上篇聊了项目经验讲述的STAR+R方法。能讲好项目只是面试的一部分，技术面试的考察范围要广得多——编程语言、数据结构、算法、系统设计、领域知识，都可能被问到。很多人面试前的准备方式很粗放：要么从头到尾刷一遍八股文，要么只看自己熟悉的领域。结果到了面试现场，面试官问到自己薄弱环节就懵了。

技术面试准备的核心就两件事：梳理知识体系（知道自己该会什么）和补强薄弱环节（知道自己哪里不行）。这篇文章聊怎么系统化地准备机器人岗位的技术面试，让准备时间花在刀刃上。

知识体系地图——机器人岗位考什么

机器人软件岗位的技术面试通常考察五个层面：编程语言基础（C++或Python的深度掌握）、计算机基础（数据结构、算法、操作系统、网络）、机器人专业知识（SLAM、控制、规划、感知）、系统设计（架构设计、模块交互、性能优化）、工程能力（调试、测试、性能分析工具链）。

不同公司和岗位的侧重不一样。自动驾驶公司偏重感知和规划算法，面试经常考目标检测和路径规划；仓储机器人公司偏重导航和调度，会问多AGV协同和交通管制；协作机器人公司偏重控制和安全，会问力控制和碰撞检测；无人机公司偏重姿态控制和传感器融合。但底层基础是通用的——C++功底、数据结构、系统设计这三块几乎必考。

拿出一张纸，把这五个层面列出来，给自己每个层面的掌握程度打个分（1-5分）。这就是你的知识体系地图。打完分你会发现，有些层面你很强（比如C++写了五年），有些层面明显薄弱（比如系统设计没怎么接触过）。这个差距就是你的准备方向。

二八法则——80%的面试题来自20%的知识点

别试图把所有知识点都复习到，时间不够也没必要。面试考察的是深度而不是广度——你在核心知识点上展示的深度，比你知道一百个皮毛知识点有用得多。

C++岗位的高频考点：智能指针（shared_ptr的引用计数原理、weak_ptr解决循环引用）、虚函数和多态（虚表的结构、纯虚函数的作用）、模板（模板特化、SFINAE）、STL容器的实现原理（vector的扩容策略、map的红黑树）、内存管理（内存池、内存对齐）、多线程和锁机制（mutex、condition_variable、atomic）、C++11/14/17的新特性（右值引用、move语义、lambda表达式）。这些知识点不是背概念就行，面试官会追问原理。比如"vector扩容时为什么是2倍而不是1.5倍"——这涉及内存分配器的实现和摊销复杂度的权衡。

// 面试常问：shared_ptr的循环引用问题
auto a = std::make_shared<Node>();
auto b = std::make_shared<Node>();
a->next = b;  // a引用b
b->prev = a;  // b引用a → 引用计数永远不为0
// 解决：b->prev用weak_ptr

Python岗位的高频考点：GIL机制（为什么Python多线程无法利用多核）、装饰器（闭包和函数对象的结合）、生成器（yield的暂停和恢复机制）、多线程vs多进程（什么时候用哪个）、内存管理（引用计数+垃圾回收的标记清除）。

# 面试常问：装饰器的本质是什么？
def timing(func):
    def wrapper(*args, **kwargs):
        start = time.time()
        result = func(*args, **kwargs)
        print(f"{func.__name__} cost {time.time()-start:.3f}s")
        return result
    return wrapper

机器人专业的高频考点：卡尔曼滤波的原理和变体（EKF/UKF）、PID控制器的调参经验、A*和Dijkstra的区别和适用场景、SLAM的前端和后端分别做什么、运动规划中RRT和PRM的优劣。

薄弱环节补强——分三档处理

把知识点按掌握程度分成三档。绿灯区（4-5分）：复习笔记、整理思路就行，不需要花太多时间。黄灯区（2-3分）：需要针对性补强，这是投入产出比最高的区域。红灯区（0-1分）：短期内很难补上来，面试中尽量避开这个方向的深挖。

