Perplexity AI Engineer / In-memory File System 面经

💡 核心要点 (Key Takeaways)

• Perplexity AI Engineer 的店面 / phone coding 主打『魔改题』：In-memory File System、beam search、ToDo list for AI 这类在 LeetCode 相近题上做了命令解析 / 接口改造的 hands-on 实现题，考点是数据结构选型（tree / trie + path parsing）、unit test 全过、以及在面试官少提示时主动讲假设和排查步骤。
• OA 是 CoderPad 上 4 小时（recruiter 说多数人约 1 小时）的 byte-level tokenizer 题：先读懂 reference 实现并用英文描述算法 → 写出输出完全一致、总耗时 ≤10s 的更快实现（常需 priority queue + linked list）→ 用受限 sample_size 采样估算 token 数。后一 part 依赖前一 part，时间管理是最大挂点。
• Onsite 常见 2 轮 System Design + 1 轮 Coding：SD 强绑定 Perplexity 产品（discovery 页个性化推荐、home 页 trending queries、long-running agentic query execution 的 durable resumable 执行 + 进度流式），考点是规模估算 + 一致性 / 延迟 / 成本取舍 + failure handling，不是通用 SD 模板。
• Perplexity 的 ML coding 画风和御三家不同：店面 ML 轮公开信号指向 scikit-learn 在 toy dataset 上训练 binary classifier 并改进 eval metrics，而不是手撕 Transformer / 用 PyTorch 推导——平时不碰 scikit-learn API 的候选人会在这里吃时间。
• 流程快、淘汰快：HR / Recruiter Screen 也会问 ML 基础（如 transformer positional encoding），答不好或『不 match』可能第二天就收拒信；headcount 紧、面试互动少，必须自己主动推进节奏。

这篇适合谁

这篇写给准备 Perplexity AI Engineer（AI 工程 / 搜索与 agentic 产品方向）岗位面试的候选人，级别以社招中初级到中级（大致对标 Google L4 / Meta E4，以 JD 和实际沟通为准）为主，覆盖 HR / Recruiter Screen、CoderPad OA、店面 / Phone Screen、Onsite / VO 和 HM / Team Match 各轮结构。文章基于 2026 年公开面经信号整理（一亩三分地、Blind、Glassdoor 等社区），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：Perplexity AI Engineer = hands-on 魔改 Coding（In-memory File System、beam search 这类在 LeetCode 相近题上做接口 / 命令解析改造的实现题）+ Perplexity 产品向 System Design（discovery 推荐、trending queries、long-running agentic query execution）+ scikit-learn 式 ML coding + BQ。本篇的切入视角就是 In-memory File System 这个最能区分 AI Engineer 候选人的店面招牌题——它决定了你店面轮的下限。如果你同时投的是 AI Infra 或泛 SWE 岗位，高频题单和流程细节看 OpenAI AI Infra 面经 2026 和 xAI SWE / AI Infra 面经 2026；泛 SWE 视角看 OpenAI SWE 面经 2026。

• 适合准备 Perplexity AI Engineer（AI 工程 / 搜索与 agentic 产品方向）社招中初级到中级（大致对标 Google L4 / Meta E4）面试的候选人
• 四主轴：hands-on 魔改 Coding + Perplexity 产品向 System Design + scikit-learn 式 ML coding + BQ
• 店面招牌题是 In-memory File System（tree / trie + path parsing），考点是数据结构选型、unit test 全过、低提示下主动讲排查步骤
• 本篇聚焦 AI Engineer 岗位视角；AI Infra 看 OpenAI / xAI 集群页，泛 SWE 看 OpenAI SWE 页

面试流程：HR / OA / 店面 / Onsite / HM / Team Match 各轮是什么

Perplexity 的流程比御三家更精简、节奏更快，公开信号里的主线是：投递 / 内推 → HR / Recruiter Screen → OA（CoderPad，部分岗位）→ 店面 / Phone Screen → Onsite / VO（常见 2 轮 System Design + 1 轮 Coding）→ HM → Team Match → offer。线上工具以 CoderPad 为主。AI Engineer 岗位各轮的侧重点如下：

