💡 核心要点 (Key Takeaways)
免费获取轮次诊断正在备战 Amazon SWE 面试？免费获取 Amazon SWE 轮次诊断：发你的当前轮次与倒计时，我们先定位卡点，再决定下一步。
Amazon SWE 面试流程 — Loop 终面是什么
Amazon Software Engineer 面试最核心的特点是「Loop」终面——由 6-8 轮 × 45 分钟的面试组成，每轮由不同的面试官负责，每轮聚焦 1-2 个 Leadership Principles（LP）。这意味着你不仅要通过技术考察，还需要在每一轮中用具体的工作故事来证明你符合 Amazon 的文化价值观。
Amazon 的面试流程通常分三个阶段：
阶段一：OA（Online Assessment）。Amazon 的 OA 由 2-3 道编程题组成，难度从中等到困难不等。通常包括 1 道算法题、1 道系统设计题（文字描述形式）和 1 道 Leadership Principles 行为题。OA 通过后进入 Phone Screen。
阶段二：Phone Screen。通常为 1 轮 × 45 分钟，包含 1 道 Coding 题 + 1-2 个 LP 行为问题。这是面试官初步评估你技术能力和文化匹配度的环节。
阶段三：Loop 终面。由 6-8 轮 × 45 分钟组成，每轮独立评分（1-4 分制）。Loop 中通常包括 2-3 轮 Coding、2-3 轮 LP 行为面、1 轮 System Design（中高级）、1 轮 Bar Raiser。Bar Raiser 是 Loop 中最特殊的一轮——由跨团队的资深面试官担任，拥有否决权，即使其他所有面试官都给 3-4 分，Bar Raiser 给 2 分也会导致最终被拒。
- Loop 终面通常在同一天内完成，6-8 轮连轴转，体力消耗很大
- 每轮面试官独立评分（1-4 分），最终由 Hiring Committee 综合所有评分决定
- Bar Raiser 面试官拥有否决权，是 Loop 中最关键的一轮
- 更多 Amazon 面试细节见 Amazon 公司攻略
Leadership Principles — Amazon 面试的灵魂
Amazon 的 16 个 Leadership Principles 是整个面试的核心。每个 LP 都有具体的定义和评估标准，面试官会根据你的故事判断你是否真正符合该 LP。以下是 16 个 LP 的核心要点和对应的常见面试问题：
Customer Obsession（客户至上）：Amazon 最重要的 LP。面试官会问「你有没有为了客户需求而挑战内部流程的经历？」或「你是如何从用户角度思考产品设计的？」
Ownership（主人翁精神）：面试官会问「你有没有主动承担了超出职责范围的工作？」或「当项目出现问题时，你是怎么处理的？」
Invent and Simplify（创新和简化）：面试官会问「你有没有提出过改进流程或产品的想法？」或「你是如何把一个复杂问题简化成可执行方案的？」
Bias for Action（果断行动）：面试官会问「你有没有在信息不完整的情况下做出决策？」或「你是如何平衡速度和质量的？」
Dive Deep（深入挖掘）：面试官会问「你有没有通过深入分析发现问题根因的经历？」或「你是如何从大量数据中找到关键信息的？」
Have Backbone; Disagree and Commit（有主见但能执行）：面试官会问「你有没有与管理者或同事意见不合但最终达成共识的经历？」
- Customer Obsession：为客户需求挑战内部流程
- Ownership：主动承担超出职责范围的工作
- Invent and Simplify：提出改进流程或产品的想法
- Are Right A Lot：基于数据和直觉做出正确决策
- Learn and Be Curious：持续学习新技术或新知识
- Hire and Develop the Best：选拔和培养优秀人才
- Insist on the Highest Standards：对工作质量有极致追求
- Think Big：从大方向思考问题并提出创新方案
- Bias for Action：在信息不完整时果断决策
- Frugality：用有限资源达成目标
