Amazon 2026 New Grad 面经 | OA 题型、真实时间线与 LP 准备

💡 核心要点 (Key Takeaways)

• Amazon OA 重复率很高，有候选人两次 OA 第一题相同，先刷公开真题再作答
• OA 到 VO 的时间线差异大：最快约 4 周进 VO，慢的案例从 OA 到店面 3 个月
• LP 是真正的分水岭：有候选人 OA AC 一周后被拒，自己复盘是 LP 答得不好
• MLE/NG 的 VO 每轮都附带 20 分钟 LP，Ownership、Dive Deep、Earn Trust 出现频率最高
• 纯统计/ML 基础轮答不上来会直接结束，20 分钟收场，需要提前补基础

流程总览：各条线差别很大

Amazon 的面试流程按岗位条线差异很大，先搞清楚自己在哪条线上。 SWE/NG 主线是 HackerRank OA 进入，但题量和时长因地区而异：有 Toronto 候选人反馈 105 分钟 3 道题，整体中等偏难、第三道偏难；AWS 的 recruiter 会通过 LinkedIn 主动发 OA，两道题；还有候选人投 Software Development Engineering 当天就收到 OA link（9/13 投递，当天给 link）。 需要注意的是，非 SDE 条线的 OA 可能完全不同：一位 Solutions Architect 候选人 12/11 海投，1/3 收到 OA，1/7 完成——惊讶地发现没有 coding，随后 1/13 约面，1/30 面 2 轮各 45 分钟。参加 Career Fair 或有内推的候选人进入 OA 的速度普遍更快。 本文信号来自 2025 年底至 2026 年 7-8 月公开候选人面经的聚合，各团队和地区结构会有出入，以实际收到的通知为准。

时间线：从 OA 到结果，快慢都见过

把几个真实时间线放在一起看，比看任何单篇面经都有用： 快案例：7/2 收到 OA → 7/5 完成 → 7/16 收到 VO 邀请 → 7/29 面 3 轮 VO，从 OA 到 VO 约 4 周。 普通案例：7/2 收到 OA（题目几乎都是 DFS）→ 7/12 收到 VO 时间 → 7/26 一面 VO（HM 轮）→ 7/28 收到拒信。全程 4 周，但止步一面。 慢案例：有候选人从 OA 到店面花了 3 个月，VO 三轮 back to back。Intern 节奏也不统一：9/15 收到 OA、9/17 提交的案例，提交后等了较久才收到下一步通知。 MLE 的 phone screen 节奏参考：周三面试，周五出结果，下一轮约在两周后。 务实的判断：OA 到 VO 一般在 1-4 周，loop close 可能更长。没有消息不代表被拒，但也别被动等——主动跟进是 Amazon 流程里被接受的行为。

OA 题型与真实题目

多个候选人独立提到 Amazon OA 重复率很高：有人两次 OA 第一题完全一样、第二题不同；有人直接建议「先解一下网上看到的题目再作答」。 近期出现的真实 OA 题包括：Minimum Number of Shipments（最少的操作次数发完所有货物）、Distinct Differences in Subsequences（收集所有子序列的差值并求和）、Maximize the Strength of Machines、以及一道数据 region 按 affinity 参数分配的题目（贪心/DP 方向）。前端候选人还遇到了表单位验（姓名、电话、邮箱字段校验）和愿望清单实现（分页 load more、30 行后 disable 按钮）这类偏实现的题。 通过标准不是全对：一位 AWS 候选人第一题全过、第二题只过了 4 个 test case，HR 仍然给了 move on，只是加州岗位少、后续机会有限。 时间管理要留余量：有候选人反馈码完还要解释一遍思路，讲完已经过了 75 分钟，之后还有 Q&A（比如内部 GenAI 用在哪里）。105 分钟的 3 题版，建议每题控制在 25-30 分钟内。

