面灵AI→

文远知行 算法工程 二面:用 AI 替代规则做选停车点

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 聊实习做的东西和用卡(GPU)的情况。
  3. 对文远这个公司有什么了解,对其技术栈有什么了解?
  4. 场景:运营算法中的选停车点问题,从用 AI 而不是 rule based 系统的技术路线来说,能做哪些事,有什么样的方案比较好?
  5. 做题:合并区间。
  6. 反问:目前相关业务是怎样的情况,线上用的什么方案,AI 方案大概有什么成果,进去之后要做哪些工作?

《参考解析》

用 AI 替代规则做选停车点:先定义问题。输入是候选停车点(位置、可停时段、容量、周边 POI、历史上下客量、违停与投诉记录)、车辆状态与订单需求分布;输出是「在什么时段把哪些点设为推荐上下客点」以及排序分数。规则方案的问题是阈值靠人工拍、难以融合多源特征、新城市要重新调参。AI 路线可以分三层:第一层做需求预测,用历史订单与时空特征预测各网格在各时段的上下客需求(时序模型或图神经网络,把路网连通性建图);第二层做点位评估,把候选点的可达性、安全性、合规性、体验(步行距离、等待时间)编码成特征,用排序模型或学习排序输出分数,标签来自实际成单率、取消率、投诉与违停;第三层做约束优化,在容量与合规约束下做分配,可以用整数规划或带约束的强化学习。落地要点:先做「规则兜底 + 模型排序」的混合方案,用离线回放与 A/B 验证,指标要看接驾时长、取消率、违停率与乘客投诉,并保留可解释性(每个点为什么被推荐)。风险是标签偏差(只在已有点位产生的数据无法评估未探索点位),所以要做探索与反事实评估。

合并区间:先澄清端点相接是否算重叠(闭区间算合并)。做法是按左端点排序,维护结果数组的最后一段:若当前段的左端点不大于最后一段的右端点,则把最后一段的右端点更新为两者较大值;否则另起一段。时间复杂度 O(n log n)(排序主导),空间 O(n)。边界要覆盖:空数组、单元素、完全被包含的区间(如 [1,4] 与 [2,3])、端点相接([1,2] 与 [2,3])、重复区间。写完后主动说明如果要输出原下标或要求原地修改该怎么做。

公司技术栈的了解:自动驾驶公司的技术栈一般分感知(多传感器融合、BEV、占用栅格)、预测(轨迹预测、交互建模)、规划控制(采样、优化、学习型规划)、地图与定位、仿真与数据闭环。回答时结合岗位方向说明你关注哪一段,并提一句对「保守稳妥推进、先预研再上车」这类工程风格的理解,比泛泛夸公司更有信息量。