CS106B的教授办公室门开着，沈清辞站在门口，犹豫着要不要敲门。德雷克教授正在电脑前打字，眼镜滑到了鼻尖，花白的头发像一团被风吹乱的云朵。

“教授？”

德雷克抬起头，透过眼镜上方看他：“沈。进来吧。正好要找你。”

沈清辞走进办公室。空间不大，堆满了书和论文，墙上的白板写满了算法推导。空气里有咖啡和旧书的混合气味——典型教授办公室的味道。

“你上周交的作业，”德雷克从一堆文件中抽出一份打印件，“关于图着色问题的算法优化。你的解法很有创意。特别是你用马尔可夫链蒙特卡洛方法近似求解的那部分——这不是课程要求的内容。”

沈清辞的心跳微微加快。这是批评还是赞扬？

“我自己看了一些额外资料，”他说，“觉得可能有用。”

“确实有用，”德雷克摘下眼镜，用衬衫下摆擦了擦，“你把时间复杂度从指数级降到了多项式级，虽然牺牲了精确解，但在实际应用中足够好。这个思路很好。”

“谢谢教授。”

德雷克重新戴上眼镜，仔细打量着沈清辞：“你是大一？”

“是的。”

“以前有编程经验？”

“在国内参加过信息学竞赛。”

“怪不得，”德雷克点头，“我认识一个创业公司的CTO，他们在做社交网络分析平台，需要处理大规模图数据。他们最近在找一个兼职的算法实习生，时薪不错，还能远程工作。你感兴趣吗？”

沈清辞几乎要脱口而出“我感兴趣”，但他忍住了，先问：“时薪多少？”

“25美元一小时，每周最多20小时。但考虑到你是大一，可能先定10小时比较合适。而且，”德雷克顿了顿，“这是正规公司，需要报税，你要申请CPT（课程实践培训）。”

25美元一小时。

沈清辞快速计算：25美元×10小时=250美元一周。一个月四周就是1000美元。这比他洗盘子（每月约700美元，如果每天工作）和图书馆工作（每月约400美元）加起来还多。而且——最重要的是——这是技术工作，对简历有帮助，还能学到东西。

“我感兴趣，”他说，努力保持声音平稳。

“好，”德雷克在便签纸上写下一个邮箱和名字，“这是CTO的联系方式。你发邮件给他，附上你的简历和这个作业的代码。我会提前跟他打个招呼。”

沈清辞接过便签纸。上面写着：“马克·罗森伯格，SociaLyze联合创始人兼CTO”。

“谢谢教授，”他说，这次声音里有了真实的感激。

“不客气。你有潜力，但需要机会。这就是一个机会。”

沈清辞离开办公室，走在走廊上时，感觉脚步都轻快了。25美元一小时。技术工作。创业公司。

这是他来美国后，第一次不是因为“需要钱”而找到工作，而是因为“有能力”而得到机会。

---

三天后，2014年3月13日，周四下午3点

SociaLyze的办公室在帕洛阿尔托市中心的一栋三层小楼里。外墙是红砖的，爬满了常春藤，看起来不像科技公司，更像是什么律师事务所或设计工作室。

沈清辞提前十五分钟到达。他穿着最好的衣服——一件在旧货店淘到的深蓝色衬衫（5美元，几乎全新），配上黑色裤子（10美元，裤脚有点长，他自己用针线改过）。他背着双肩包，里面装着笔记本电脑、简历打印件，还有一瓶水。

前台接待他的是一位年轻女生，金发，笑容灿烂：“你是沈清辞？马克在二楼等你。”

二楼是开放办公区，十几张办公桌，白板上写满了架构图和数学公式。空气里有咖啡和年轻科技公司特有的活力感。

马克·罗森伯格坐在角落的一张办公桌后，四十岁左右，光头，穿着灰色T恤和牛仔裤，正在和两个人讨论什么。看到沈清辞，他挥手示意：“稍等两分钟。”

沈清辞站在旁边，观察着这家公司。员工都很年轻，大多数在二三十岁。有人在写代码，有人在讨论产品设计，有人戴着耳机专注工作。墙上贴着公司的标语：“理解连接，预测行为”。

“沈？”马克结束了讨论，走过来，“我是马克。德雷克教授说你很厉害。”

“谢谢，”沈清辞和他握手。马克的手很有力。

“我们到会议室谈，”马克带他走进一间玻璃隔断的小会议室，“坐。要喝什么吗？水？咖啡？”

“水就好。”

马克从冰箱里拿了一瓶水给他，然后坐在对面：“德雷克教授把你的作业发给我看了。确实不错。特别是马尔可夫链蒙特卡洛的应用——很多大三学生都不懂这个。”

“我在国内学过一些概率论和随机过程。”

“很好。那么，我想先问你几个技术问题，看看你的实际能力。可以吗？”

