手撕题这两年已经成了技术面试的标配环节尤其是电源方向和算法方向几乎每轮都逃不掉。我在辅导和面试候选人的过程中发现大家普遍有个误区以为手撕是考背诵实际上考官想看的根本不完全是代码写没写对而是你思路清不清楚、边界感强不强、推导是不是有逻辑链。这篇清单不是给你堆八股而是把我见过的高频考点和真正能落地的准备方法梳理出来照着练至少能在现场不慌。1. 手撕题为什么成了面试硬门槛筛选逻辑与备考思维1.1 面试官真正在考察的三个维度先聊个有意思的事情。很多人以为手撕题就是刷题把LeetCode刷穿就稳了但实际上我在面试里见过不少刷题刷得很猛的人碰到手撕环节照样崩。原因在于手撕题和算法题有本质区别。算法题考察的是逻辑思维和代码熟练度手撕题考察的却是你在约束条件下快速建模、取舍和边界处理的能力。我总结了一下手撕题考官其实在看三个维度这三个维度缺一不可维度一定义完整边界。题目给你一个粗粒度描述比如“写个Buck变换器的小信号模型”或者“手撕多头注意力”你必须自己补全输入输出、运行环境、性能指标等隐含约束。很多候选人不是不会而是不知道“从哪儿开始”这就是边界感缺失。维度二核心链路是否清楚。你的代码或者推导不需要逐字逐句优化但主链路必须清晰。比如手撕Transformer你说不清Q、K、V从哪里来sequence mask怎么加那就算最终跑通了也过不了关。维度三局部优化与应急修复。你写完伸个懒腰然后考官会砍掉一个约束比如“如果是长序列你的这段代码怎么优化”或者“如果输入电压抬到36V电感怎么重新算”。这考察的是你对自己方案的掌控力。1.2 高频手撕题的分级体系与时间分配根据我接触的面试数据手撕题可以按出现频次和难度分成三级这样你在准备阶段才能有的放矢不至于把时间花在冷门角落。T1梯队必须零失误Buck、Boost、Flyback基础拓扑推导、单相整流桥、运放的虚短虚断分析、RC充放电过程。这些是硬件/电源岗位的基础手撕不要求你默写公式但要求你能现场推导出来。T2梯队高频且容易翻车多路输出反激、有源钳位正激、Boost的CCM/DCM小信号、DCDC的环路补偿、多头注意力机制、LayerNorm和BatchNorm的区别代码实现。这些题的难点在于细节多任何一个点忘掉都会让你卡五分钟。T3梯队低频高区分度LLC谐振变换器的增益推导、三相 Vienna 整流器的工作模态、Transformer的稀疏注意力变体、GPT样式的 causal attention 手撕。遇到这类题没准备好的直接懵但能为已经准备好的候选人做出完美的区分度。结合这三级的划分时间分配建议是这样的T1占40%时间T2占50%T3占10%。很多人正好相反把大量时间砸在最难的T3上结果T1在考场上磕磕绊绊这种“高开低走”是最可惜的。1.3 准备工具白板、纸笔、编辑器三线并行手撕的形式在不同公司差别挺大的。有的在纸上写、有的在白板上写、有的直接在IDE里写。我强烈建议你在准备阶段就用这三种方式轮换练习因为实际体验真的不一样。纸笔练习核心价值在于练推导的肌肉记忆。比如Buck的电感伏秒平衡推导写出“导通阶段伏秒 关断阶段伏秒 0”然后再往里代具体方程。纸笔练习能帮你形成“先列已知量、再列待求量、最后列方程”的固定流程考场不慌。白板练习核心价值在于练言简意赅的表述。白板上写字慢你必须边写边说这逼着你把思路用语言组织出来。我有个习惯每次练白板都会录音回放然后你就能发现一堆“额”“这个”“那个”的口头禅。编辑器练习核心价值在于还原真实编码节奏。尤其是在手撕Transformer或多头注意力时不是写完逻辑就完事还要自己造测试case、打断点调试。用编辑器练你能习惯真实环境下的容错方式。三线并行有个额外好处你会发现自己对同一道题的熟练度在不同载体上是不同的。比如Buck推导我用纸笔很顺但到了白板上就容易漏掉电感纹波电流与平均电感电流的关系这种差异刚好能暴露准备盲区。2. buck与boost手撕从拓扑推导到死区细节的完整过关模板2.1 Buck变换器的“三步推导法”与关键公式复盘先按最高频的Buck来说。面试官让你手写Buck通常不是让你画个拓扑就完事而是会接着问“怎么推导出占空比D和电感值的”。