Shopify Pair Programming / AI Coding Round 面经

💡 核心要点 (Key Takeaways)

• Shopify 技术轮的差异点是 BYO AI：可以自带 Claude Code、Cline、Cursor 等工具，但面试官默认你不理解 AI 写的每一行代码，解释不清比写不出来更容易挂。
• robot movement 类 grid 题是招牌高频题，真正的分水岭在 follow-up 链（障碍物 / 多机器人 / 3D 扩展）和 production-ready 追问（异常处理、API 版本、分布式缓存）上。
• 流程要按「讲设计 → AI 实现 → 手动验证 → 追问迭代 → 高 coverage 提交」五步闭环练，而不是只练刷题速度；DE 岗则是 coderpad 上的 SQL 四连，滚动窗口和去重是重灾区。

这篇适合谁

这篇写给准备 2026 年 Shopify SWE / MLE 技术轮（Pair Programming / AI Coding Round，公开面经里也常直接叫 AI 编程 round）的候选人，级别以社招中级到 Staff 为主，DE 岗候选人可以重点看题型与 SQL 部分。文章基于 2025-11 至 2026-07 的公开面经信号整理（一亩三分地、Blind、Glassdoor 等社区），不同团队、地区和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：Shopify 的 Pair Programming 技术轮 = 空的 GitHub repo + 口述需求 + 自带 AI 工具（BYO AI）的实现轮，招牌题是 robot movement 类 grid 题和 LRU cache，面试官在实现之后用 follow-up 扩展和 production-ready 追问题区分候选人。如果你同时投的是 Stripe 或 LinkedIn 这类同样有 coding / AI coding 轮的公司，对比视角可以看 Stripe SWE 面经 2026 和 LinkedIn AI Coding Round 面经；本篇聚焦 Shopify 独有的 BYO AI 规则和 robot movement 追问链。

面试流程：从 recruiter 到技术轮

公开面经信号里 Shopify 这条线的流程大致是：recruiter 邮件触达（或你主动投递后由 recruiter 跟进），约一个 10-15 分钟的视频沟通，聊岗位意向、背景和时间，并给出面试安排；随后是 75 分钟的技术轮（SWE / MLE 为 Pair Programming / AI Coding，DE 岗常见 1 小时的 coderpad SQL 轮），部分候选人反映可以直接在官网 schedule slot。Recruiter 邮件里通常会附一份 guidance 文档和公司 tech blog 链接，实质内容不多，但有两个关键信息值得留意：明确允许使用 AI 工具，以及鼓励你提前了解技术栈。面试结束后一般等几天到一周左右收到结果邮件，通过则进入后续轮次。

需要说明的是，公开信号里技术轮之后的 onsite / VO 全貌样本较少，本篇不展开未经信号支持的轮次细节；如果你已经在流程中段，把重心放在下一轮的技术深度上即可。

• Recruiter 视频沟通：10-15 分钟，确认意向、背景和时间，拿到 guidance 文档与 tech blog 链接。
• 技术轮（SWE / MLE）：75 分钟 Pair Programming / AI Coding，从空 GitHub repo 开始，自带 AI 工具，结束前 git push 或提交 PR。
• 技术轮（DE）：约 1 小时 coderpad SQL，给 2 张表做 4 道渐进题，可以直接 run 出结果，AI 查函数是允许的。
• 结果节奏：面后几天到一周左右出结果邮件，通过后进入下一轮；Staff 级候选人反映题目迭代数更多、追问更深。

题型雷达：这轮到底考什么

Shopify 这一轮的题型分布和传统 LeetCode 刷题面很不一样：算法难度普遍不高（hard 题很少），但「工程完成度 + 对 AI 输出的掌控」的权重极高。Coding 是绝对主体，形式是给定一个几乎空的 GitHub repo（可能只有一份 README），口述一个应用级需求（robot movement、LRU cache、基于 HTTP server boilerplate 的 URL 服务），你在自己的 IDE 里用 AI 工具完成实现和测试；SQL 集中在 DE 岗的 coderpad 四连；System Design 不以独立轮次出现，而是以 production-ready 追问的形式嵌在 coding 轮后半段（异常处理、API 版本控制、可观测性、缓存扩展）；BQ 在公开信号里样本很少，通常只占开场自我介绍的几分钟，不用按 FAANG 的 BQ 强度准备。

真正拉开差距的不是第一版实现——AI 工具在场时大家都能写出来——而是三件事：能不能逐行讲清 AI 写的代码、能不能主动补测试把 coverage 做上去、follow-up 来了之后结构能不能撑住扩展。

• Coding（主体）：应用级实现题，空 repo 起步，AI 工具自由使用，要求测试、coverage 和可 git push 的完成度。
• SQL（DE 岗）：coderpad 上 2 张表 4 道渐进题，考 aggregate、join + dedupe、滚动窗口、字符串处理。
• System Design（嵌入式）：以 production-ready 追问出现——全局异常处理、400/500 语义、telemetry 与指标、API versioning、分布式缓存替换。
• BQ / 沟通：样本少，多为开场自我介绍与过程中的交流质量；面试官更看重你如何与 AI 和面试官三方协作。