- Earn Trust：赢得同事、客户和利益相关者的信任
- Have Backbone; Disagree and Commit：有主见但能执行
- Deliver Results：按时高质量交付项目
- 每个 LP 需要 1-2 个具体的工作故事支撑，用 STAR 框架组织
- LP 故事的质量直接影响最终评分，准备不充分是失分的主要原因
高频 Coding 考点 — Amazon 特色题目
Amazon SWE 面试的 Coding 题难度普遍高于 Meta，更侧重于数据结构和算法的深度。以下是按出现频次排序的核心考点：
LRU Cache（LC 146）：Amazon 面试中最常出的题目之一。面试官通常要求你用 Hash Map + Doubly Linked List 实现，然后追问「如果需要考虑线程安全怎么办？」或「如果 Cache 大小动态变化怎么办？」
Find Median from Data Stream（LC 295）：考察你对优先队列（Priority Queue）的理解。Amazon 面试官喜欢用这道题来考察数据结构的深度——你能否理解 Max Heap + Min Heap 的双堆方案。
Merge k Sorted Lists（LC 23）：考察分治或优先队列的应用。Follow-up 通常是「如果 k 个链表总共有 n 个节点，最优时间复杂度是多少？」
Container With Most Water（LC 11）：考察双指针技巧。Amazon 面试官通常会追问「为什么双指针是正确的？」「能不能证明贪心策略？」
- LRU Cache（LC 146）：Hash Map + Doubly Linked List，线程安全 follow-up
- Find Median from Data Stream（LC 295）：Max Heap + Min Heap 双堆方案
- Merge k Sorted Lists（LC 23）：分治或优先队列，时间复杂度证明
- Container With Most Water（LC 11）：双指针技巧，贪心策略证明
- Trapping Rain Water（LC 42）：双指针或动态规划，空间优化
- Course Schedule（LC 207）：拓扑排序，环检测，DFS/BFS 两种实现
- Amazon Coding 题普遍偏难，建议每天练习 2-3 道，覆盖不同数据结构类别
- 更多 Coding 准备资源见 SWE 面试辅助
Bar Raiser 机制 — 为什么它是 Loop 中最关键的一轮
Bar Raiser 是 Amazon 面试中最独特的机制。Bar Raiser 面试官是由跨团队选拔的资深员工，他们接受过专门的培训，负责确保新员工的水平高于团队当前的平均水平。Bar Raiser 拥有否决权——即使其他所有面试官都给你高分，Bar Raiser 给低分也会导致最终被拒。
Bar Raiser 面试的特点：
1. 更全面的行为问题。Bar Raiser 面试官会问更多、更深入的行为问题，通常覆盖 3-4 个 LP。他们不仅关注你是否符合某个 LP，还会评估你的整体文化匹配度。
2. 更注重故事质量。Bar Raiser 面试官经过专门培训，能够识别出「编造的故事」或「不够具体的故事」。他们通常会追问细节：「当时为什么是这个结果？」「如果重来一次你会怎么做？」「有没有考虑过其他方案？」
3. 更关注领导力潜力。即使是初级岗位，Bar Raiser 也会评估你的领导力潜力——你能否在未来的工作中带领团队、影响他人、推动变革。
准备 Bar Raiser 面试的关键是：每个 LP 准备 1-2 个高质量的故事，确保故事有具体的背景、你的具体行动、可量化的结果和反思。
- Bar Raiser 面试官由跨团队选拔，拥有否决权
- 会问更深入的行为问题，覆盖 3-4 个 LP
- 注重故事质量，能识别编造或不够具体的回答
- 关注领导力潜力，即使是初级岗位也会评估
- 准备方法：每个 LP 准备 1-2 个高质量故事，用 STAR 框架组织
💡 Amazon 的完整准备路线：OA / Phone / VO 各轮考什么、怎么练，公司攻略页整理成了清单。
Amazon 面试全攻略 →代表题型应该怎么拆 — 四层分析法