你千万别一上来就背 D Vout/Vin因为这道题真正的价值在于推导过程你的推导能不能自洽直接暴露了你是不是真懂。我习惯用的方法叫“三步推导法”伏秒平衡写状态方程。假设Buck工作在CCM连续导通模式开关管导通时电感电压为 Vin-Vout关断时电感电压为 -Vout忽略二极管压降和导通电阻的理想情况。稳态时电感两端电压在一个周期内的积分为零于是就有(Vin - Vout) * D * T (-Vout) * (1-D) * T 0从这个式子一步就能推出 D Vout/Vin。电感纹波电流计算。利用导通阶段的电压方程 L * di/dt Vin-Vout整理出纹波电流表达式ΔI (Vin-Vout) * D * T / L注意到电流纹波是峰峰值的2倍关系所以实际画图时要注意标注清楚。很多人第一次推导的时候会取错系数把ΔI直接当成峰值变化量这里一定要小心。电感值等式的物理意义解读。当纹波电流是输出电流的20%-40%时由上式反推L ≥ (Vin-Vout) * D / (f_sw * ΔI)这里有常被忽略的点电感值不仅决定纹波大小还直接决定变换器能否工作在CCM。尤其负载轻的时候电感电流平均值下降如果纹波电流的一半大于平均电流就会掉到DCM断续模式。面试官爱在这个地方追加一个问题“如果我重新选一个更大的电感纹波是变小了但会不会有什么副作用”答案是会。电感变大会让动态响应变慢因为电流上升/下降速率受到 L 限制。我在实际电源设计中就吃过这种亏——为了压低纹波把电感选特别大结果是负载突变时输出电压大幅跌落最后被迫换更小电感配合增加输出电容来折中。你如果能在手撕的时候把这个工程折中的思路说出来考官会立刻对你另眼相看。2.2 Boost推导的易错点右半平面零点与断续模式判定Boost的拓扑推导和Buck推导的整体框架一样但有几个专属的坑几乎每次面试都会有一批人在同一个地方翻车。Boost在CCM下的电压增益是Vout Vin / (1-D)跟Buck不一样的地方在于Boost的电流是阶梯上升的电感和开关管串联在输入端。面试官会要求你推导这个公式推导过程同样是三步但注意事项不同伏秒平衡方程在Boost里变成(Vin) * D * T (Vin-Vout) * (1-D) * T 0。注意关断时电感两端电压是 Vin-Vout不是 -Vout因为此时电感通过二极管向输出侧放电而Vout大于Vin。Boost的纹波电流公式是ΔI Vin * D * T / L。注意这里分子用的是Vin而不是Vin-Vout因为导通阶段电感两端电压就是Vin。除了这些推导我特别想提醒你Boost的右半平面零点问题。这是手撕环节的“超纲加分题”。Boost的占空比和输出电流关系存在一个本质上的反直觉现象控制量增加时输出会在短时间内反方向变动然后再回到正轨。现象描述负载突然加重时为了维持Vout控制器必须增加占空比D但增加D意味着电感充电时间变长输出侧放电时间变短所以在几个周期内Vout会不升反降。左手解释就像你在调节水龙头让水池水位上升但你先要停掉排水停排水的瞬间池子里的水位反而会因为出水减少而暂时下降。这种反直觉的动态行为反应在传递函数里就变成一个位于右半平面的零点。面试关联点考官问“Boost的补偿为什么比Buck难做”答到右半平面零点基本就能得分。还有DCM判别的关键点Boost的输出电流是断续的所以电感最小值的公式也要特别记清楚L ≥ Vin² * D / (2 * f_sw * Iout_临界)这个系数的推导基于临界导通时电感电流谷值正好等于零这个条件。很多人会忘记前面那个2然后整个数差了一倍。我在指导候选人的时候常说写推导时不要像查字典一样只写公式要把“为什么此时谷值为零”一句话写在公式旁边。这句话会让面试官觉得你是真的理解边界条件而不是背答案。2.3 实战中元器件选型的工程经验补充手撕题写到电路参数计算考官经常会追加问一句“陶瓷电容还是电解电容选哪个”。这个问题的背后其实考察你对实际工程约束的敏感度。这里有几个我踩过的经验值得记住输出电容的额定纹波电流至少留1.5倍余量。