• HR / Recruiter Screen（20-30 分钟）：公开信号显示这一轮不只是聊背景动机，也会问 ML 基础（如 transformer positional encoding）和「为什么 Perplexity」。答得含糊或被认为不 match，可能当天或第二天就收拒信——headcount 紧、淘汰快，这一轮别当成走过场。
• OA（CoderPad，部分岗位，4 小时）：公开信号里 Perplexity 的 OA 是 byte-level tokenizer 题（读 reference 实现 → 写更快的 tokenize → 采样估算 token 数），recruiter 说多数人约 1 小时做完。没有 OA 的岗位直接进店面，以实际收到的邀请为准。
• 店面 / Phone Screen（45-60 分钟）：1 道 coding，画风是「魔改题」——In-memory File System、beam search 补全、ToDo list for AI 这类在 LeetCode 相近题上做命令解析 / 接口改造的 hands-on 实现题。考点是动手前声明假设、第一版跑通、unit test 全过、复杂度讲得清，follow-up 常是 corner case 或约束升级。这一轮面试官提示偏少，要自己主动讲排查方向。
• Onsite / VO（常见 2 轮 System Design + 1 轮 Coding，每轮约 60 分钟，通常一天面完）：Coding 轮多为经典 DSA（如 DFS）或实现题；两轮 SD 强绑定 Perplexity 产品（discovery 页个性化推荐、home 页 trending queries、long-running agentic query execution 的 durable resumable 执行 + 进度流式）。以实际收到的轮次为准。
• HM（Hiring Manager Call）：VO 通过后与 hiring manager 聊方向、level、comp 和 mission fit，不再考技术。Perplexity headcount 紧，HM 面前把「为什么这个团队 / 方向」单独再准备一轮。
• Team Match：Perplexity 团队多（搜索 / 答案引擎 / agentic / 基础模型 / infra 等），AI Engineer 通常匹配到答案引擎、agentic 或搜索方向。主动说出「我希望进做 XX 方向的团队」是加分项。流程快，出结果通常 2-4 周。

题型雷达：Coding、System Design、ML、SQL、BQ 各占多少

按 AI Engineer 岗位把题型按出现频率排个雷达图，最区分人的三根轴是 hands-on 魔改 Coding、Perplexity 产品向 System Design 和 scikit-learn 式 ML coding：

• Hands-on Coding（店面 1 轮 + Onsite 1 轮，最高频）：In-memory File System（目录 / 文件的创建、读写、查找 / 列举，偏系统设计味）、beam search 补全（给定 signature 补全代码，unit test 要过）、ToDo list for AI。考点是数据结构选型（tree / trie + path parsing）、命令解析、unit test 全过、以及在低提示下主动讲假设和排查。
• System Design（Onsite 必考，常见 2 轮）：强绑定 Perplexity 产品——discovery 页个性化推荐 feed、home 页 top trending queries（随时间个性化）、long-running agentic query execution（任务可跑数小时，要求 durable resumable 执行、关 tab / 断网仍能跑完、进度流式）。考点是 goal → 规模 → 瓶颈 → 一致性 / 延迟 / 成本取舍 → failure handling 的完整闭环。
• ML Coding / ML Depth（店面或 HR 轮出现）：公开信号指向 scikit-learn 在 toy dataset 上训练 binary classifier、选模型 fit 完后改进 eval metrics（不是手撕 Transformer、不用 PyTorch 推导）；HR 轮也可能直接问 ML 基础（transformer positional encoding）。考点是熟悉 scikit-learn API、会调参改进指标、能讲清 ML 概念。
• 经典 DSA（中低频）：Onsite coding 轮可能出现经典 medium（如 DFS），作用是过线，不是区分点。
• SQL（低频）：一般没有独立 SQL 轮；偏搜索 / 数据方向可能带一道轻 SQL，口径讲清即可。
• BQ / mission fit（穿插每轮 + 单独轮）：为什么 Perplexity（几乎必问，AI Engineer 候选人要落到具体搜索 / agentic / 产品方向）、失败项目、跨团队分歧。准备 4-5 个 STAR 故事，每个能接两层追问。

