2019年秋天我参加了招商银行信用卡中心的秋招IT笔试报的是AI方向被分在了第一批。说实话当时网上关于这类岗位笔试的信息少得可怜能搜到的基本都是前几年Java、数据库那一套真正面向AI方向的真题和复盘几乎没有。我是在考场里一边紧张一边摸索考完之后又花了不少时间整理题目、查漏补缺才慢慢把笔试背后的考察逻辑串起来。这篇内容不是什么官方标准答案而是我基于个人回忆和后期复盘整理出来的经验贴。核心就做三件事还原这批AI方向IT笔试的题型分布、拆解高频考点背后的知识要求、讲清楚银行系AI岗位和互联网大厂在笔试风格上的本质区别。无论你是准备银行系科技岗的应届生还是想转型做AI工程、风控建模的从业者这篇都能给你一份可以直接用的备考框架和避坑清单。1. 考情全景复盘这批笔试到底考什么1.1 笔试形式与时间分配招商银行信用卡中心的秋招IT笔试整体采用的是在线笔试系统我记得时长是120分钟题量不算特别大但覆盖面非常广对答题节奏的要求很高。对比互联网大厂那种每道题都挖得很深、追求最优解的风格银行系笔试更偏向考察知识面的完整度和基础功的扎实程度尤其是AI方向会把机器学习、统计学、编程基础、业务理解混在一起考。我当时被分在第一批说实话没有太多前人的经验可以参考只能硬着头皮上。整场笔试下来感受最深的是三个字广、杂、活。广是指考点范围大从数据结构到概率论从SQL到机器学习模型评估都有涉及杂是指题目形式多样选择题、填空题、编程题、主观场景题交替出现活则体现在最后的场景设计题上不是背背书就能答的必须结合信用卡业务去思考AI怎么落地。1.2 题型分布与分值逻辑虽然具体分值比例现在已经记不精确但大致结构我是有印象的。我按自己的回忆整理成了一个表格你可以参考一下考察重心。题型大致占比主要考察内容技术选择题35%左右数据结构、概率统计、机器学习基础、深度学习常识编程题25%左右数组/字符串处理、动态规划入门、数据库SQL场景设计题20%左右风控模型、反欺诈、推荐营销、特征工程思路数学/统计小题15%左右概率计算、贝叶斯公式、假设检验、信息熵开放性简答5%左右对AI行业趋势的理解、职业规划等从分值逻辑上可以看出这批笔试不是为了筛出最会刷题的人而是想筛出具备AI基础素养、又愿意理解业务的人。选择题和数学题负责拦掉基础不牢的候选人编程题负责验证动手能力场景设计题则直接测试你有没有做过真实项目或者至少有没有认真思考过AI在金融场景里会遇到的坑。这种组合本质上是在为信用卡中心筛能建模、懂业务、写得了代码的复合型候选人。2. AI方向核心考点拆解从数学到模型2.1 机器学习基础必考清单AI方向的笔试机器学习基础绝对是大头。我当时考下来发现高频考点主要集中在以下几个知识点上。逻辑回归和线性回归的区别以及它们在分类问题中的适用场景决策树的分裂依据信息增益和基尼系数的计算随机森林和梯度提升树GBDT的基本原理与区别支持向量机SVM的核函数思想以及软间隔的作用朴素贝叶斯为什么适合高维稀疏特征K-means聚类的初始化方式和K值选择方法PCA降维的本质是寻找方差最大的投影方向选择题不会考得太复杂但一定会考你对概念的理解是否准确。比如它可能给你四个关于过拟合的选项让你选出哪一个是缓解过拟合的正确手段或者给你一组数据让你计算某个节点的信息增益。这类题目光靠背概念是不够的你得真正动手算过、真正调过参才能又快又准地选出来。另外有一个比较容易忽略的地方银行系笔试很喜欢考样本不平衡问题。因为风控场景天然就是正负样本极度不平衡的信用卡欺诈交易在所有交易里的占比可能不到万分之一。所以像过采样、欠采样、SMOTE、代价敏感学习这些处理手段几乎是标配考点。我建议复习时把这部分内容当成重点不仅要记住方法名称还要理解每种方法的适用边界和缺点。