我重生了,回到小米员工编程考试前一天

凌晨两点的办公椅还带着余温,我猛地睁开眼,屏幕右下角的日期赫然写着 “10 月 8 日”—— 距离公司那场沸沸扬扬的编程考试,还有整整一天。

指尖下意识摸向鼠标,脑海里却全是上一世查成绩时的窒息感:页面上 “62 分” 的红色数字刺得眼睛疼,底下的排名列表里,我的名字夹在几个外包同事中间,他们的分数清一色在 80 以上。那天茶水间的窃窃私语像针一样扎过来,“张哥不是做了五年业务开发吗?怎么算法题还没外包做得好”“估计是老了,基础早忘光了”。那些话比考试不及格本身更让人难受,毕竟这些年我手里跑过千万级用户的项目,线上 bug 能凭经验半小时定位,可偏偏面对 “动态规划求最长递增子序列”“二叉树层序遍历” 这类题,脑子就像生了锈的齿轮,转不动半分。

起身翻出抽屉里积灰的《算法导论》,扉页的笔记还是刚入职时写的,如今再看 “动态规划状态转移方程”,只觉得陌生得像外星文字。不是没努力过,上一世考前我熬了三个通宵刷题,可实操里哪用得上这些?平时写业务代码,优先考虑的是兼容性、可扩展性,是怎么把复杂需求拆成清晰的模块,而不是在限定时间里优化算法的时间复杂度。就像上次重构支付模块,我用缓存优化了重复请求,把接口响应时间从 500ms 压到 50ms,可这种 “解决实际问题的能力”,在编程考试里根本没地方填。

更让我别扭的是 “全公司通晒成绩” 的规矩。上一世成绩出来后,部门群里直接发了排名表,连实习生的分数都标得清清楚楚。我看着自己排在倒数的名字,想起刚进公司时拿过的 “季度优秀工程师” 奖状,突然觉得有点滑稽 —— 那些年我带过的新人,现在有的成了架构师,可我却要因为一场考基础算法的试,在全公司面前 “丢脸”。尤其是想到要和外包同事一起排名,心里更不是滋味:他们刚从学校出来,算法题练得熟,可真要处理线上复杂的业务逻辑,未必有我得心应手,可考试只认代码成绩,不认这些年积累的 “实战经验”。

窗外天快亮了,我把《算法导论》推到一边,打开了自己做过的项目文档。看着里面密密麻麻的注释、优化方案,突然没那么慌了。就算明天考不好又怎么样?我能在用户量突增时稳住服务器,能把混乱的旧代码理得明明白白,这些不是一张试卷能否定的。只是我还是忍不住想:如果公司的技术考核,能多看看我们解决过的实际问题,多听听我们对业务的理解,而不是只盯着几道算法题,是不是会更公平些?

手机震动了一下,是同部门的老李发来的消息:“老张,明天考试你准备得咋样?我昨晚刷了套题,还是好多不会……” 我笑着回复:“没事,尽力就好,咱这些老骨头,真要比实操,谁也不差。”

至少这一次,我想清楚了 —— 一场考试定不了我的价值,就像那些被遗忘的算法题,从来不是衡量一个工程师的全部标准。

从客观视角来看,小米这场编程考试本身并非毫无意义:它确实能倒逼工程师回溯计算机底层知识,毕竟基础算法能力是复杂系统优化、突发问题攻坚的隐性支撑,尤其对技术迭代快的互联网行业,定期唤醒基础认知有其必要性;同时,统一考试也为公司提供了一个相对标准化的能力参照,能快速识别出基础扎实、学习能力强的员工,尤其对新人而言,这是一个突破 “经验壁垒”、公平展示潜力的渠道。但考试的争议点同样突出:一方面,考核内容与老员工的实际业务场景脱节,忽略了他们在项目落地、风险把控、业务理解上的核心价值,用 “算法熟练度” 单一维度评价 “综合技术能力”,难免有失公允;另一方面,“全公司通晒排名” 的方式,虽可能起到激励作用,却也容易挫伤老员工的职业尊严,尤其将正式员工与外包人员混排,未考虑两者职责侧重(前者重业务闭环,后者多侧重基础编码)的差异,反而可能引发内部心态失衡。说到底,技术考核的核心不该是 “用一套题筛选所有人”,而应是 “为不同角色匹配不同维度的评价标准”—— 对老员工侧重业务解决深度与架构思维,对新人侧重基础能力与学习潜力,对成绩的反馈也需兼顾激励性与人文关怀,如此才能让考核真正成为助力员工成长、推动公司技术升级的工具,而非引发焦虑的 “压力测试”。

#小米##小米编程考试##牛友故事会#
全部评论
考试是学生时代的衡量标准,但职场不是
1 回复 分享
发布于 2025-09-24 14:03 上海
刚开始看:????越往后看:👍👍👍
1 回复 分享
发布于 2025-09-24 14:01 北京
一把双刃剑,利弊共存
点赞 回复 分享
发布于 2025-09-24 14:02 浙江

相关推荐

【一面】 1)介绍一个最能代表自己的项目2)项目里负责的边界是什么?哪些内容是亲手实现/验证的?3)电商领域预训练数据:低质过滤与去重会怎么做?用哪些简单指标快速判断数据质量?4) Pretrain 和 SFT 分别解决什么问题?5) Transformer 的基本结构怎么理解?6)多模态模型的大致结构是什么(图像编码器+连接层+ LLM )?最容易踩坑的点通常在哪里?7) SFT 数据如何更贴近业务:如何避免过度模板化?如何做基础的 train / test 去重来避免评测失真?8)对齐( RLHF / DPO 等)整体思路是什么:为什么需要偏好对/奖励信号?【二面】1)做过的最有影响力的一件事是什么?具体推动了什么变化?2)训练不稳定怎么排查( loss NaN 、 OOM 、吞吐下降)3) Long Context 常见思路有哪些?在业务里如何做"能看长文本但不太贵"的折中(摘要/分段/滑窗等)?4)如何做一套简单可执行的离线评测集?如何覆盖不同语言与类目?5)多模态场景怎么评估:如何检查"图文一致性/不编造信息"?优先加哪些自动化检查?6) Prompt /模板如何管理:如何版本化、如何回滚、如何避免一次改动导致整体波动?7) 手撕:实现一个最简单的 top - k 采样(给定 logits /概率,取 top - k 后重新归一化采样),并说明边界情况怎么处理。📳对于想求职算法岗的同学,如果想参加高质量项目辅导,提升面试能力,欢迎后台联系。
点赞 评论 收藏
分享
评论
6
1
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务