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：

• Hands-on：In-memory File System（店面招牌题）：实现一个 in-memory file system，支持目录 / 文件的创建、读写、查找 / 列举，偏系统设计味的 coding。考点：用 tree / trie 组织目录层级、path parsing（处理相对 / 绝对路径、.. 等）、接口设计（create / read / write / list / find）、corner case（路径不存在、文件 vs 目录冲突）。LeetCode 上有相近题，但面试常魔改成命令式 Unix cmd：直接读入命令行 → 解析 → 执行，用 trie node 实现，非常 hands-on。
• Hands-on：beam search 补全：给定 function signature，补全 beam search 实现，unit test 必须全过。考点：beam 的维护与剪枝、next token 打分、stop word 处理、返回 top-beam 序列、边界（beam_size=1、提前遇到 stop word）。
• Hands-on：ToDo list for AI：为 AI / agentic 场景实现一个 ToDo / 任务管理结构。考点：数据结构选型、增删改查、状态流转、以及「AI 会怎么调用这个接口」的产品向 follow-up。
• OA：byte-level tokenizer 优化 + 采样估算：多 part 题——读懂 reference 的 byte-level 分词实现并用英文精确描述算法 → 写出输出完全一致、总耗时 ≤10s 的更快 tokenize（常需 priority queue + linked list 这类数据结构）→ 用受限 sample_size 采样估算任意文本的 token 数（误差分 20% / 5% 两档）。考点：读懂并形式化 reference 行为、算法优化、采样估计的统计正确性、part 之间的依赖与时间管理。
• System Design：discovery 页个性化推荐：为 Perplexity discovery 页设计个性化 feed。考点：候选生成（行为 / 内容 / 协同）、排序模型、冷启动、实时性、曝光与去重、效果指标（CTR / 留存）与 A/B。
• System Design：home 页 trending queries：为 home 页设计 top trending queries 系统，并随时间个性化。考点：query 聚合与热度统计（时间衰减窗口）、实时 vs 近实时、个性化叠加、去重 / 去敏感、数据规模估算。
• System Design：long-running agentic query execution：把原来「在内存里跑、无持久化」的 ask 接口改造成可跑数小时的 long-running 任务——durable resumable 执行、关 tab / 断网仍能跑完、进度流式回传。考点：任务持久化与状态机、checkpoint / resume、消息队列与 worker、进度推送（SSE / WebSocket）、幂等与重试、失败恢复。
• ML Coding：scikit-learn binary classifier：用 scikit-learn 在现成 toy dataset 上训练 binary classifier，选模型 fit 完后改进 eval metrics。考点：熟悉 scikit-learn API（Pipeline / GridSearchCV / 常见分类器）、选对指标、调参改进、讲清为什么这么选。

公开面经信号怎么读

一亩三分地、Blind、Glassdoor 等社区是 Perplexity 面试信息最集中的公开来源，但 Perplexity 的公开面经信号有两个特点：样本量比御三家小很多，且挂经（Fail）占比明显偏高——很多帖子是店面 / OA / HR 轮就挂掉的经历，过经反而少。读法比内容更重要，几个原则：

先区分轮次，再读题型。按帖子标注的轮次（HR / OA / 店面 / Onsite）归类，再按题目内容判断是不是真 AI Engineer 信号：帖子里出现 In-memory File System、beam search、tokenizer、Perplexity 产品向 SD 的，才是真 AI Engineer 信号；纯经典 DSA 的可能是泛 SWE。再按「年份 + 级别 + 团队方向」筛选，只看最近半年到一年的帖子——流程和题面在变，旧帖的题型会误导你。

找共识，不信个例。多篇独立帖子都提到「店面是 In-memory File System 这类魔改题」「OA 是 byte-level tokenizer」「Onsite 两轮 SD 绑 Perplexity 产品」，这个结构才可信。单篇面经说的轮次数量、题目难度不能当结论；挂经作者有幸存者偏差的另一面（挂的人爱写，过的人少写），整体难度感知会偏难，别被吓到。

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、follow-up 追问到多深、作者觉得过 / 挂在哪。故事细节、情绪、对面试官互动少多的吐槽都不需要带进你的准备里——但「面试官少提示」本身是个信号，值得纳入你的准备策略（主动讲排查）。

不搬运、不暗示合作。本站所有 Perplexity 面经内容都只归纳公开面经信号，不复制任何候选人的逐字面经，也不代表与一亩三分地或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：Perplexity AI Engineer 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，Perplexity AI Engineer 岗位特有的失分点集中在这几个：