电解电容的纹波电流指标很容易选小然后高温老化后容量衰减纹波异常飙升在电源调试时表现为轻微啸叫和热的电容外壳。电感饱和电流按峰值电流留20%以上余量。电感器件的规格书通常会给你饱和电流但实际测试条件和你的应用未必一致温度升高后饱和电流下降冷态测得70°C对应值会差不少。Boost的续流二极管不可以只按平均电流选。二极管承受的其实是脉冲电流峰值电流能达到平均电流的几倍所以要按峰值电流来选择二极管额定值否则长时间工作轻则过热重则炸管。这些经验性补充不一定能在每一场面试都用到但你一旦被问到能接住话、给出量化建议就会远远拉开和其他候选人的差距。3. 多头注意力手撕从矩阵维度到计算图实现3.1 多头注意力的计算图拆解与维度核对多头注意力这题几乎成了算法/大模型岗位的必考题之一而且面试官一般不止要你默写代码还会追问每个矩阵的shape变化和为什么要有这个维度。所以我建议你用“计算图”的思维方式来做手撕。先把多头注意力拆成以下几个环节然后逐个检查维度关系输入一个batch的序列维度为 (batch_size, seq_len, d_model)。假设batch_size为B序列长度L模型维度D。生成Q、K、V将输入分别与Wq、Wk、Wv矩阵相乘。很多实现是直接用一个总权重矩阵乘再拆分但为了面试讲清楚分开两段更好先做线性层再手动拆头。拆分多头把最后一维分成 head_num 份得到 (B, head_num, L, head_dim)。这里head_dim d_model / head_num这个整除关系非常重要。如果d_model不能被head_num整除代码会直接报错我在面试中故意让候选人处理这种情况看看他会不会先做合法性检查。缩放点积计算Q * K^T维度变化是 (B, head_num, L, L)再除以 sqrt(head_dim)。除法的意义是为了防止点积结果过大导致softmax梯度饱和。注意力权重与加权求和softmax之后和V相乘得到 (B, head_num, L, head_dim)。拼接和输出投影把多头结果merge回最后一维得到 (B, L, D)再过一个输出线性层得到最终的 (B, L, D)。这六个环节里最容易出错的点有三个维度拼写错误、softmax维度写错、mask加错位置。尤其是mask这是高频翻车点。3.2 mask处理细节padding_mask和causal_mask到底在哪里加我在面试中问过很多候选人发现大多数人都能背出attention公式但问到mask是什么时候加、怎么加就含糊了。注意力计算中mask的核心作用在softmax之前加无穷小值从而让softmax之后对应位置的概率趋近于0。加在softmax之前是因为softmax是严格正值的函数如果不提前屏蔽它永远不会输出真正的零。padding_mask针对“batch中序列长度不一致”的情况。通常在数据预处理时把短序列pad到统一长度但pad位置是无效信息需要屏蔽。实现时直接构建一个布尔mask为True的位置在softmax前加上一个负数极大值。causal_mask这是GPT等自回归模型的核心设计。它保证第i个token只能看到第1到第i个token不能看到未来信息。实现有两种常见方式一是构造一个上三角为True的mask矩阵二是在计算完QK^T之后用矩阵操作把右上角区域设为无穷小。面试官特别爱问的一个点为什么causal_mask不能用简单的attention mask参数传入我的回答是causal_mask通常在任何输入情况下都需要它与具体的样本无关而padding_mask则依赖于当前batch中每条样本的实际长度。正确做法是两者结合也就是在attention计算函数内部动态生成causal部分再与外部的padding_mask取并集。这里我附带一个容易被忽视的工程细节如果batch内序列长度差距悬殊padding_mask会浪费大量算力。所以工业界通常会按长度排序并做桶化bucketing把长度相近的样本放进同一个batch。这个优化在手撕题现场可以提一嘴面试官会认为你有线上工程经验。