面试造火箭，算法岗位入职拧螺丝。算法岗位这话在算法岗上体现得淋漓尽致。算法岗位

我见过一个候选人，算法岗位简历上写着“精通Transformer架构，算法岗位主导过百亿参数大模型训练”。算法岗位面试时让他手写一个多头注意力机制，算法岗位他憋了二十分钟，算法岗位最后写了个带bug的算法岗位版本。更离谱的算法岗位是，他连softmax的算法岗位数值稳定性问题都说不清楚。后来我问他，算法岗位简历上那个百亿参数模型到底做了啥，算法岗位他说：“我负责调参，算法岗位就是算法岗位改改学习率。”

这不是个例。算法岗的供需关系在过去三年彻底扭曲了。2020年，一个能跑通YOLOv3的应届生就能拿到40万年薪。到了2024年，同样的岗位要求变成了“熟悉大模型分布式训练，有MoE架构实战经验，发表过NeurIPS一作”。但实际工作内容呢？调API、洗数据、跑benchmark。真正需要从零推导反向传播的场景，一年可能碰不到一次。

我认识一个在头部大厂做推荐算法的朋友。他每天的工作就是跑A/B测试，看哪个特征组合的CTR涨了0.1%。他自嘲说：“我就是一个高级Excel操作员，只不过用的工具是Spark。”他团队里有个清华博士，入职半年，主要产出是一份《特征交叉方法调研报告》。博士私下说，这活儿找个本科生也能干。

问题出在哪？出在算法岗被神化了。企业需要的是能快速落地的工程能力，但招聘时却按学术标准筛选。结果就是，会刷LeetCode Hard的人进来了，但连一个完整的特征工程pipeline都搭不起来。更讽刺的是，那些真正在业务中摸爬滚打过的算法工程师，反而因为论文不够多被卡在简历关。

我自己的观察是，算法岗正在分化成两个完全不同的方向。一个是“研究型算法岗”，极少数人，在研究院或核心团队，真的在推公式、改架构。另一个是“应用型算法岗”，绝大多数人，本质上就是数据工程师加调参侠。后者的核心技能不是推导公式，而是快速理解业务、定义问题、找到合适的开源方案、然后高效地拼装和调试。

如果你正在准备面试算法岗，我的建议很直接：别背八股文了。把Kaggle上一个完整比赛从头到尾做一遍，从数据清洗到模型部署。或者找个开源项目，把它的推理速度优化30%。这些经历比背一百道“梯度消失的原因”有用得多。面试官不傻，他们知道你在学校做的那些项目是怎么回事。与其包装，不如真实地展示你能解决什么问题。

最后说个扎心的事实。我见过最优秀的算法工程师，是一个半路出家的后端开发。他不懂什么注意力机制，但他能把模型推理延迟从200ms降到50ms。他靠的不是数学，是对系统瓶颈的直觉和工程能力。算法岗的尽头，其实是工程岗。想清楚这一点，你的职业路径会清晰很多。