高频题目：类型与考点

按公开信号的出现频率，Shopify 这一轮的代表题型集中在下面几类。这里只讲题目类型和考点，不复刻任何一份私人面经的逐字题面。

1. Robot / grid movement 控制应用：这是出现频率最高的招牌题，考 command 解析与扩展性设计（command 体系怎么加新指令）、状态维护（位置 / 朝向）、以及 follow-up 链——加障碍物、多机器人共存（create / delete / select）、2D 变 3D grid。考点是结构能不能一层层扩展而不重写。
2. LRU cache：经典数据结构实现题，公开信号里是「AI 全程写、候选人全程讲」的典型样本，考点是你能不能在 AI 生成代码时同步解释哈希 + 双向链表的取舍。
3. 基于 HTTP server boilerplate 的 URL 服务：Staff 级样本，在模板代码上迭代两个 iteration，考点从实现转向 production-ready——全局异常处理、HTTP 400/500 语义、telemetry、API 版本控制、内存缓存换分布式缓存。
4. Bank system / URL shortener 类小应用：社区候选人高频练习的同类题，考点与 robot 题一致：先讲设计、再实现、最后补测试。
5. SQL 四连（DE）：按「daily aggregate → 加 grain 的 join + dedupe → 7 天滚动窗口（需自建 calendar 表、空天补 0）→ 从 URL 列提取字段」的难度阶梯出现，滚动窗口题是公认最耗时的一步。

• Robot / grid movement：command 扩展性 + 障碍物 / 多机器人 / 3D 三层 follow-up，结构可扩展性是第一考点。
• LRU cache：AI 写、你讲的典型场景，考察对哈希 + 双向链表实现的同步解释能力。
• HTTP boilerplate 服务（Staff 级）：考点是 production-ready 五件套——异常处理、状态码语义、telemetry、API versioning、分布式缓存。
• SQL 四连（DE）：aggregate → join + dedupe → 滚动窗口（calendar 表 + 补 0）→ 正则提取 URL 字段。

公开面经信号怎么读

把 2025-11 至 2026-07 的公开面经放在一起看，社区反馈的方向相当一致：第一，AI 工具被明确允许甚至默认，但没有任何一位拿到 offer 的候选人是「靠 AI 一把梭」过的——通过样本的共同动作是逐行 review AI 的代码、手动跑测试、主动把 coverage 从 80% 提到 99% 再提交；第二，面试官会用「不要用 AI，手写一个小需求」（比如碰撞检测）来验证你脱离工具的基本功，这类 10 分钟小需求在信号里反复出现；第三，挂经的共同点不是第一版没写完，而是 follow-up 扩展没接住（障碍物 → 多机器人 → 3D 的三层追问）或 production-ready 追问没答到位；第四，沟通质量被反复强调——有候选人特意提到面试官口音重、开了 transcript 才跟得上，说明这轮对「双向确认需求」的容忍度其实很高，主动复述和确认不丢分。

读这类信号时的方法：不要收藏题面，要收藏动作——每个通过样本里「AI 写了什么、人做了什么、面试官追加了什么」的三段结构，才是可迁移的备考信息。

• 通过样本的共同动作：逐行 review AI 代码 + 手动测试 + 主动补测试提 coverage + 主动指出可改进点并说明为什么先不做。
• 反复出现的验证动作：面试官中途要求「不要用 AI」手写一个小需求（如碰撞检测），验证脱离工具的基本功。
• 挂经的共同模式：follow-up 扩展没接住，或 production-ready 追问（异常 / 版本 / 缓存）答不到点上。
• 沟通信号：主动复述需求、确认边界不丢分，反而被正评价；这轮默认你边写边说。

常见挂点：Shopify 这轮独有的失分点

和其他公司的 coding 面相比，Shopify 这一轮的挂点更集中在「人机协作」环节，而不是算法本身。按公开挂经和失败模式整理，失分点大致是下面五个。

1. 讲不清 AI 写的代码。AI 工具生成的代码看着像你的产出，但面试官随机抽一段问「这里为什么这么写」时答不上来，是最常见的出局原因——这比手写超时严重得多，因为它直接暴露理解缺口。2. follow-up 接不住。第一版完成后面试官会连续加压（障碍物 → 多机器人 → 3D，或第二 iteration），结构没留扩展口的候选人会在第二、第三个 follow-up 处开始重写，时间直接爆掉。3. 只信 AI 不验证。AI 说「测试都过了」就交差，被面试官要求跑 coverage report 后暴露大量没测的分支；这轮的隐性标准是「不信 AI，用证据说话」。4. 需求细化不到位。口述需求往往故意模糊（初始朝向、越界行为、command 格式都没说死），不主动澄清就开写的候选人会在实现中途被推翻重来。5. 提交前没有闭环。忘记手动跑一遍 CLI、没有最终 commit / PR、coverage 停在默认值就收工——这轮的交付物是可运行的代码仓库，不是「思路讲完了」。

