2026 年 9 月第 1 周面经周报：30 条最新面经信号，Anthropic、Meta、Amazon 在面什么

💡 核心要点 (Key Takeaways)

• 本周 30 条信号覆盖 25 家公司，80% 是在职跳槽者；Anthropic（3 条）、Rippling / Addepar / Datadog（各 2 条）最活跃，AI 公司条目占 7 条（23%）。
• 题型雷达：Coding 18 条（60%）是主流，System Design 9 条（30%）是本周最大增量，BQ / HM 7 条；流式处理 + Top K、预约类 SD（库存一致性）是本周高频组合。
• AI 工作流正式进入评分项：Meta、Anthropic、Datadog 共 3 条明确允许 / 要求用 AI，考点是「你会不会用 AI + 会不会验证 AI 输出」，Anthropic 还出现了 agentic AI coding 新题型（PR review + 改进 PR）。
• 6 条标题明确挂经 / 挂面（20%），另有 3 条正文提到拒信，合计 9 条（30%）出现负面结果；挂因方向集中在「职位已 fill / 无明确原因、SD 深度、coding 时间管理」，均为公开社区个体案例，不代表公司整体 bar。
• 准备优先级：在职跳槽者优先 SD（预约类 + timeline 类）+ 流式 Top K 各 1-2 道；应届把 OA 限时当门槛；管理岗位不能松 SD 经典题库。

本周面经速览：2026-08-30 ~ 2026-09-05

这篇周报汇总 2026-08-30 ~ 2026-09-05 这一周从公开面经社区抓到的 30 条最新面经信号（全部来自一亩三分地等社区的公开帖子），覆盖 25 家公司。人群分布上，24 条（80%）是在职跳槽者，2 条是应届毕业生（Intersystems、David AI），2 条标注为管理岗位（Rippling、Roblox），另有 2 条未标注人群（Meta、Citadel）。时间标签上，23 条标注 7-9 月当季信号，其余 7 条为更早发布或分类标签异常的帖子，均按本周有效信号处理。信息日期口径：本篇「信息日期」为各帖子的发帖日期（按 2026-09-05 抓取时刻的 UTC-4，由帖内相对时间「x 分钟前 / 昨天 HH:MM」等换算），逐条标注在第 8 节「逐条来源清单」；分类标签异常的 7 条，其日期为帖子发布时间，不等于面试经历发生日期。

一句话说明这篇周报能给你什么：10 分钟看完「这周哪些公司在面人、各考什么题型、谁挂了、大概率因为什么」，结尾给你一份可以直接执行的 7 天准备清单。所有统计数字都来自本周抓取导出，可复核。

本周谁在面人：按公司分组的活跃度

30 条信号里 4 家公司出现了 2 条以上，其余 21 家各 1 条：

Anthropic（3 条，本周最活跃）：一条 agentic AI coding 新题型（允许用 Claude Code，做 PR review + 改进 PR）、一条 Perf / Infra SDE 完整流程（Recruiter → HM screen → 技术电面 → onsite，HM 面跳过 OA，电面考分布式 mode / median）、一条 recruiter screen（重点 probe「why Anthropic」）。完整备考背景可看站内 Anthropic 面试备考指南。

Rippling（2 条）：管理岗位 SD 店面（题库 news aggregator，面完 10 分钟收拒信）+ 电面 coding（expense rule engine，考 OOP 可扩展性）。
Addepar（2 条）：SD（设计 Ticketmaster，核心是 Ticket 库存一致性与多 Region 路由）+ Round 1 OOD（简化版 Table + transaction / rollback）。
Datadog（2 条）：第一轮 Query / Log Stream Matching（流式匹配 coding）+ Onsite Code Review（给一个巨大 PR 找 bug，明确「expectation is to use AI for everything」）。

单条信号的 21 家公司：Oracle（5 轮全流程，含 2 道流式 Top K 题）、Meta（AI coding 电面）、Amazon（LP + LRU 变体 coding，挂经）、Google DeepMind（research chat 挂经）、BCG（Forward Deploy Engineer 挂面）、Retell AI（voice AI startup，禁 AI 手搓题挂面）、Socure（Design Twitter SD）、Intersystems（NG OA 45 分钟 20 题）、Omnissa（VMware，5 轮全流程）、Commure（Spotify artist payment system SD）、Tesla（factory software QA 岗位求面经帖）、David AI（audio AI processing system SD，应届）、Garner Health（appointment booking SD）、字节（TT Senior 挂经）、LinkedIn（电面 2 道 LC 变体）、Citadel（C++ 算法性能优化题）、Arize（多线程交替打印）、Uber（SDE-II 网格机器人充电 Dijkstra）、Robinhood（店面 load factor 经典题）。

