Twitter/X 软件工程师面试题汇总 | 4 轮真实面经拆解

💡 核心要点 (Key Takeaways)

• Onsite 共 4 轮：Trie coding（含 follow-up）→ 合并闭区间 coding（含阴影面积 follow-up）→ BQ/growth 面 → real-time stream 广告 view 计数 System Design
• Full-stack 经验是隐性加分项：HR 反馈「选择了另一个更有 full stack 经验的 candidate」
• Coding 考经典算法但 follow-up 很关键：Trie 的删除优化、合并区间的阴影面积
• SD 偏 real-time stream：给 tweet stream + tweet_view stream，做实时广告 view 计数的 API
• BQ 重视 growth pattern：「前一份经历的缺点在下一份有没有改进」，要能谈负面反馈
• 在线编辑器不熟是扣分点：熟悉自己语言的 template 写法，别把时间花在搭环境上

一、Twitter/X SWE 面试流程 — 4 轮 Onsite 结构

基于 2026 年一位候选人完整走完 4 轮 onsite 的经历，Twitter/X 的 SWE 流程结构清晰，共 4 轮 onsite，节奏是「coding → coding → BQ → SD」的交叉安排： 第一轮 coding（经典 Trie 题）+ 第二轮 BQ（第二次面 HM）+ 第三轮 coding（合并闭区间 + 阴影面积 follow-up）+ 第四轮 SD（real-time stream 广告 view 计数）。注意 coding 和 BQ 是交叉的，不是先全部 coding 再全部 BQ。 一个关键的隐性信号：full-stack 经验是加分项。这位候选人的 HR 反馈说「整体是 positive 的，但还是选择了另一个更有 full stack 经验的 candidate」——也就是说 Twitter/X 在同等条件下明显偏好 full-stack 背景，纯算法/纯后端背景要有意补充 full-stack 的表达（前端、端到端、产品感）。候选人复盘：「之前和 HM 聊的挺好，可能做题和 SD 差了点」，说明做题（coding）和 SD 是拉开差距的两轮，BQ 和 HM 更多是确认而非决定。 整体体验：面试官友好（「人很 nice 没有负面反馈」），但 bar 不低，「感觉有一部分安慰的成分在」——HR 的 positive 反馈不等于 offer，要按 hard signal（coding + SD）评估自己的表现。

• Onsite 共 4 轮：Trie coding → 合并闭区间 coding → BQ → real-time stream SD（交叉安排）
• Full-stack 经验是隐性加分项，同等条件下偏好 full-stack 背景
• Coding 和 SD 是拉开差距的两轮，BQ/HM 更多是确认
• HR 的 positive 反馈不等于 offer，按 hard signal 评估自己
• 面试官友好，但 bar 不低

二、Coding 轮：Trie 与合并闭区间

Twitter/X 的 coding 考经典算法 + 关键 follow-up，两道高频题分别是 Trie 和合并闭区间，但真正的分水岭在 follow-up。 第一轮：Trie（实现 + 优化）。要求实现插入、判断存在、startWith（返回 list）三个函数。候选人用 boolean wordEnd 存词尾，一边写的时候主动提到了两个优化：「如果需要实现删除功能，可以加一个 int count 属性来节省查询时间（pruning）」「如果不在意空间的话，可以预存 startWith 的结果，利用 redundancy 节约时间」。有意思的是，正是因为主动提到了这些，后面面试官没再问任何 follow-up。这是 Twitter/X coding 的一个高价值技巧：边写边主动提出优化方向，既展示深度，又能把 follow-up 的主动权握在自己手里。 一个执行细节的扣分点：「写程序的界面不知道为什么没 load 出来 java 的 template，后面为了 run 测试还花了一点时间写 template，面试官人很 nice 没有负面反馈，但感觉是个扣分点。建议和我一样纯刷题没怎么实际写过项目的人熟悉一下自己语言的 template 怎么写」。启示：熟悉在线编辑器 + 自己语言的 template 写法，别把宝贵时间花在搭环境上。 第三轮：合并闭区间 + 阴影面积 follow-up。经典题（排序后合并），但候选人「做的不好」——「不知道为什么脑抽想要按 stream 的方式一个一个插入做，用 PriorityQueue 存排好序的区间，但 Java 的 PQ 没有 floor 和 ceiling 函数，我还改成 list 存储并手撸了一个 binary search 找插入点，这里还简单了，没考虑需要合并多个区间的情况」。follow-up 是「给区间加上高度，算阴影部分面积」（想象柱状图，[2,4,3] 代表坐标从 2 到 4、高度 3 的长方形，多区间形成重叠区域）。候选人「想出来了，记录区间开始或结束点，从左到右遍历同时记住每次高度变化时的横坐标和新高度」，算法讲出来了但没来得及写完。启示：经典题要用最稳的解法（排序 + 合并），别临场发挥用复杂结构；follow-up 的「面积/阴影」类题要提前准备 sweep line 思路。