• 讲不清 AI 输出：被抽查任意一段代码解释设计取舍时卡壳，是最高频出局原因。
• follow-up 结构崩坏：障碍物 / 多机器人 / 3D 第二三层追问时开始重写，时间预算爆炸。
• 不验证 AI 结论：不跑测试、不提 coverage，被面试官用 coverage report 反将一军。
• 需求不澄清就动手：初始状态、越界、command 格式没确认就写，中途推翻重来。
• 交付不闭环：手动测试、最终 commit / PR、coverage 报告三件套缺任何一项都算半成品。

准备路线：7 天 / 14 天 / 30 天

Shopify 这轮的准备核心不是刷算法量，而是练「AI 写、你审、你验证、你扩展」的完整闭环，所以三条路线都以模拟完整 75 分钟流程为终点。

• 7 天版（已有 AI coding 经验）：Day 1 固定你的工具链（Claude Code / Cline / Cursor 任选）并熟悉 plan mode、init 与 context 管理命令；Day 2-5 每天用 AI 完整做一道 robot movement 或 LRU 变体，每次强制自己逐行讲清 AI 的代码、手动跑 CLI、主动补边界测试；Day 6 做一次 follow-up 专项（障碍物 → 多机器人 → 3D 三层追问，每层先讲结构再动手）；Day 7 全真模拟 75 分钟，从需求澄清到 coverage 报告到 git push 走完整闭环。
• 14 天版（标准准备）：前 7 天同上；后 7 天加三条线——追问专项：每道练过的题都预演 production-ready 五件套（全局异常处理、400/500 语义、telemetry 与业务指标、API 版本控制、内存缓存换分布式缓存）怎么答；DE 岗候选人把其中 2 天换成 SQL 四连专项（滚动窗口题单独练 2 遍，calendar 表补 0 的逻辑写熟）；最后 3 天做两次完整模拟，第二次换一道没练过的题（bank system / URL shortener 类），检验迁移能力。
• 30 天版（完整冲刺）：前两周按 14 天版执行；第三周做 2 次全真 mock（找有 Shopify 或同级公司经验的人当面试官，重点压 follow-up 和「不要用 AI 手写小需求」环节）+ 把 BQ 素材按「一个需求澄清故事、一个 AI 使用边界故事、一个测试质量故事」整理成 STAR 版；第四周每天一道保持手感，最后两天过一遍挂点清单（讲不清 / 接不住 / 不验证 / 不澄清 / 不闭环）做考前自查。

FAQ：高频问题

Q1：Shopify 技术轮到底能不能用 AI 工具？
公开信号里是明确允许的，甚至被当成公司特色（BYO AI：自带 AI coding 工具）。但允许使用不等于可以依赖——面试官默认你要逐行理解 AI 的输出，并且会中途要求你脱离 AI 手写一个小需求来验证基本功。把 AI 当脚手架，不是代笔。
Q2：Pair Programming 轮的实际形式是什么样的？
不是传统意义上两个人一起敲，更接近「你 + 面试官 + AI 工具」的三方协作：面试官给一个几乎空的 GitHub repo 和口述需求，你用自己的 IDE 和 AI 工具实现，过程中要讲设计、review 代码、跑测试、处理 follow-up，结束前 git push 或提交 PR。整轮 75 分钟。
Q3：AI Coding Round 75 分钟的时间怎么分配？
公开通过样本的节奏大致是：5-10 分钟需求澄清与整体设计讲解（有的面试官会要求在 excalidraw 上画结构），20-25 分钟第一版实现 + 基础测试，15-20 分钟 follow-up 迭代（每层扩展先讲结构再动手），最后 10 分钟手动验证、coverage 报告和最终提交。时间爆掉通常爆在第二层 follow-up 上。
Q4：Shopify DE 岗也考 Pair Programming 吗？
DE 岗的公开信号是另一种形态：约 1 小时的 coderpad SQL 轮，给 2 张表做 4 道渐进题，可以直接 run 出结果，AI 查函数是允许的。考点是 aggregate、join + dedupe、7 天滚动窗口（自建 calendar 表、空天补 0）和 URL 字段提取。SQL 的通用备考可以看 SWE OA / Phone Screen 题型地图 里的数据题部分。
Q5：收到挂经反馈后，最该补哪一块？
按公开失败模式的分布，优先补 follow-up 扩展能力（结构留扩展口）和 production-ready 追问清单（异常处理、状态码语义、telemetry、API 版本、分布式缓存），其次是「不用 AI 手写 10 分钟小需求」的基本功。刷题量的边际收益在这轮最低。关于 coding 轮里「做出来了但没讲清」这类沟通型失分，可以看 SWE VO Coding 沟通闭环。