2.2 深度学习与框架选择深度学习在2019年已经是AI岗位笔试的常客了但银行系不会像互联网大厂那样考特别深的模型结构推导更偏重你知道这个模型能解决什么问题。我遇到的题目主要集中在CNN、RNN/LSTM、注意力机制这三个方向。CNN会问你卷积核和池化层的作用或者给一个输入尺寸让你计算输出尺寸RNN/LSTM会问梯度消失问题为什么在LSTM中得到缓解注意力机制则是问它和传统seq2seq相比的核心改进点是什么。这些题目如果你只是调包侠从来没看过源码和原理答起来会比较吃力。框架方面TensorFlow和PyTorch都会出现但更多是选择题层面的考察比如问PyTorch中哪个类用于自动求梯度或者TensorFlow中tf.data的作用是什么。难度不算高只要你平时用其中任意一个框架跑通过几个项目基本都没问题。我个人建议准备这类笔试时至少要把PyTorch的Tensor操作、Dataset和DataLoader、Module定义和训练循环这几个核心环节弄清楚。2.3 信用卡业务场景下的AI应用这可能是招商银行信用卡中心笔试最独特的板块。别的互联网公司可能问如何给用户推荐商品这里问的是如何识别一笔交易是否盗刷如何预测用户是否会逾期。我当时拿到场景题时最大的感受是如果只看机器学习理论不关注业务逻辑很难答出亮点。比如识别盗刷你需要考虑到交易金额、交易时间、交易地点、设备信息、历史行为习惯等多个维度还要考虑实时性要求。信用卡场景对模型的解释性要求也很高因为风控决策需要可追踪、可审计你不能扔给业务方一个完全不可解释的深度学习模型。所以在准备这个方向时我强烈建议多去了解消费金融、支付风控的基本概念。比如什么是申请评分卡、行为评分卡、反欺诈规则什么是变量稳定性和PSI群体稳定性指标这些都是在银行系AI笔试里容易被拿来考察业务理解深度的名词。3. 编程与算法题的实战拆解3.1 手撕代码的常见类型编程题部分整体难度比互联网大厂要低一些但绝对不是随便写写就能过。我印象中高频出现的题型有几类。第一类是数组和字符串处理。比如给定一个字符串找出最长无重复字符子串的长度这种经典题或者合并两个有序数组这种基础题。银行系笔试不会太为难你但会要求代码写规范、边界条件考虑全面比如空数组、只有一个元素的情况。第二类是动态规划入门题。爬楼梯最大子序和零钱兑换这类题目出现的概率很高。我当时遇到的一道题是给定不同面额的硬币和一个总金额求凑成总金额所需的最少硬币个数就是一个标准的完全背包问题。如果你刷过LeetCode前100题这部分基本没压力。第三类是SQL题。银行系笔试有SQL题非常正常因为日常业务里数据分析、特征提取都离不开SQL。常见考点包括分组聚合、窗口函数、连表查询、去重统计。比如查询每个用户的最近一笔交易时间统计每个商户在最近一个月的交易总额并按降序排列。我建议复习时把窗口函数ROW_NUMBER、RANK、SUM OVER好好练一下因为这是SQL题里最容易被考察的进阶点。第四类是简单的机器学习算法实现。这个不是所有银行笔试都有但招商银行信用卡中心AI方向当时确实出现了一道用Python实现KNN分类器的题。这种题主要考察你是否理解算法本身的流程而不是只会调用sklearn。实现KNN的核心就是三件事计算测试样本与所有训练样本的距离、按距离排序、取前K个样本进行多数投票。import numpy as np from collections import Counter def knn_predict(X_train, y_train, x_test, k3): distances [] for i, x_train in enumerate(X_train): dist np.sqrt(np.sum((x_train - x_test) ** 2)) distances.append((dist, y_train[i])) distances.sort(keylambda x: x[0]) neighbors [label for _, label in distances[:k]] return Counter(neighbors).most_common(1)[0][0]这类实现题考察的不只是你写得出写不出而是你能不能把维度、距离度量、K值选择这些细节讲明白。