VO 结构：LP 是真正的分水岭

SWE 的 VO 一般是 3-4 轮，每轮 60 分钟。MLE 的真实案例更有参考价值：5 轮 + 第一轮的 presentation，每轮一小时，除 presentation 外每轮都有 20 分钟左右考 LP。Phone screen 则不一定考 LP——有 MLE 候选人电面纯 coding，没考 LP 和 BQ。 从信号池里 LP 的出现频率看，Ownership、Dive Deep、Earn Trust、Deliver Results 出现最多，其次是 Learn and Be Curious、Customer Obsession、Insist on the Highest Standards、Think Big、Disagree and Commit。真实问题样例：「Tell me about a time when you took ownership of a project outside your typical responsibilities. What motivated you and what was the outcome」。 深挖轮要准备好细节被逐层追问：MLE 候选人被问为什么选这个模型、evaluation 怎么做、trade-off 是什么、Adam 和 AdamW 的优缺点、如何用 decoder 做 embedding；HM 轮考 transformer 结构、pre-train 和 post-train 区别、RLHF 和 DPO 区别、scaling law。 还有一个容易忽略的点：纯统计/ML 基础轮可能独立出现。有候选人遇到「30 个男孩 30 个女孩，有 age、score、身高等 feature，如何判断两组分布是否有显著差异」，完全没答上来，面试官看了不到 20 分钟直接结束。

System Design：NG 也会考，别想复杂

NG 的 SD 深度有限，但出现率不低。近期真实题目：设计 S3（重点是上传/下载 API 设计、文件如何分割、后端存储备份应对数据中心事故）、设计 LLM quality validation system、设计一个发图片的社交网站如何应对大幅用户增长，以及一道 OOD：做 Keyboard + Mouse Input system。 ML 相关岗位的 SD 偏 ML 系统：模型设计、目标方程、怎么 train、怎么用，端到端版本要覆盖 Launch EC2、Triton server、vLLM 启动、跑 inference、收集 response 上传 S3 再验证的完整链路。 有候选人的复盘很实在：「L4 的面试题目不要想复杂，需要 implement 什么 feature 就设计什么」。先讲清核心数据流和容量假设，再按面试官追问方向展开，比一开始就铺宏大的架构稳得多。

常见挂因（来自真实反馈）

LP 答不好是最常见的隐性挂因：有候选人参加 Career Fair 第一天投的 OA，AC 一周后被拒，自己复盘「估计是 LP 答不好」。 纯知识轮直接不会：上面提到的统计题、decoder 做 embedding 这类问题，答不上来会明显缩短轮次，甚至提前结束。 项目深挖细节撑不住：evaluation 怎么做、为什么选这套 metric、换一种方案会怎样——每一层追问都要有准备，而不是只讲结论。 Coding 时间不够：75 分钟讲完思路之后才进 Q&A 的案例说明，「码完 + 讲清」才是完整交付；还有候选人的播放列表随机播放题（已播过的歌接下来 N 首不能再播）因为 edge case 处理没写完而收尾仓促。 另外注意：coding 没全对不等于直接挂（参考 AWS 那道 4 个 test case 仍 move on 的案例），挂往往是因为整体信号不完整，而不是单题分数。

准备策略

OA：重复率是最大杠杆——先把网上公开的 Amazon OA 真题过一遍再作答；按 2-3 题格式练时间管理；每题预留 10 分钟做思路讲解。 LP：准备 3-5 个 STAR 故事，覆盖 Ownership、Dive Deep、Earn Trust、Deliver Results、Bias for Action 这几个高频项；每个故事要能灵活对应 2-3 个 LP，并且练熟「what motivated you / what was the outcome」这类收尾追问。故事要真实可追问，Amazon 面试官会顺着细节挖。 Coding：DFS/BFS 系列近期出现频率最高，OA 真题风格偏贪心 + DP；练习「写完主动讲解思路」的习惯。 MLE：项目按三层准备（为什么这么做 → evaluation 怎么做 → trade-off 和替代方案）；ML 基础过一遍（optimizer、transformer、RLHF/DPO、scaling law）；统计基础不能裸奔（分布比较、t-test 这类题真实出现过）。 💡 时间紧的话可以考虑专业帮助：我们的前 FAANG 面试官团队提供 OA 代写（$199 起，1 天准备）、VO 辅助（$299 起，面试官提问后 0.5-1 秒写好答案）、VO 代面（对口型，$499 起，code/design 老师现场作答保证最优解）。也可以先约 30 分钟免费咨询，聊聊你的 Amazon 面试情况。微信：interview_coach_pro