读 Amazon 面经合集时，最容易犯的错误是只收藏题名。更稳的用法是把每个题目拆成「输入约束、核心能力、可验证输出、follow-up 风险」四层：
第一层：输入约束。Amazon 面试官通常会给出比较模糊的题目描述，你需要通过澄清问题来锁定范围。比如「数据量有多大？」「是否允许修改原始数组？」「返回结果是否需要排序？」「是否有重复元素？」这些澄清问题在 Amazon 面试中非常重要。
第二层：核心能力。识别这道题真正考察什么。LRU Cache 考察的是「Hash Map + Doubly Linked List 的组合设计能力」，Find Median 考察的是「优先队列的深度理解」，Merge k Sorted Lists 考察的是「分治或优先队列的应用」。
第三层：可验证输出。写完代码后，主动用样例验证。Amazon 面试官特别看重测试思维：正常样例、边界样例、极端样例。
第四层：Follow-up 风险。Amazon 的 follow-up 通常涉及复杂度分析和数据结构优化。比如 LRU Cache 的 follow-up 通常是「如何实现线程安全？」，Find Median 的 follow-up 通常是「如果数据量超过内存怎么办？」
- Coding：写出一个 30 分钟限时训练版本，并记录澄清问题、边界样例和可能的追问
- Design：先澄清需求和规模，再给出 API、数据模型、核心服务、瓶颈、故障恢复和可扩展方案
- System Design：先澄清需求和规模，再给出 API、数据模型、核心服务、瓶颈、故障恢复和可扩展方案
- LeetCode：先给暴力解和不变量，再优化复杂度，最后用正常样例、极端样例和 follow-up 验证代码
- Array：先给暴力解和不变量，再优化复杂度，最后用正常样例、极端样例和 follow-up 验证代码
- Tree：先定义节点、边、访问状态和停止条件，再补复杂度、环、重复访问和边界样例
按轮次安排准备优先级
根据各轮次的准备难度和对最终结果的影响程度，建议按以下优先级安排准备时间：
优先级 1：LP 行为故事（占总准备时间的 40%）
Amazon 面试中 LP 的重要性高于 Coding。建议为每个 LP 准备 1-2 个高质量的故事，确保故事有具体的背景、你的具体行动、可量化的结果和反思。重点准备：Customer Obsession、Ownership、Invent and Simplify、Bias for Action、Dive Deep、Have Backbone; Disagree and Commit、Deliver Results。
优先级 2：Coding 轮（占总准备时间的 40%）
Amazon 的 Coding 题难度普遍高于 Meta，建议重点练习：LRU Cache、Find Median from Data Stream、Merge k Sorted Lists、Container With Most Water、Trapping Rain Water、Course Schedule。每道题要做到：① 20 分钟内写出正确解 ② 能解释时间空间复杂度 ③ 能处理常见 follow-up。
优先级 3：System Design 轮（占总准备时间的 20%）
Amazon 的系统设计面试注重实际应用场景，建议掌握 5 个经典设计题：Design a URL Shortener、Design a Distributed Cache、Design a Rate Limiter、Design a News Feed、Design a Chat System。
- 第一轮：LP 故事准备（1-2 周），写 16 个 LP 故事草稿，找人模拟练习
- 第二轮：Coding 基础题（2 周），覆盖 LRU Cache、Find Median、Merge k Lists 等高频题
- 第三轮：System Design 框架（1 周），掌握 5 个经典设计题的模板
- 第四轮：综合模拟（3 天），限时 45 分钟做完整的 Coding + LP 问答流程
常见失分点 — 从复盘归因看 Amazon SWE 面试
基于大量模拟面试和真实面试的复盘数据，Amazon SWE 面试中最常见的失分点可以归因到以下几个方面：