3.3 手撕多头注意力的代码架构建议面试现场手撕建议按这个顺序写代码逻辑清晰且容易边说边写class MultiHeadAttention(nn.Module): def __init__(self, d_model, n_heads, dropout0.0): super().__init__() assert d_model % n_heads 0 self.d_model d_model self.n_heads n_heads self.head_dim d_model // n_heads self.wq nn.Linear(d_model, d_model) self.wk nn.Linear(d_model, d_model) self.wv nn.Linear(d_model, d_model) self.out_proj nn.Linear(d_model, d_model) self.dropout nn.Dropout(dropout) def split_heads(self, x): # x: (batch, seq_len, d_model) batch, seq_len, _ x.shape x x.view(batch, seq_len, self.n_heads, self.head_dim) return x.transpose(1, 2) # (batch, n_heads, seq_len, head_dim) def combine_heads(self, x): # x: (batch, n_heads, seq_len, head_dim) batch, n_heads, seq_len, head_dim x.shape x x.transpose(1, 2).contiguous() return x.view(batch, seq_len, n_heads * head_dim) def forward(self, x, maskNone): batch, seq_len, _ x.shape q self.split_heads(self.wq(x)) k self.split_heads(self.wk(x)) v self.split_heads(self.wv(x)) scores torch.matmul(q, k.transpose(-2, -1)) / math.sqrt(self.head_dim) if mask is not None: scores scores.masked_fill(mask 0, float(-inf)) attn torch.softmax(scores, dim-1) attn self.dropout(attn) out torch.matmul(attn, v) out self.combine_heads(out) return self.out_proj(out)代码的核心点有两个。第一mask的类型和形状要清晰如果是bool型的mask且要broadcast到 (batch, n_heads, seq_len, seq_len)要确保在分数矩阵上能直接对齐。第二combine_heads时必须先transpose(1, 2).contiguous()再view否则张量内存布局不连续会直接报错。这个细节在实际调试里非常常见很多初学者写的代码维度计算正确但运行时出错就是忘了contiguous。3.4 多头注意力高频追问与应答策略面试官写完这段代码不会让你走一般会连着问三四个问题我把频率最高的几个整理出来为什么要用多头而不是单一注意力核心是让不同的头关注不同的特征子空间比如某些头关注局部语法某些头关注长距离依赖。还有一个实用论点是多头为模型提供类似“多通道”的冗余让训练更稳定。head_dim为什么要用缩放而不是直接除L因为方差会随维度线性增长如果不缩放到标准差接近1softmax很容易饱和梯度消失。最简单的证明是假设Q和K各分量是标准正态分布点积的方差为head_dim所以除以sqrt(head_dim)才能保持方差为1。