6.28 字节一年，人间三年

想来字节做研发，可以先看我这三年的体会和建议。

大家好，我是白露啊。

今天和大家分享一个真实的故事，是关于字节网友分享自己三年的工作经历和感受。

由于白露也曾在字节待过两年，可以说，说的都对。

你有没有想过来字节跳动做研发？如果你有这个想法，那么不妨先看看，或许可以为你提供一些参考。

当我还没来字节的时候，“字节一年，人间三年”这句话就耳熟能详。

尽管身边对字节的评价褒贬不一，但我始终相信，“实践是检验真理的唯一标准”。

于是，经过一番思考，我决定接受挑战，来到这个充满机遇和未知的公司。转眼三年过去了，我有许多感受和你们分享。

新人Landing

很多人会认为字节对新人的友好度不够，但我的体验确大不相同。

入职的第一天，你不会立马陷入忙碌的工作中，通常会给新人一到两周，甚至更长的时间去熟悉团队的各项需求开发和质量管理流程。

在新人阶段，很多人（包括我自己）都会遇到不理解的业务逻辑，再加上文档不全，这时你可能会感到迷茫，不知道该找谁咨询，甚至觉得提问会难为情。

我的建议是，善用搜索，学会思考，大胆提问。无论是mentor还是不认识的同事，大都会乐于帮忙。

业务和个人成长

字节的一个特点就是始终保持创业精神，拥抱变化。很多人吐槽字节的业务变化频繁，但其实这种变化在任何公司都是常见的。

真正重要的是，你要如何适应这些变化并在其中寻找机会。

比如最近火热的LLM和AIGC技术，字节投入了大量资源去探索新产品和技术。

如果你觉得某个新领域让你充满激情，那就大胆去尝试，把它当成一次自主创业。在字节，有很多充满创业精神的同事，他们的经验和激情会激励你前进。

工作氛围和公司文化

字节的工作氛围和企业文化非常独特。

这里没有PPT文化，却有很多有价值的飞书文档：知识库、技术方案……

这些文档不仅仅是普通的工作文档，更是一个宝藏，有许多优秀且乐于分享的同事在上面提供他们的经验和知识，包括旅游攻略、理财思维、工作认知和行业分析。

字节的氛围平等，没有排资论辈的文化，没有严格的上下级关系，对事不对人，更注重结果。与优秀的人合作，做有挑战的事，极大地扩展了我的视野和知识。

我的建议

如果我需要对初入职场的你提几点建议，我会说：技术实力是基本功，但清晰的表达和强大的共情能力，更是能提高沟通效率、事倍功半的利器。

技术实力主要靠自身打磨，无论在工作中，还是工作外，不能拉下。技术没有上限，要有自信，大多数情况下，掌握的知识足以应对工作内容，但如果想要把工作做得更好，必须多花时间和精力思考。

至于清晰的表达和共情能力，这些软实力在工作中同样重要。在与团队成员和其他协作方合作时，清晰的表达能提高效率，而良好的共情能力，能站在他人角度思考问题，在边界区域主动了解他人的工作内容，更有利于事情的推进。

Ending

纸上得来终觉浅，绝知此事要躬行。

字节跳动是一个充满机遇和挑战的地方，从白露自身的的体验来看，如果你是一个很乐于挑战的同学，那么十分适合加入字节。

我说一些其他的，在字节：

字节确实很值得去，很锻炼人，也能学到好多东西。我有学弟朋友一年从1-2升职到2-1，和他对接的人都不敢相信他是一个校招生。
字节是一个很大的平台，有众多业务线：短视频、信息流、电商、生活服务……干就完了！
字节一年，工作三年。是真的。

希望这篇文章能给你带来一些新的视角和启发，无论是对于职业规划，还是对企业文化的理解。未来，我们将继续分享更多有趣且有潜力的公司和人物。大家有任何问题或想法，欢迎在评论区和我讨论分享~

简单的场景题——TopK

面试官: 同学你好，今天我们来讨论一个关于大数据处理的问题。假设你有10亿个数据，需要找出其中最大的10000个。你知道怎么解决这个问题吗？

求职者: 当然。我会使用最小堆的方法来解决这个问题。具体步骤如下：

先拿10000个数建堆：先从10亿个数据中取出前10000个元素，构建一个最小堆。
逐个添加剩余元素：然后遍历剩下的元素，如果当前元素大于堆顶元素（堆中的最小值），则将当前元素替换堆顶，并调整堆结构使之仍然是一个最小堆。
遍历完后，堆中的10000个数就是所需的最大的10000个。

这种方法的时间复杂度是O(n log m)，其中n为数据总数（10亿），m为需要找出的最大元素数量（10000）。

面试官: 那么，你能解释一下复杂度分析吗？为什么时间复杂度是O(n log m)？

求职者: 当然。

建立初始堆：从前10000个数建立一个最小堆，时间复杂度是O(m)，其中m是10000。
遍历剩余数据：对于每个剩余的数据，都要进行一次比较和可能的堆调整。比较操作是O(1)，堆调整是O(log m)。

所以总的时间复杂度是O(n - m) * O(log m)，简化后就是O(n log m)。

面试官: 很好。那么，如果内存受限，你会怎么优化这个方法呢？

求职者: 如果内存受限，可以使用Hash方法将数据划分成多个partition，每个partition交给一个线程处理。线程的处理逻辑仍然是使用最小堆。最后由一个线程将结果进行归并。

具体步骤如下：

数据划分：将数据按照Hash方法划分成n个partition。
多线程处理：每个线程处理一个partition，使用最小堆找出每个partition中的最大10000个数。
结果归并：最后一个线程将所有partition的结果进行归并，得到最终的最大10000个数。

面试官: 那么，这种方法的瓶颈在哪里？你会怎么进一步优化？

求职者: 这种方法的瓶颈在于数据倾斜，即每个线程的处理速度可能不同，快的线程需要等待慢的线程，导致最终的处理速度取决于最慢的线程。

为了解决这个问题，可以将数据划分成c × n个partition（c > 1），每个线程处理完当前partition后主动取下一个partition继续处理，直到所有数据处理完毕，最后由一个线程进行归并。

这样可以均衡负载，提高整体处理速度。

面试官: 很好。最后一个问题，如果数据中含有较多重复值，你会怎么处理？

求职者: 如果数据中含有较多重复值，可以先进行去重操作，然后再进行后续处理。去重的方法可以使用Hash或者依图法。这样可以大大减少需要处理的数据量，提高整体的处理效率。

面试官: 很好，今天的面试就到这里了，感谢你的回答。我们会尽快通知你结果。祝你好运！