黄灯区是准备的重点。比如你SLAM的前端视觉里程计掌握得不错（绿灯），但后端优化（图优化、回环检测）只有2分水平（黄灯）。那就集中精力把后端优化的核心概念搞明白：g2o的因子图怎么构建、回环检测的DBoW2词袋模型是什么原理、ISAM2和g2o的区别在哪里。

补强的方法不是从头看教材，而是"以题带学"。找十道这个领域的面试题，看答案和解析，遇到不懂的概念再去查资料。这种方式比系统性学习效率高得多，因为你带着问题去找答案，记忆更深。

面试官追问的时候经常是这样递进的："你用了EKF？那EKF的线性化是在哪个点做的？""雅可比矩阵怎么计算的？""如果非线性很强EKF发散了你怎么办？"——从应用层追到原理层再追到异常处理。你在准备每个知识点时，要预先想好这三层追问怎么回答。答不上来没关系，可以说"这块我了解不够深，但我知道UKF在这种场景下更合适，因为..."。承认不足的同时展示你知道的边界，比硬撑着胡说八道好得多。

面试前的模拟练习——不能只看不动嘴

很多人准备面试的方式是看面经、背答案。看完觉得"我都会了"，一到面试现场就发现说不出来。技术面试不是笔试，你需要用嘴把技术方案讲清楚。

找一面镜子或者打开手机录像，给自己出五道面试题，每道题限时五分钟口头回答。回看录像你会发现很多问题：说话缺乏条理（想到哪说到哪）、关键概念用词不准确（把"协方差"说成"方差"）、时间分配不合理（背景讲了四分钟、方案只讲了一分钟）。

模拟练习的另一个好办法是找朋友做mock interview。让朋友扮演面试官，随机追问。被追问的感觉和自己准备完全不同——它会逼你临场组织语言，暴露你理解不够深入的地方。每发现一个讲不清楚的点，就记下来回去补。

一个实用的口头表达框架："这个问题我从三个方面来说。第一是什么、第二是什么、第三是什么。"——这个框架听起来简单，但它能帮你避免说话跑题。面试官听到"三个方面"会对你有好印象，觉得你思维有结构。

还有一个很多人忽略的准备：把简历上的每个项目都准备一个三分钟版本和一个十分钟版本。面试官说"简单介绍一下"就用三分钟版本，说"详细讲讲"就用十分钟版本。很多候选人被要求"简单说"时讲了十五分钟，被要求"详细说"时反而不知道从哪里展开——这就是没准备不同长度版本的结果。

准备时间线——面试前四周怎么安排

面试前四周：第一周做知识体系评估，找出薄弱环节，制定补强计划。第二周集中攻克黄灯区知识点，以题带学。第三周做模拟面试练习，锻炼口头表达。第四周查漏补缺，整理项目经验的STAR+R讲述，调整状态。

每天投入两到三小时就够了，不要突击。突击式准备的问题是记忆不牢——面试官追问两层你就露馅了。持续一个月的稳定准备，比面试前三天通宵突击效果好得多。

面试当天早上不要再塞新知识了，看看自己整理的笔记和要点卡片就行。保持头脑清醒比多记一个知识点重要得多。

很多人准备面试犯的一个错误是"广撒网"——今天看SLAM明天看控制后天看深度学习，每个都看了个皮毛但没一个能深入聊。不如集中火力准备三个你最擅长的领域，面试时尽量把话题往这三个领域引。面试官问到你不在行的方向，坦然说"这块我经验不多，但我在XX领域做得比较深，可以展开讲讲"——把主动权拿回来。

---

技术面试准备不是一蹴而就的事情，但系统化的准备策略能让你在有限时间内获得最大提升。核心就是三步：画知识地图找到薄弱环节、集中精力补强黄灯区、通过模拟练习锻炼口头表达。准备得越充分，面试时越从容。面试不完全是临场发挥的考试，更是一场可以提前准备的演出。

下一篇聊行为面试。除了技术题，很多公司还会考你的软技能——团队协作、冲突处理、项目规划。这些问题看起来没有标准答案，但其实有套路可循。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 

上一篇：第348篇 项目经验讲述——STAR+R方法的实战演练

下一篇预告：第350篇 行为面试应对——协作/冲突/规划的表达技巧

有任何问题欢迎评论区留言，我会尽量回复。