Anthropic SWE 面经 2026：Web Crawler、Systems Coding 和 Debug

💡 核心要点 (Key Takeaways)

• Anthropic SWE 面试的主轴是小系统 coding（Web Crawler、In-Memory DB、Bank System 这类多 part 题）+ LLM Infra 向的 System Design，follow-up 从可运行实现一路推到并发、恢复和分布式扩展，第一版结构决定整轮下限。
• System Design 题常用 AI 场景包装（inference batching、GPU cluster、model downloader），但内核是经典分布式系统；能把 AI 术语抽象回 queuing / batching / failure handling，就不会被题面吓住。
• Culture/Safety 轮是 Anthropic 独有的一轮：只讲原则必挂，要用具体项目里的 safety 取舍（blast radius、回滚、权限边界）展示实际判断。
• 公开面经信号（一亩三分地等社区）按「年份 + 级别 + 岗位」筛选，以 2-3 篇的共识判断轮次和题型，单篇个例不要当真。
• 7 天 / 14 天 / 30 天三档路线：7 天保小系统 coding + BQ 下限，14 天补 LLM Infra System Design 与 debug 叙事，30 天加 follow-up 深挖和完整 mock。

这篇适合谁

这篇写给准备 Anthropic Software Engineer（SWE）面试的候选人，覆盖 Engineering、Infrastructure、AI Infra 等技术方向，级别以中高级（对应 Google L4-L5 / Meta E5 一带）为主；NG / Intern 和 Research 方向的差异会单独说明。文章基于 2026 年公开面经信号和 Anthropic 公开面试机制整理，各团队、地区、级别的轮次结构会有出入，以实际收到的邀请为准。

一句话定位：Anthropic SWE = 小系统 coding（Web Crawler、In-Memory DB 这类多 part 题，follow-up 一版版升级）+ LLM Infra 向的 System Design + Debug / 项目深挖 + Culture/Safety 轮。准备的重点不是 LeetCode 刷题速度，而是「第一版能跑 → 跟着 follow-up 把系统一步步演进」的工程判断力。题型清单和深挖笔记可以配合 Anthropic 公司面试攻略 一起看，那页偏题型卡片，这篇偏全流程打法。

面试流程：OA / Phone / VO / HM / Team Match 各轮是什么

Anthropic SWE 的主线流程是：简历筛选 → Recruiter Screen → HM / Technical Screen → OA（部分岗位）→ VO（onsite loop）→ HM 沟通 / Team Match → offer。各轮大致长这样：

• Recruiter Screen（30-45 分钟）：不考技术，聊动机、背景和大体技术经历。「为什么是 Anthropic」这轮就会开始考察，泛泛说「对 AI 感兴趣」不够，要能具体到某篇研究、某个产品决策或某份 policy。
• OA（部分岗位，约 90 分钟）：社招 SWE 近年公开信号里常见 CodeSignal 多 part 题，最高频题型是 In-Memory DB（set/get/delete 起步，后面逐级加 TTL、scan、backup / restore）。有些岗位或内推渠道会跳过 OA 直接进 Phone，以实际收到的邀请为准。
• Phone Screen（50-55 分钟）：单轮技术面，Coding 或 System Design 二选一，中高级偏 coding，staff 级别更可能是 design。Anthropic 的面试 portal 会提前告诉你这一轮的领域标签（比如 Python、multi-threading、low-level design），看到这个信号就要针对性准备，不要平均用力。
• VO（onsite loop，4-5 轮，45-55 分钟一轮）：常见结构是 2 轮小系统 coding、1-2 轮 System Design、1 轮项目深挖、1 轮 Behavioral / Culture。可以一天面完，也可以拆成两天两个 loop。Debug 类考察有时会并入 coding 或项目深挖轮，而不是单独成轮。
• HM / Team Match：VO 通过后进入结果确认阶段：hiring manager 沟通方向、level 和 comp，跨组调剂（team match）也发生在这里，不再考技术，重点是双向确认。有候选人反馈这一阶段改期和换组比较常见，心态上留好余量。