• In-memory File System 现场 bug 没 debug 出来：代码基本写完、主流程过了，但最后一个 bug 没能在时间内查出来就挂了。这类题面试官提示很少，遇到 bug 要主动把假设和排查步骤讲出来，哪怕面试官不接话——沉默不等于放弃，主动沟通本身就是评分项。
• 魔改题的 corner case / test case 没全过：beam search、ToDo list、file system 这类题，主逻辑对但边界（beam_size=1、stop word、路径不存在、文件 / 目录冲突）没处理，unit test 没全过直接判 fail。动手前先把边界条件列出来。
• OA 时间管理崩盘：byte-level tokenizer 的 part 1（更快实现）卡太久（常需 priority queue + linked list，简单改动会超时），导致依赖它的 part 2（采样估算）没时间做；recruiter 说多数人约 1 小时做完，用掉大半时间就是危险信号。
• scikit-learn API 不熟：店面 ML 轮考 scikit-learn binary classifier，平时只用 PyTorch 手撕网络的候选人花大量时间查 scikit-learn API，挤掉了改进 eval metrics 的时间。面试前专门用 scikit-learn 在 toy dataset 上跑几类分类器 + 调参。
• HR / 早轮 ML 基础没接住：HR / Recruiter Screen 也会问 ML 基础（如 transformer positional encoding），答不好或被认为不 match，第二天就收拒信。AI Engineer 候选人不能把 ML 概念当成「技术轮才需要」。
• SD 套通用模板、不绑 Perplexity 产品：Perplexity 的 SD 强绑定自家产品（discovery / trending / agentic query），套通用「CDN + 缓存 + 分库分表」模板而不落到答案引擎 / agentic 场景，等于没答到点上。
• 「为什么 Perplexity」答泛泛：答不出具体搜索 / agentic / 产品方向，HM 面直接判 mission misfit。AI Engineer 候选人要把「我想做答案引擎 / agentic 的 XX 方向」说具体。
• 流程被动等待：Perplexity 流程快、淘汰快，被动等 recruiter 的候选人容易在早轮就无声结束。主动跟进、主动约时间，是流程本身的一部分。

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：In-memory File System 这类魔改 coding 的 unit test 全过和主动讲排查保下限，Perplexity 产品向 SD 的 failure / 成本 trade-off 永远优先，scikit-learn ML coding 保下限，BQ 故事保下限，最后两天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1 In-memory File System：用 tree / trie + path parsing 完整实现一遍，强制处理 corner case（相对 / 绝对路径、..、文件 / 目录冲突、路径不存在），把所有 unit test 跑全过；再练一遍「命令式 Unix cmd：读入命令行 → 解析 → 执行」的魔改版本；D2 店面 coding：1 道 beam search 补全 + 1 道 ToDo list，练「声明假设 → 第一版跑通 → 处理边界 → 讲复杂度」话术；D3 Onsite SD 1：白板讲 Perplexity discovery 页个性化推荐 SD，强制 failure handling + 效果指标两段；D4 Onsite SD 2：白板讲 long-running agentic query execution（durable resumable + 进度流式），强制回答「关 tab 怎么办 / 断网怎么办 / 任务跑一半挂掉怎么办」三个 follow-up；D5 ML coding：用 scikit-learn 在 toy dataset 上跑 3 类分类器 + GridSearchCV 调参，练「为什么选这个模型 / 怎么改进指标」；D6 完整 mock 1 场（1 道 coding + 1 轮 SD + 5 分钟 BQ），录音复盘，重点看低提示下有没有主动讲排查；D7 缓冲日，检查设备日程，早睡。
• 14 天（标准版）：在 7 天基础上——D8 经典 DSA 补线：2 道 medium（DFS / 图，Onsite coding 过线用），不追 hard；D9 重做两道 SD，每道练到 45 分钟讲完，容量估算强制落到 QPS / 存储量 / 任务时长；D10 项目深挖：resume 上 2 个主项目各写三层答案（概述 2 分钟 → 规模与取舍 5 分钟 → 反思与结果 3 分钟），AI Engineer 候选人要把每个项目映射到搜索 / agentic / 产品方向之一，数字做速查表；D11 ML 基础补课：transformer positional encoding、常见分类器、scikit-learn API，每个概念能讲 2 分钟（HR 轮会问）；D12-D13 BQ 故事库扩到 5 个（为什么 Perplexity、失败项目、跨团队分歧、拦下线上问题、主导项目），英文口述各过一遍；D14 缓冲日。
• 30 天（系统版）：在 14 天基础上——D15-D17 OA 专项：完整重做一遍 byte-level tokenizer 三 part（读 reference → 更快实现 ≤10s → 采样估算），计时，把 part 之间的依赖和「简单改动会超时」的坑记成 checklist；D18-D20 SD follow-up 专项：给 discovery / trending / agentic 三道 SD 各补三类追问（规模 10 倍、全 failure 场景、成本 / 延迟减半），每类给出方案 + 取舍；D21-D23 低提示沟通专项：找 2-3 场 coding mock，刻意在面试官少提示时练「主动讲假设 → 讲排查 → 讲验证」的节奏，录下来回听；D24-D27 连续 2-3 场完整 mock（找真人或录音），重点看 unit test 有没有全过、SD 的 failure 段全不全、HR 轮 ML 基础能不能 2 分钟讲清；D28 复盘 mock，把断片点写下来各补一段；D29-D30 缓冲日。