如果n_heads增长参数会不会爆炸实际上n_heads增加时每个头的head_dim会变小所以总参数不变。这也是为什么很多模型加多头不加参数的原因。你可以提前把这些应对背熟但关键是理解逻辑链而不是机械背答案。比如解释多头的参数不变时顺便举例d_model1024从8头变成16头每个head_dim从128降到64总计算量基本不变只是矩阵拆分方式变了。这样的回答会让面试官觉得你不仅知道结论还理解背后的权衡。4. transformer手撕编码器结构、复杂度权衡与高频追问4.1 编码器完整手撕结构与分层实现手撕Transformer比手撕多头注意力再高一层因为要求你把完整网络结构串起来。很多候选人能单独写好attention、写好FFN但一让拼成完整encoder就手忙脚乱。我的建议是先搭主干再加细节embedding层token embedding position encoding。position encoding的公式不需要默写准确但你要能解释为什么用不同频率的cos/sin。频率设计使得模型能通过相对位置线性变换表达位置关系这在早期Transformer里是重要设计。N个EncoderBlock的堆叠每个block内部顺序要注意。Post-Norm还是Pre-Norm这个顺序会显著影响训练稳定性和最终性能面试官很爱问区别。每个block包含多头注意力子层 前馈网络子层 残差连接 LayerNorm。建议手撕实现顺序是先写EncoderLayer的forward结构再写多头的相关调用最后补上mask参数的贯穿传递。很多人喜欢从零手写所有细节结果在positional encoding的三角函数上卡壳。我建议面试现场用nn.TransformerEncoderLayer的示意图来确认结构但代码用自定义实现来展示深度。4.2 LayerNorm和BatchNorm的本质区别与应用场景Transformer手撕题中LayerNorm是必问点因为它的位置和含义直接决定模型能否训得动。BatchNorm在batch维和空间维上统计均值方差然后每个通道独立缩放。它受batch大小影响大且在token长度动态变化时会有问题。LayerNorm则是在每个样本内部在feature维上做归一化跟batch和序列长度无关。它就是对每个token的向量做标准化因此很适合NLP变长序列。LayerNorm实现就三步计算均值、计算方差、归一化加缩放平移。但这三步里有个隐藏细节方差计算用的是有偏估计还是无偏估计PyTorch的LayerNorm默认用有偏估计即在每个token的向量维度上直接求方差。如果面试官故意问“方差除以n还是n-1”你要能答出在LayerNorm的实际实现里用的是n和统计学中的无偏估计不同。再补一个实用对比在Transformer里的残差连接通常是起“梯度高速公路”的作用让梯度可以跨层回传。如果LayerNorm放在残差之前Pre-Norm梯度流更稳定但表达能力略降如果放在残差之后Post-Norm模型表达力更强但训练要非常小心。现在主流LLM基本都走Pre-Norm路线就是因为大模型训练稳定性太关键。4.3 复杂度权衡与各种奇怪的追问Transformer的手撕不只是写网络结构面试官通常会用“复杂度”来拷打你对模型的理解。标准自注意力的复杂度是 O(L² * d)。L是序列长度d是维度。L² 是QK^T矩阵的空间部分也就是说序列长度翻倍计算量直接变成四倍。优化方向稀疏注意力只让每个token与局部窗口或固定步长的token交互复杂度降到O(L * w)或O(L * log L)。线性注意力用核函数把QK^T的近似解耦成先算K^TV再算Q乘结果复杂度降到O(L * d²)。但当d远大于L时线性注意力反而没有优势。FlashAttention的IO优化它不改变复杂度但通过分块计算和重计算减少HBM访问瓶颈。面试官会说“如果序列长度是1万这是多少TOPS计算量”这就是一个现场估工作量的问题。你如果能脱口而出“d取1024head数8大概每层是1万1万1024乘8乘三层级的估算”考官会非常满意。关键不在于数字准确而在于你能飞快地把复杂度和实际部署场景联系起来。