、工程架构等等。算法不能解决所有问题，也需要一部分人在算法基础上做人工策略。纯算法岗只占一小部分。建议校园出来的学生阅读一下我之前这篇文章，了解业界是如何划分岗位的：

因此，我建议应届同学一方面增强自己的核心技能，补齐短板，另一方面根据自己的背景实力选择适合自己的岗位。

当然，面对玄学问题，要放平心态：山重水复已无路，柳暗花明又一村。