• Trie 边写边主动提优化（count pruning、预存 startWith），能把 follow-up 主动权握在自己手里
• 熟悉在线编辑器 + 语言 template，别把时间花在搭环境上
• 合并闭区间用最稳的「排序 + 合并」，别临场用复杂结构
• 阴影面积 follow-up 考 sweep line：记录横坐标高度变化点从左到右遍历

三、System Design 轮：Real-time Stream 广告 View 计数

Twitter/X 的 SD 偏 real-time stream 处理，这道题非常贴合 X 的业务（海量实时事件流）。 题目：给两个 stream——一个是 tweet stream，一个是 tweet_view action 的 stream，格式是 (tweet_id, viewer_id, timestamp)。要实现一个 API 给企业用户，显示实时的某广告 tweet 的 views 数量，并做成折线图之类的 output。 候选人的解法（自评「因为没这方面经验，这题做得很一般」）：因为企业客户有限，可以把所有企业客户的 tweet id 都存在内存里，然后建立一个最小区间（比如 30 秒）count 所有相关 view event；stream 的处理大概提了 Kafka，然后用 Redis 之类的存数据。 这道题的考点拆解： - 实时性：stream 是持续流入的，要能低延迟聚合，不是批处理； - 时间窗口聚合：按 30 秒（或可配置窗口）count view event，折线图需要的是时间序列的 view 计数； - 内存 vs 外部存储：企业客户有限 → 相关 tweet id 可以放内存，但 view event 量巨大 → 用 Kafka 做缓冲 + Redis 做热数据计数 + 定期落盘； - 多租户隔离：企业客户各自看自己的广告 tweet，要按客户隔离计数。 应对方式：提前准备 1-2 道 real-time stream 聚合题（实时计数、实时去重、时间窗口聚合），熟悉 Kafka + Redis 的组合用法（Kafka 做流缓冲、Redis 做热数据/计数器、定期 flush 到持久层），能讲清「内存能放什么、什么必须走外部存储」的边界。

• SD 偏 real-time stream，贴合 X 的海量实时事件流业务
• 考点：实时聚合 + 时间窗口 + 内存 vs 外部存储边界 + 多租户隔离
• 准备 Kafka + Redis 组合：Kafka 缓冲、Redis 热计数、定期落盘
• 提前准备 1-2 道 real-time stream 聚合题（实时计数/去重/窗口聚合）

四、BQ 轮：Growth Pattern 与负面反馈

Twitter/X 的 BQ 轮（第二轮，第二次面 HM）重点是 go through 简历 + growth pattern。一位候选人复盘：「因为我经历比较少所以也没太多可问的，主要是需要说一些 growth pattern，比如你在前一份经历里的缺点在下一份里有没有改进，另外需要多想一些负面的东西，supervisor 对你的负面评价会是什么之类的，这种感觉比较难答一点」。 这道题的考点是自我认知 + 成长轨迹： - Growth pattern：不是「我做了什么」，而是「我从 A 经历学到的缺点，在 B 经历里怎么改进了」——要能画出你的成长曲线； - 负面反馈：「supervisor 对你的负面评价会是什么」——要能坦承一个真实的负面评价，并说明你怎么回应和改进。这题难在不能太正面（显得没自知），也不能太负面（显得有问题），要把握「坦诚 + 已改进」的平衡。 应对方式：准备 2-3 个「缺点 → 改进 → 结果」的故事，覆盖不同维度（技术、协作、沟通）；准备一个「supervisor 给我的负面评价」的真实故事，重点是后半段「我做了什么改进」。X 的文化看重 ownership 和 candor，能坦诚谈负面反馈是加分项。

• BQ 重点是 growth pattern，不是「我做了什么」
• 考「前一份缺点在下一份有没有改进」，画出成长曲线
• 「supervisor 的负面评价」要坦诚 + 已改进，把握平衡
• 准备 2-3 个「缺点 → 改进 → 结果」故事，覆盖不同维度