4.4 手撕时高频追问与应急处置Transformer面试环节通常会掺一些面试官临时抛出的Branch问题我整理几个代表性案例“我这个embedding维度是300head数想设4可以吗” 答案是可以因为300能被4整除head_dim75。但如果head数设8300÷837.5就崩了。这个知识点正好呼应前面说过的整除检查。“如果KV Cache存不下你会怎么处理” 答换成可回收的窗口注意力或者做线性压缩比如把不同层使用不同压缩率。这个回答显示出你对推理成本的敏感度。“手撕代码如果报错你会先查哪里” 我会先查张量shape和dtype再加mask的维度。这两个是最常见的报错源。应急处置的核心是冷静分步。不要一报错就整段推翻重写而是先打印shape从输入到输出逐层排查。面试官看重的不是一次通过而是你能否在有bug的情况下有逻辑地找到bug。5. 备战节奏与现场发挥20天过关方案与应变技巧5.1 制定20天合理备战节奏以20天为周期前10天扫高频后10天冲刺综合和现场模拟。这张计划表你可以直接使用亲测有效。第1-3天T1级电源拓扑推导Buck、Boost、反激 万用表/示波器基础测量与波形辨识。每天至少各推导两遍直到闭眼能写出来。第4-6天T1级算法手撕多头注意力、Transformer编码器按计算图方式完成三遍以上独立实现。第7-10天T2级难点Boost右半平面零点、DCM与CCM临界判定、LayerNorm与因果mask。这个阶段要开始“讲题”找朋友或录音讲给自己听。第11-15天限时手撕训练。每道题给自己定15分钟或25分钟倒计时模拟面试高压环境。第16-20天混合训练。随机抽取题目模拟完整面试流程包含自我自我介绍和项目复盘然后直接进入手撕题。关键策略不要在单个难题上耗太久。遇见不会的题先看答案记思路然后隔天再独立复现。很多人觉得看答案就是作弊但如果看答案后能隔天独立复现说明你真的吸收了解法远比死磕三天效率高。5.2 面试现场最高频出现的三类应变场景手撕题的现场场景千变万化但有几类情况几乎每个人都会碰到提前规划好会更从容。第一类是“题干很空无从下手”。比如面试官说“写一个DCDC控制环路”。你直接问“大概是什么拓扑输入输出规格多少控制模式是电压还是电流模式”这不是暴露无知而是展示需求分析能力。企业里定义输入输出规格本身就是工程流程的第一环。第二类是“写了很久才发现方向错了”。发现思路不对时不要立刻推翻重写先停下来把已经写出的部分当成探索字段在讲思路的过程中理清逻辑再找转会点。面试官更看重你在中途发现问题后的调整速度这个比一次写对更真实、更有区分度。第三类是“环境出问题”白板没笔/IDE编译环境不对/代码跑不通。立即请求换工具并且顺手在等待时开始口述思路。我见过有人在IDE崩了之后干坐两分钟这就是浪费了大好展示机会。成熟的候选人是边等边讲把时间变成加分项。5.3 复盘模型面试后如何精准诊断自己的表现我教候选人一套自用的复盘模型不用主观感觉而是用三个客观指标来评价推导完整性、边界覆盖度、时间节奏感。每次手撕训练后都按这套打分。推导完整性从已知条件到最终结论链路是否每一步都有明确依据。比如Buck的伏秒平衡有没有写“稳态条件下电感伏秒积分为零”这一步。边界覆盖度条件变化后方案是否仍成立。比如负载从满载到轻载DCM的判定是否覆盖到序列长度变化时Attention的复杂度是否重新估算。时间节奏感从覆盖全部核心链路的用时是多少哪个环节容易卡顿哪类题目写得太慢或太快。太慢说明不熟太快则要警惕漏步骤。每次训练后按这三个维度打分你会很快发现自己准备的真实水平而不只是“我感觉差不多了”。这比盲目刷题高效得多因为绝大多数人的问题都集中在某几个固定环节比如Boost推导的临界电感系数、softmax维度轴方向、combine_heads时的contiguous。手撕题准备到最后你会发现它考验的不只是知识更是你面对未知问题时的稳定输出能力。把推导步骤练成肌肉记忆把边界条件总结成自查清单把现场应变思路提前排演好你就真的不怕面试官随手抛出一道题了。这套方法帮我带过不少候选人顺利过关希望你也能在下一场面试中把它用起来。