如果面试环节还有追问那你还需要准备好回答K值怎么选距离函数为什么用欧氏距离特征需不需要标准化。3.2 为什么银行系笔试偏爱“规则数据”的结合刷完这批题我有一个很深的体会银行系的AI笔试不追求你模型结构有多炫而是关注你有没有规则思维和数据思维的结合能力。金融行业对AI的应用从来不是拿一个模型上线就完事。真实的信用卡风控系统里往往是规则引擎模型并行运作。规则负责拦截高确定性风险模型负责捕捉规则覆盖不到的复杂风险。比如单笔交易金额超过某阈值、短时间内频繁交易、跨地区交易这些可以直接写规则而更隐蔽的套现行为需要模型学习用户的历史行为特征才能识别。笔试中如果出现类似如何设计一个反欺诈系统的开放题你最好主动把规则和模型如何协同讲清楚。我的答题思路一般是先说明整体架构是实时规则拦截离线模型评分;然后讲规则部分有哪些特征可以提取再讲模型部分用什么算法、怎么处理样本不平衡最后讲上线后如何监控模型效果和规则命中率。这样一套答下来考官能看出你确实思考过落地问题而不是只会背书。4. 系统设计与业务场景题AI在风控中的落地4.1 反欺诈场景的经典问法招商银行信用卡中心的AI笔试和面试反欺诈是绕不开的场景。最常见的问法是给定一笔信用卡交易请设计一个模型来判断它是否属于盗刷交易。我在复盘时把这类问题的答题框架总结成了五步。第一步是定义问题明确这是一个二分类问题正样本是盗刷交易负样本是正常交易第二步是数据来源分析需要哪些数据比如交易流水、用户画像、设备信息、商户信息、历史行为序列第三步是特征工程这是最容易出亮点的地方比如交易金额与用户历史均值的偏离度、短时间交易频次、交易地点与常用地的距离、设备是否首次出现等第四步是模型选型考虑到可解释性问题优先尝试逻辑回归、GBDT这类树模型再考虑深度模型第五步是评估与监控由于样本不平衡不能只看准确率要看AUC、KS、召回率还要监控PSI确保模型上线后分布没有明显漂移。我当时在这道题上特意强调了实时性。盗刷交易需要在秒级甚至毫秒级内做出判断所以你不能把一个复杂的深度学习模型直接部署在实时链路上更好的做法是先用规则引擎做一轮快速拦截再用一个轻量级模型做评分最后把可疑交易送入人工审核队列。这个思路在面试里很加分因为它体现了工程落地的现实考量。4.2 特征工程与样本不平衡处理另一个容易出现在主观题里的考点是特征工程和样本不平衡。我在笔试中遇到的题目大意是现有信用卡历史交易数据正样本欺诈占比不足0.1%请提出你的建模方案。这道题表面在问建模实际上在问两件事你怎么构造特征你怎么应对极端的样本不平衡。特征工程方面我建议按交易类、用户类、时序类、聚合类四个维度来展开。交易类特征包括金额、时间、商户类别、支付渠道用户类特征包括年龄、收入区间、信用评分、历史逾期情况时序类特征包括最近一小时内交易次数、过去30天平均消费金额、消费金额的周环比聚合类特征包括用户在某个商户的历史消费频率、该商户在他所在城市的交易占比。把这些维度讲全阅卷人会觉得你有真实项目经验而不是只会调包。样本不平衡方面我的标准答法是先说明直接用原始数据训练会导致模型偏向多数类严重漏报少数类然后讲解决方法比如对少数类做SMOTE过采样、对多数类做欠采样、在损失函数中给少数类更高的权重最后还要强调金融场景下更看重召回率宁可牺牲一些精确率也不能放过可疑交易因为漏掉一笔盗刷可能带来数万元损失而多拦截一笔交易只是让用户做一次验证而已。