五、常见挂因复盘

从 2026 年 Twitter/X SWE 候选人的失败案例里，可以归纳出四类高频挂因。 1. Coding 临场发挥用复杂结构。合并闭区间「脑抽想用 stream 方式 + PQ + 手撸 binary search」，结果没考虑合并多个区间的情况，follow-up 又没写完。启示：经典题用最稳的解法，别临场炫技用复杂数据结构。 2. 没主动提优化，follow-up 被动。反例是 Trie 那轮——主动提了优化反而没被追问。如果不主动提，面试官可能追问你没想到方向的 follow-up。启示：边写边主动提优化，把 follow-up 主动权握在自己手里。 3. Real-time stream SD 没准备。「因为没这方面经验，这题做得很一般」——Twitter/X 的 SD 明显偏 real-time stream，没准备过实时聚合的候选人会直接露怯。启示：提前准备 1-2 道 real-time stream 题 + Kafka/Redis 组合。 4. Full-stack 经验不足。HR 反馈「选择了另一个更有 full stack 经验的 candidate」——同等条件下 full-stack 是加分项。纯算法/纯后端背景要有意补充 full-stack 表达（前端、端到端、产品感），或在 coding 里展示端到端的思维。

• Coding 别临场用复杂结构，经典题用最稳解法
• 主动提优化能把 follow-up 主动权握在自己手里
• Real-time stream SD 没准备会直接露怯，提前备 1-2 道
• Full-stack 是隐性加分项，纯后端背景要补 full-stack 表达

六、4 周训练计划

按 Twitter/X 实际流程的权重排优先级：coding 经典题 + follow-up > real-time stream SD > BQ growth story。 Week 1 — Coding 经典题 + 主动优化。Trie（插入/存在/startWith + count pruning/预存结果）、合并闭区间（排序 + 合并 + 阴影面积 sweep line）各做 2-3 遍。重点练「边写边主动提优化」的表达习惯。补 2 道经典题（LRU、top K），练到 clean 能默写。 Week 2 — Coding follow-up 专项 + 在线编辑器。合并区间的阴影面积（sweep line：记录横坐标高度变化点从左到右遍历）、Trie 的删除优化各做 1-2 遍。在 LeetCode/HackerRank 在线编辑器上练，熟悉自己语言的 template 写法，别把时间花在搭环境。 Week 3 — Real-time Stream SD。做 2 道 real-time stream 聚合题（实时计数、时间窗口聚合、实时去重），熟悉 Kafka + Redis 组合（Kafka 缓冲、Redis 热计数、定期落盘）。准备「内存 vs 外部存储边界」「多租户隔离」两个高频追问点。 Week 4 — BQ growth story + 全流程模拟。准备 2-3 个「缺点 → 改进 → 结果」的 growth 故事 + 1 个「supervisor 负面评价」故事。最后两天做 2 次完整模拟（coding 含 follow-up + real-time SD + BQ），请人按 X 的追问强度压，重点练 full-stack 表达。

• Week 1：Coding 经典题 + 主动提优化的表达习惯
• Week 2：follow-up 专项 + 在线编辑器熟练度
• Week 3：Real-time Stream SD + Kafka/Redis 组合
• Week 4：BQ growth story + 2 次全流程模拟

七、如果时间紧迫

如果距面试不足两周，优先级排序是：先保 coding（Trie + 合并闭区间 + 阴影面积 sweep line 练到 clean 能默写，含主动提优化），再保 real-time stream SD（1 道实时计数题 + Kafka/Redis 组合），BQ 压缩到 1 个最强的 growth 故事。X 偏好 full-stack，时间紧时在 coding 和 SD 里有意展示端到端思维，比补前端细节更有效。 如果希望有人帮你按 Twitter/X 的真实题型做一轮模拟（Trie/合并区间 coding 含 follow-up + real-time stream SD + BQ growth 追问），可以预约 30 分钟免费咨询，我们会评估你当前距离各轮 bar 的差距，再决定投入哪个环节。 相关文章：
SWE 面试全解析 · Meta 面试备考指南 · Google 面试备考指南 · 面试辅助服务

• 时间不足两周：coding 含 follow-up > real-time stream SD > 一个 growth 故事
• X 偏好 full-stack，时间紧时在 coding/SD 里展示端到端思维
• 30 分钟免费咨询可评估你距离各轮 bar 的差距