“当然。”

接下来的半小时，马克问了沈清辞一系列问题：关于图算法、时间复杂度分析、分布式系统基础、Python和C++的区别。沈清辞大多能回答，有些问题他没学过，就诚实地说“这个我不了解，但我会去学”。

马克一边听一边在笔记本上记着什么。最后，他说：“OK，基本的技术能力没问题。现在，我想给你一个实际问题，看你如何解决。”

他从白板架上拿起一支马克笔：“假设我们有一个社交网络图，有1亿个节点，平均每个节点有150个连接。我们需要快速找出所有三角形关系——也就是A连接B，B连接C，C连接A的三元组。传统算法需要O(n^3)，在这么大图上不现实。你有什么想法？”

沈清辞看着白板上的问题。大规模图，三角形计数。这是社交网络分析中的经典问题，确实计算复杂度很高。

他思考着。传统方法是三重循环，肯定不行。那有什么优化方法？

他想起了高中时，陆星衍教过他的一种数学思维：当问题太大无法直接解决时，尝试分解、近似或转换问题。

“也许我们可以用抽样方法，”沈清辞说，“不用计算所有三角形，而是随机抽样一部分节点，计算这些节点形成的三角形，然后根据抽样比例估算总数。”

“思路不错，”马克点头，“但抽样误差可能很大，尤其是当三角形分布不均匀时。”

“那……也许可以用邻接矩阵的谱方法？”沈清辞说，但这个想法一出口他就知道不对——1亿节点的邻接矩阵太大了，内存放不下。

马克微笑：“放轻松，这不是考试。你可以思考一下。”

沈清辞闭上眼睛。他需要转换思路。三角形计数……本质上是在图中找到闭合的三元环。这和图论中的什么概念相关？

突然，他想到了什么。

“我们可以用节点度数的信息来优化，”他说，“在社交网络中，度数高的节点（大V）参与的三角形更多。我们可以按度数排序节点，优先处理高度数节点。同时，我们可以把图分成多个社区，社区内的三角形密度更高，社区间的三角形很少。这样我们可以先识别社区，然后在每个社区内计算三角形，最后合并结果。”

马克的眼睛亮了一下：“继续说。”

沈清辞越来越有信心：“具体来说，我们可以用Louvain社区发现算法先对图进行社区划分，时间复杂度接近线性。然后在每个社区内，我们可以用更精细的算法，比如把邻接表转换成比特位图，用位运算加速三角形检测。因为社区规模远小于整个图，所以内存和计算都可行。”

“那社区间的三角形呢？”

“社交网络的社区结构通常很明显，社区间的连接很少。我们可以单独处理这些跨社区的边，数量不会太多。”

马克沉默了几秒，然后笑了：“很好。非常实际的思路。你提到的Louvain算法确实适合大规模图，位运算加速也是常用技巧。最重要的是，你考虑到了实际系统的限制——内存、计算时间、数据分布。”

沈清辞松了口气。

“但还有一个问题，”马克在白板上画了个示意图，“如果我们实时更新图——不断有新的连接产生，旧的连接消失——我们需要增量更新三角形计数。怎么办？”

这个问题更难。沈清辞皱眉思考。增量更新……意味着每次图的微小变化，都要快速更新三角形总数，而不是重新计算整个图。

他想起了分布式系统中的流处理概念。

“我们可以维护一个流处理系统，”他说，“当新的边(A,B)加入时，我们找出A和B的共同邻居集合C。对于每个C，就形成了一个新的三角形(A,B,C)。删除边时同理。这样每次更新的时间复杂度是O(d)，其中d是平均度数。”

“实时性呢？”

“我们可以用内存数据库存储最近的图数据，比如过去24小时的。更久的数据可以归档到磁盘。三角形计数也分层：实时计数、近线计数、历史计数。”

马克放下马克笔，鼓掌：“非常好。沈，你被录用了。”

沈清辞愣住了：“真的？”

“真的。时薪25美元，每周10小时起，根据项目需要可以增加到20小时。工作内容主要是算法实现和优化，可以远程，但每周至少来办公室一次开会。你需要申请CPT，公司会提供文件。有问题吗？”

“没有，”沈清辞说，努力控制住笑容，“没有问题。谢谢。”

“不客气。你值得这个机会。”马克看了看表，“我还有会，你先跟HR签文件。下周一开始工作，可以吗？”

“可以。”

周一

沈清辞收到第一笔工资的银行转账通知：两周工作20小时，税前500美元。税后大约420美元。

他盯着手机屏幕上的数字，看了很久。

420美元。相当于他在“福满楼”洗52.5小时的盘子（按8美元时薪算）。相当于他在图书馆工作35小时（按12美元时薪算）。而现在，他只需要坐在电脑前写代码，做自己擅长且喜欢的事情。