最近DeepSeek这家公司真的火出了圈，搞了个100%开源的大模型R1，不仅性能能和OpenAI的o1对标，训练成本还不到ChatGPT的5%。你没听错，别人烧微软100亿美金。硅谷那些大佬估计晚上睡觉都不安稳了。

这家公司规模不大，才140人左右，但薪资待遇一点也不寒酸。普通岗位25K起步，顶级能拿到80K甚至110K，年薪14薪，实习生也能日薪500+，外地实习生还有房补。这待遇，在如今的大环境下，确实有点狠。

但最牛的是他们的招聘标准——不要繁琐技能清单，不问几年经验，只看三点：能力、对开源的热爱、自驱力。别的公司筛简历全是“3-5年经验起步”，DeepSeek直接告诉你：“不一定要做过才能做。”这对很多年轻人来说简直是天降福音。

说真的，这种公司少见但太香了。毕竟，现在不少大厂都在裁员，DeepSeek不仅给高薪，还愿意给新人机会。要是有兴趣搞AI，又喜欢开源，真的可以冲一波，毕竟这种机会可不是天天有的【备注:文末可领最新资料】。

今日算法题

好了，我们回归正题，今天咱们聊个挺有趣的问题——给一堆数字加上+或-，看看能不能凑出一个目标值。这个问题看起来像是在玩数学游戏，但其实是个标准的动态规划问题，当然，也可以用回溯暴力解决。

不过要是真这么干，可能会被面试官劝退。咱们一步步拆解一下，看怎么优雅地拿下这个问题。

首先，这题的意思很简单，给你一个数组nums和一个目标值target，你可以在每个数前面加上+或-，然后算出最终的值，问你有多少种不同的方式能让最终结果等于target。

比如说，nums = [1, 1, 1, 1, 1]，target = 3，那么符合条件的表达式有：

+1 +1 +1 +1 -1 = 3
+1 +1 +1 -1 +1 = 3
+1 +1 -1 +1 +1 = 3
+1 -1 +1 +1 +1 = 3
-1 +1 +1 +1 +1 = 3

总共有5种不同的方式。

如果暴力穷举，我们可以直接用回溯，每个数都有两种选择，加+或者加-，一共2^n种可能，遍历所有情况，看哪种能得到目标值。这种方法简单粗暴，代码也很好写，但问题是，n大了以后就会超时，比如n=20还勉强可以接受，但n=40直接GG。

def findTargetSumWays(nums, target):
    def backtrack(index, current_sum):
        if index == len(nums):
            return 1 if current_sum == target else 0
        return backtrack(index + 1, current_sum + nums[index]) + backtrack(index + 1, current_sum - nums[index])

    return backtrack(0, 0)

这个方法虽然直观，但时间复杂度是O(2^n)，遇到大数组就跑不动了。

为了优化，我们可以用动态规划。核心思想是把问题转换成子集和问题，也就是在nums里找出一个子集，使得它的和等于(sum(nums) + target) / 2，如果这个数是个负数或者是个奇数，说明直接没解。

具体来说，我们用一个dp数组，dp[j]表示能凑成和为j的方法数，然后遍历nums，每个数可以选择或者不选择，最终我们就能得到有多少种方法能凑成这个目标。

def findTargetSumWays(nums, target):
    total = sum(nums)
    if (total + target) % 2 == 1 or total < abs(target):
        return 0
    subset_sum = (total + target) // 2
    dp = [0] * (subset_sum + 1)
    dp[0] = 1  # 凑成0的方法数是1（什么都不选）
    
    for num in nums:
        for j in range(subset_sum, num - 1, -1):
            dp[j] += dp[j - num]

    return dp[subset_sum]

这个方法的时间复杂度是O(n * sum(nums))，远远优于O(2^n)的暴力解，面试官看到后应该不会直接劝退。

总结一下，这道题的核心是：如果直接暴力枚举，会超时，所以我们用转换成子集和问题的方法，动态规划搞定。这样一来，不管是n=20还是n=1000，代码都能轻松跑完。