题型雷达：小系统 Coding、System Design、Debug、Culture 各占多少

按 SWE 岗位把题型按出现频率排个雷达图：

• 小系统 Coding / Systems Coding（最高频，通常 2 轮）：每轮 45-55 分钟，给一个业务或系统场景，第一问只要求基础功能（比如 crawler 先做单线程、DB 先做 set/get/delete），后面 follow-up 逐级加码：加并发、加持久化、加失败恢复、加分布式扩展。面试官看的是你的第一版结构能不能撑住后面三轮的改动——这是 Anthropic 区别于「一题 AC 就走」型公司最核心的考察方式。
• System Design（1-2 轮，社招必考，NG 少见）：高频方向是 LLM Infra 场景——inference service、batch API、model downloader、GPU 资源调度。但注意：公开反馈里这类题的内核是经典分布式系统，模型被当成黑盒，真正考的是 queuing、batching、routing、failure handling 和 scale。题面常常是新颖的，面试官手里不一定有标准答案，考的是你怎么在开放问题里推进。
• Debug / 技术深挖（中频，常并入其他轮）：给一段有 bug 或性能问题的代码，或者一个线上系统间歇性超时的场景，考的是排查过程：澄清症状 → 列假设 → 按验证成本排序 → 用日志 / sanitizer / 最小复现逐个排除。方法框架可以对照 C++ Debug 轮的方法拆解，思路是通用的（那篇面向 Nvidia，但 45 分钟 debug 轮的组织方式同样适用）。
• Culture / Safety（1 轮，Anthropic 特色）：AI safety 判断、价值观和协作风格。高频问法是「讲一个你做过 safety-first 取舍的例子」「性能和安全冲突时你怎么决策」。只背原则过不了，要给出具体权衡：blast radius 怎么限制、权限边界怎么划、出问题怎么回滚。
• BQ / Behavioral（每轮穿插 + 独立 behavioral 轮）：高频方向：技术分歧怎么解决、一次技术误判导致延期、跨团队推动、对 AI 风险的具体看法。准备 4-6 个 STAR 故事，每个能接两层追问。
• SQL / ML Design（低频）：SWE 岗位一般不单独考 SQL 或 ML Design 轮；但如果你面的是 AI Infra 团队，LLM serving 的基础叙事（prefill / decode、KV cache、dynamic batching、TTFT）会显著加分。

高频题目：8 个代表题型和考点

以下是 2026 年公开面经信号里反复出现的题「类型」，只归纳题型和考点，不复刻任何人的具体原题：

• Web Crawler（SWE 最高频，多 part）：从同 host 的简单 crawler 起步，follow-up 依次加 URL sanitize / fragment 处理、去重、失败重试、politeness 限速，最后到多线程甚至分布式。考点：frontier 管理、去重数据结构（布隆过滤器的取舍）、并发安全、CPU bound vs IO bound 的判断、分布式下怎么分片。
• In-Memory DB（OA 与 VO 双高频）：set/get/delete 起步，follow-up 加 TTL、get_when（条件读）、scan、backup / restore。考点：数据结构选型（hash map + 过期策略）、TTL 的惰性删除 vs 主动删除取舍、restore 之后 TTL 语义怎么保持——这类「语义一致性」追问是 Anthropic 特别爱问的。
• Bank / Ledger 系统：transfer、cashback、merge account。考点：事务原子性、并发下的余额一致性、audit log、部分失败怎么回滚。金额精度和幂等几乎必问。
• LRU / Cache 变体：基础 LRU 起步，follow-up 加持久化、多线程访问、容量约束或 LRU-LFU 混合策略。考点：O(1) 操作的实现细节、锁的粒度、淘汰策略的取舍。
• Stack Trace / Parser 类：解析 stack trace，只保留最后 m 个 frame 时如何恢复调用链，处理循环调用和 malformed input。考点：parser 的健壮性设计、边界输入处理、把「坏输入」当一等公民对待——这类题考工程严谨性多于算法。
• LLM Inference Service / Batch API（System Design 高频）：设计带 GPU 资源的 batch inference API。考点：prefill 和 decode 阶段分开讨论、KV cache、dynamic batching 的排队策略、TTFT 与吞吐的取舍、batch 凑不满时怎么办、降级和超时。关键动作是把 AI 术语抽象回「资源受限的批处理系统」。
• Model Downloader（System Design 高频）：大模型文件分发，支持 chunk 下载、checksum、断点续传、worker crash 恢复。考点：无中心 coordinator 时怎么做恢复（用存储层做协调）、带宽瓶颈在哪、checksum 失败的路径。
• Rate Limiter：滑动窗口起步，follow-up 加高并发、多机部署、降低 Redis / 数据库压力。考点：单机算法（令牌桶 vs 滑动窗口）到分布式方案（本地 + 异步同步 vs 中心化）的演进路径。