FAQ：Perplexity AI Engineer 面试 5 个高频问题

Q1：Perplexity AI Engineer 面经怎么读？重点看什么？
公开面经（一亩三分地、Blind、Glassdoor 等社区）重点读三样：轮次结构（HR / OA / 店面 / Onsite 几轮、每轮什么类型、有没有 re-interview）、题型方向（店面是不是 In-memory File System 这类魔改 coding、OA 是不是 byte-level tokenizer、SD 是不是绑 Perplexity 产品）、挂点（作者觉得过 / 挂在哪）。Perplexity 公开样本量小且挂经占比高，先按轮次 + 题目内容判断是不是真 AI Engineer 信号，再按年份 + 级别 + 团队方向筛选最近半年的帖子，以多篇共识为准，单篇个例不当结论。本篇的轮次结构、题型雷达和挂点就是按这个共识整理出来的。

Q2：Perplexity AI Engineer 面试几轮？
社招公开信号里的主线是：HR / Recruiter Screen（20-30 分钟，也会问 ML 基础）→ OA（CoderPad，4 小时，byte-level tokenizer，部分岗位）→ 店面 / Phone Screen（45-60 分钟，1 道魔改 coding）→ Onsite / VO（常见 2 轮 System Design + 1 轮 Coding，每轮约 60 分钟）→ HM → Team Match。流程比御三家精简、淘汰快，轮次数量以实际收到的邀请为准；出结果通常 2-4 周。

Q3：Perplexity AI Engineer 考什么？难度如何？
四主轴：hands-on 魔改 Coding（In-memory File System、beam search、ToDo list，考点是数据结构选型 + unit test 全过 + 低提示下主动讲排查）、Perplexity 产品向 System Design（discovery 推荐、trending queries、long-running agentic query execution）、scikit-learn 式 ML coding（binary classifier + 改进 eval metrics）、BQ（为什么 Perplexity 几乎必问）。整体难度：coding 不难于 LeetCode hard，难在 corner case 全过和现场 debug；SD 强绑 Perplexity 产品，套通用模板会失分。 Perplexity 面试辅助（AI Engineer 全流程、CoderPad OA、店面魔改题、RAG 与 Agentic 系统 System Design）。

• Q4：Perplexity AI Engineer 和 AI Infra 的面经有什么区别？
  轮次结构相似（都是 HR / Recruiter → OA → 店面 → Onsite → HM），差异在题型重心：AI Engineer 主打 hands-on 魔改 coding（In-memory File System、beam search）+ Perplexity 产品向 SD + scikit-learn 式 ML coding；AI Infra 主打 serving / batch / eval 方向的 System Design 和推理链路深挖，coding 偏 systems 味。如果你在找 AI Infra 面经——面试几轮、考什么——看站内 OpenAI AI Infra 面经 2026 和 xAI SWE / AI Infra 面经 2026；本篇只覆盖 AI Engineer 视角。两个岗位都投的话，用本篇打底，再叠加 serving / batch / eval 三条叙事。
• Q5：Perplexity AI Engineer 和泛 SWE 的准备怎么区分？
  泛 SWE 主轴是经典 DSA + 通用 System Design + BQ；AI Engineer 的 coding 偏「魔改 hands-on」（在相近 LeetCode 题上做接口 / 命令解析改造）、SD 强绑 Perplexity 搜索 / agentic 产品、还有一轮 scikit-learn 式 ML coding。泛 SWE 的题单和流程细节看站内 OpenAI SWE 面经 2026；本篇只覆盖 AI Engineer 岗位的准备路线。