把召回优先这个观念讲清楚会比单纯罗列算法名次有价值得多。5. 备考路线与避坑经验5.1 三个月复习计划怎么排如果你也是冲着银行系AI岗位的秋招去的我建议把备考周期切成三个阶段每个阶段一个月。第一个月主攻数学和统计基础。重点复习概率论贝叶斯公式、条件概率、常见分布、线性代数矩阵运算、特征值、统计学假设检验、置信区间、正态分布。不需要刷太难的研究生数学题但基础概念必须非常熟因为选择题的作答时间很紧张你没时间在考场上去推导公式。第二个月主攻机器学习和深度学习核心知识。经典机器学习算法至少要能手推逻辑回归的损失函数、理解决策树的分裂逻辑、知道SVM的优化目标深度学习方面CNN、RNN、LSTM、Attention至少能讲清楚原理和适用场景。同时开始刷LeetCode简单和中等题目重点是数组、字符串、哈希表、动态规划入门。每天保持2到3道题的节奏不需要追求难题。第三个月进入业务场景题和真题模拟阶段。这个阶段最重要的任务是学会用AI的语言讲业务问题。你可以自己找一些风控相关的公开数据集比如信用卡欺诈检测数据集完整跑一遍探索性分析—特征工程—模型训练—评估—结果分析的流程。跑完之后整理成一篇简短的项目复盘笔试里的开放题和面试中的项目深挖都可以直接复用这些经验。5.2 在线笔试环境与答题顺序的教训在线笔试是一个很特殊的场景题目难度本身不是最大的风险环境问题和时间分配往往才决定最终成绩。先说环境问题。我当年参加笔试前做过一次系统测试但正式笔试时网络还是出现了波动中间断线了一两分钟重新进入系统后浪费了不少时间。现在回想起来有两个准备动作非常关键一是提前用有线网络连接电脑不要依赖办公室或宿舍的公共WiFi二是提前把浏览器升级到指定版本关闭所有无关插件。银行系在线笔试大多有防作弊监控浏览器兼容性问题会导致代码编辑器无法正常加载这一项就非常致命。答题顺序上我的建议是先做会做的再做犹豫的最后死磕难题。技术选择题里如果你一道题卡了超过三分钟直接标记并跳过千万别恋战。编程题至少要留出30分钟以上因为有些题不只要写出代码逻辑还要处理输入输出的边界情况如果不留足时间很容易写出能跑但过不了全部测试用例的代码。场景设计题虽然分值高但思考时间不需要太长关键是结构清晰千万不要写成没有章节感的一段话。6. 复盘总结银行系AI笔试和互联网大厂到底差在哪很多人会拿招商银行信用卡中心的IT笔试和互联网大厂的算法笔试做对比我的结论是两者考察的侧重点完全不同不能用同一套备考方法应对。互联网大厂的算法岗笔试更看重代码能力、数学推导能力和极致的模型优化能力题目往往偏难偏怪筛人逻辑是用高难度题目快速筛选出最顶尖的候选人。银行系AI岗位笔试则更看重三件事基础知识的扎实程度、对金融业务的理解深度、以及工程落地时是否考虑规则、安全、可解释性等因素。它不是在找最会写模型的科学家而是在找能把模型用得稳、用得合规的工程师。我后来虽然没有继续走银行体系的路线但这套笔试复盘给了我一个很清晰的认知AI岗位真正的分水岭不在于你用的是Transformer还是XGBoost而在于你能不能把一个业务问题转化成可量化、可验证、可解释的技术方案。招商银行信用卡中心这批笔试题表面上考的是AI知识和编程能力本质上考的是你有没有.请删除这段的工程化思维。如果你也在准备类似的笔试建议你多刷金融场景题目多思考这个模型上线后会出现什么问题而不是只盯着模型指标本身。最后再分享一个小技巧银行系笔试的开放题答题时一定要有框架感。比如我把它分成数据层、特征层、模型层、决策层、监控层五个部分逐层分析这样的作答方式会明显比堆砌知识点更容易拿高分。把这道题的场景套进你自己熟悉的一个项目里亲自动手写一遍比你刷两百道LeetCode更管用。祝顺利。