公开面经信号怎么读

一亩三分地等面经社区是 Anthropic 面试信息最集中的公开来源，但读法决定它对你的价值。几个原则：

按「年份 + 级别 + 岗位」筛选。2026 年 staff infra 的信号和 2024 年 NG 的信号可能完全不一样（OA 题型、轮次结构、SD 深度都在变），优先看最近 2-3 篇。级别和岗位也要对得上——MLE 和 Research 的面经对 SWE 参考价值有限，反过来也一样。

找共识，不信个例。单篇面经说「只有一轮 coding」不能当结论；多篇独立帖子都提到小系统多 part + follow-up 逐级加码、SD 偏 LLM Infra，这个结构才可信。面经作者有幸存者偏差（过的人爱写，挂的人少写），整体难度感知会偏乐观——公开信号里「题目新颖、面试官也可能没有标准答案」的反馈值得认真对待。

提取「轮次结构 + 题型方向 + 挂点」，忽略剧情。每篇面经真正有用的信息密度就这三样：每轮考什么类型、面试官追问到什么深度、作者觉得自己过/挂在哪。故事细节、情绪、对面试官的评价都不需要带进你的准备里。

不搬运、不暗示合作。本站所有 Anthropic 面经内容都只归纳公开信号，不复制任何候选人的逐字面经，也不代表与任何面经社区有合作或转载关系。你读到的公开帖子请以原作者发布的内容为准。

常见挂点：Anthropic SWE 独有的失分方式

把公开面经里的挂因和模拟面试复盘对照，Anthropic SWE 特有的失分点集中在这几个：

• 只做第一版，follow-up 接不住：第一版写得太随意（全局变量堆逻辑、没有接口分层），第二轮加并发时开始硬改，第三轮面试官已经能看出你不会再重构了。这是 Anthropic 最典型的挂法——别家挂在「题没 AC」，Anthropic 挂在「第三轮之后你还像不像在演进一个真实系统」。
• 被 AI 术语吓住：SD 题面出现 GPU cluster、inference batch、KV cache 就开始慌，把时间花在解释领域概念上，而不是把问题抽象回 queuing / batching / failure handling。公开反馈里表现好的候选人几乎都做了同一个动作：先花两分钟把 AI 包装剥掉，再按经典 infra 题推进。
• System Design 只讲 happy path：inference service 只说「API gateway + model server + queue」，被追问「queue 挂了怎么办」「batch 一直凑不满怎么办」「某个 GPU node 挂了任务怎么迁移」就断片。failure mode 要主动交代，不要等面试官问——Anthropic 的面试官对 error handling 和 edge case 的追问强度高于多数大厂。
• 不主导对话（staff 级别重灾区）：Anthropic 的 SD 轮是「给 prompt + 极少引导」，staff 级别期望你自己定 scope、选重点、决定什么时候深挖。全程反问面试官「我应该关注什么」会被明确降分；正确姿势是提出方向，然后问「要不要在这里展开」。
• Culture/Safety 轮只讲原则：「我很重视安全」这类话在 Anthropic 几乎等于没答。要给出具体案例：哪个项目里你为了 safety 牺牲了性能、blast radius 怎么控制、回滚方案是什么。没有具体取舍故事的候选人挂在这轮的比例明显偏高。
• OA 多 part 时间失控：90 分钟多 part 题，很多人在 part 1 花掉 40 分钟追求完美实现，后面 part 3、part 4 赶工甚至没写。策略是每 part 先拿到可运行版本，再回头优化——和 VO 的 coding 轮逻辑一致。