失分点一：LP 故事准备不充分（占失分原因的 40%）
这是 Amazon 面试中最致命的失分点。很多候选人在 Coding 轮表现很好，但在 LP 行为面中无法给出高质量的故事。Amazon 面试官经过专门培训，能够识别出「编造的故事」或「不够具体的故事」。正确做法：为每个 LP 准备 1-2 个具体的工作故事，确保故事有具体的背景、你的具体行动、可量化的结果和反思。
失分点二：Coding 题不会优化（占失分原因的 25%）
Amazon 的 Coding 题通常需要多轮优化才能给出最优解。很多候选人在给出暴力解法后就停下来了，不会进一步优化。正确做法：先给暴力解法，然后逐步优化到最优解，同时解释每一步优化的思路。
失分点三：Bar Raiser 面试表现不佳（占失分原因的 20%）
Bar Raiser 面试官会问更深入的行为问题，很多候选人因为准备不足或故事质量不够而被 Bar Raiser 给低分。正确做法：提前准备高质量的 LP 故事，确保每个故事都能经得起深入追问。
失分点四：不会处理 Follow-up（占失分原因的 15%）
Amazon 的 follow-up 通常涉及复杂度分析和数据结构优化。正确做法：面对 follow-up 时先确认理解，然后快速评估是否需要修改现有解法还是给出新方案。
- LP 故事准备不充分：无法给出具体、有说服力的工作故事
- Coding 题不会优化：只给出暴力解法，不会进一步优化到最优解
- Bar Raiser 面试表现不佳：无法应对深入的行为问题追问
- 不会处理 Follow-up：面对面试官的追问不知所措，无法快速调整方案
- 测试不充分：写完代码后只用自己的样例验证，不考虑边界情况和极端情况
如何把合集变成训练计划 — 分层聚焦 + 限时实战
最后，把这份面经合集从「收藏」变成「训练」，需要一套可执行的计划。以下是经过验证的训练方法：
第一阶段：LP 故事准备（1-2 周）
为每个 LP 准备 1-2 个具体的工作故事，确保故事有具体的背景、你的具体行动、可量化的结果和反思。每个故事用 STAR 框架（Situation, Task, Action, Result）来组织，写 300-500 字的草稿，然后找人模拟练习。
第二阶段：Coding 练习（2 周）
按出现频次对题型进行分层：高频（LRU Cache、Find Median、Merge k Sorted Lists、Container With Most Water、Trapping Rain Water、Course Schedule）→ 中频 → 低频。优先攻克高频题型，确保每道题都能 20 分钟内独立完成并处理 follow-up。
第三阶段：System Design 和综合模拟（1 周）
掌握 5 个经典系统设计题的框架，重点练习需求澄清和 trade-off 讨论。每周进行一次完整的 Loop 模拟面试（45 分钟 × 6-8 轮）。
如果时间紧迫，可以考虑 VO 辅助服务，前 FAANG 面试官提供全真模拟和针对性训练，帮助你在短时间内高效突破薄弱环节。
相关文章：
Amazon DS 面试 · Meta SWE 面试对比 · Google SWE 面试对比
📋 资料来源与审校说明
大幅扩写，增加 Amazon SWE Loop 面经详解、Leadership Principles 答题框架、Bar Raiser 机制解析、Coding 高频题具体考点
- Amazon 面试攻略：站内公司攻略用于交叉校验公司轮次和题型重点。
- SWE 面试辅助：站内角色攻略提供 SWE 通用能力模型和面试准备框架。
- VO辅助服务：针对时间紧迫候选人的模拟面试和针对性训练服务。
- 公开候选人面经信号聚合：只聚合题型、轮次和考察能力，不包含个人隐私或未经授权的逐字内容。
- SWE 模拟面试复盘归因：把训练中反复出现的失分点归因到澄清、推导、实现、测试、设计或项目证据。
💼 完整服务与价格我们提供 OA 代写（$199 起）、VO 辅助（$299 起）、VO 代面（$499 起） 与 30 分钟免费咨询：按目标岗位、公司与轮次匹配具备相关经验的导师，覆盖 Coding、System Design、ML Design 与 BQ；具体导师与背景以接单前书面确认为准。