准备路线：7 天 / 14 天 / 30 天

按你距 VO 的天数选路线。三个版本的共同原则：小系统 coding 和 Culture/Safety 叙事永远优先，System Design 次之，最后两天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1-D2 把「可运行第一版 → follow-up 升级」的四步法练熟，做 1 道 In-Memory DB 或 Web Crawler 多 part 题（规则从 2 条加到 5 条），每 part 强制自己先跑通再优化；D3-D4 做 1 道 Bank/LRU 变体题 + 整理 1 套 LLM serving 叙事（prefill / decode、KV cache、dynamic batching、TTFT、降级），练到 10 分钟能讲完；D5-D6 BQ + Safety：按「技术分歧、一次延期、safety-first 取舍、跨团队推动、对 AI 风险的看法」各写 1 个 STAR 故事，英文口述录音回听；D7 完整 mock 一场小系统 coding（带 follow-up）+ 10 分钟 culture 提问，录音复盘。
• 14 天（标准版）：在 7 天基础上——D8-D10 补 System Design：按「需求澄清 → 剥掉 AI 包装 → 数据规模 → API 设计 → 存储与队列 → 失败模式 → 降级与监控」七步走，做 2 道 LLM Infra 题（inference service、model downloader），每道练到 50 分钟能讲完且主动交代 failure mode；D11-D12 把 D1-D4 做过的 coding 题重做一遍，这次强制第一轮就写出可扩展结构（接口分层、状态集中管理）；D13 mock 一场完整 VO（coding + SD + culture 各一段）；D14 缓冲日，检查设备日程，早睡。
• 30 天（系统版）：在 14 天基础上——D15-D20 专项 follow-up 深挖：给每道小系统题补四类追问（并发安全、失败恢复、分布式扩展、性能瓶颈），每类给出方案 + 复杂度 + 取舍；D21-D24 再补 2 道 SD 题 + 1 道 debug 题（给一段带 bug 的代码，练「澄清 → 假设排序 → 验证 → 修复 → 预防」全流程）；D25-D26 STAR 故事库扩充到 6-8 个，练三层追问（approach → 细节 → reflection），safety 类故事至少 2 个；D27-D28 连续两场完整 mock（找真人或录音），重点看 follow-up 接没接住、有没有主动主导对话；D29 复盘两场 mock，把断片点写下来各补一段；D30 缓冲日。

FAQ：Anthropic SWE 面试 4 个高频问题

Q1：Anthropic SWE 面经和 OpenAI 这类 AI 公司有什么区别？
两家都重 systems，但风格不同：Anthropic 的 coding 是「小系统多 part + follow-up 逐级升级」（Web Crawler、In-Memory DB 这类），SD 题面常用 LLM Infra 包装但内核是经典分布式系统，还有一轮独有的 Culture/Safety；OpenAI 则更偏 CoderPad 实战题和 ML 专项轮（ML coding、backprop 找 bug），流程也更灵活多变。对照阅读可以看 OpenAI SWE 面试全攻略，那篇偏 OpenAI 的具体流程和 ML 轮，本篇偏 Anthropic 的全流程打法。

Q2：Anthropic SWE 面试几轮？
主线是 Recruiter Screen（不考技术）→ 可选 OA（约 90 分钟多 part coding）→ Phone Screen（50-55 分钟单轮技术面）→ VO onsite 4-5 轮（2 轮小系统 coding + 1-2 轮 SD + 项目深挖 + Behavioral/Culture）→ HM 沟通 / Team Match。NG 更常走 OA 进流程，社招部分岗位跳过 OA。具体以你的邀请为准，不同 team 和地区会有出入。

Q3：Anthropic SWE 考什么？难度如何？
Coding 以 medium 为主，但特色是「多轮迭代」——题不难，难在 follow-up 一版版加码你还演进得动。System Design 是 LLM Infra 场景（inference、batching、model downloader），难度对标 FAANG 中高级，且题目常是新颖的，没有标准答案，考的是开放问题里的推进能力。Culture/Safety 轮考具体取舍而非口号。整体反馈是：技术轮全过仍可能被 culture 轮或 bar 卡住，四轮都要认真准备。

Q4：Anthropic SWE 的 OA 难吗？常见题型是什么？
近年公开信号里 SWE 的 OA 是 CodeSignal 多 part 题，约 90 分钟，最高频题型是 In-Memory DB（set/get/delete 起步，逐级加 TTL、scan、backup / restore），也有候选人遇到 Bank System 或多 part 算法题。难度本身在 medium 上下，真正的难点是多 part 时间管理：每 part 先拿到可运行版本再优化，不要在第一部分追求完美实现。