AI 公司占比信号：Anthropic、Google DeepMind、Retell AI、Arize、David AI 合计 7 条，占本周样本的 23%——大约每 4 条面经就有 1 条来自 AI 公司，而且它们的题型（agentic coding、AI workflow、audio AI system design）和传统 SWE 面经差异明显，后面单独拆。上述 30 条信号的逐条直接来源（具体帖子 URL）与信息日期见第 8 节「逐条来源清单」；本节为 30 条帖子的聚合归纳，不复刻任何帖子的逐字内容。

题型雷达：Coding / SD / BQ / ML 各自什么频率

把 30 条信号按题型归类（一条面经可含多轮多题型，按条目计数）：Coding 18 条（60%）、System Design 9 条（30%）、BQ / HM 7 条（约 23%）、OA 2 条、ML / AI system design 相关 3 条、明确把「AI 工作流」当考点的 3 条。各题型的本周典型考点：

Coding（18 条，主流）：
- 流式 / Top K 家族：Oracle 的 URL 日志 Top K 与事件流 Top 100 用户、Datadog 的 Query / Log Stream Matching——「日志 / 事件流 + 滑动窗口 + Top K」是本周最高频组合，追问集中在 Batch vs Streaming、Flink vs Spark Streaming、窗口处理。
- 业务规则家族：Bloomberg 的 fraud transaction 检测（金额 + 60 分钟异地两条规则）、Rippling 的 expense rule engine（Rule 抽象、加新规则不改核心逻辑）、Retell AI 的字符串操作栈（pop / drop / dup / swap + 异常边界）。
- 算法优化与经典变体：Citadel 给一段逻辑正确但 O(N^2) 的 C++ 代码要求在 100us 内优化到 O(N)、Uber 的网格机器人充电（多目标 Dijkstra，状态要含剩余电量）、Arize 的三线程交替打印、LinkedIn 的 LC 605 变体（多 query 且要求 O(1) 查询）与 LC 364 原题、Amazon 的 LRU 变体 cache。

System Design（9 条，本周最大增量）：
- 预约 / 库存一致性：Addepar 设计 Ticketmaster（AVAILABLE → HELD → SOLD 状态机、10 分钟 checkout 超时释放、多 Region 路由到 authoritative region）、Garner Health 预约系统（并发 booking 防 double booking + 疫苗流量暴增的 scale-up）。
- Timeline / 社交：Socure 的 Design Twitter（fan-out on write vs read、大 V 特殊处理、Redis 缓存、High Availability）。
- 支付 / 结算：Commure 为 Spotify artist 算 streaming 分成（idempotency key + external payment service）。
- 日志 / 流平台与 AI 后端：Oracle 的日志收集系统（HLD + NFR + 核心方法 LLD）、David AI 的 audio AI processing system（scalability + workflow orchestration + GPU 资源调度）。
- 共同 follow-up 模式：read >> write 的 scale 方案（cache / read replica / sharding）、写一致性防 overselling、组件挂掉后的高可用。

BQ / HM（7 条）：Amazon 的 LP 追问（ownership / challenge，追问 AI 相关影响与用户量）、Omnissa HM 的项目 HLD 深挖 + 一组 prioritization 问题（competing priorities、多任务如何排优先级）、Anthropic 的 HM screen 与 recruiter 都 probe motivation 和「why 这家公司」。项目深挖 + 能接住两层追问是共同要求。

ML / AI system design（3 条）：GDM 的 research chat（深挖你之前的 work 和他们在做的 work）、Meta 电面开场让你介绍自己设计的 AI system、David AI 的 audio AI 后端设计。

OA（2 条）：Intersystems 的 NG OA（45 分钟 20 题，grid 主题，没做完）、Anthropic 流程里有 OA 但 HM screen 可跳过（本篇流程就是 skip 的）。

AI 工作流考点（3 条明确）：Meta 的 AI coding（maze solver，「同时跟面试官解释、又跟 AI 聊天」是练习点）、Anthropic 的 agentic coding（用 Claude Code 过 4 个 PR + 改进 1 个）、Datadog 的 Code Review 轮（PR 巨大、要求全程用 AI 定位关键 bug、「don't forget to validate AI suggestions」）。

Oracle 的流式 Top K 题和 Citadel 的算法优化题，题型方向可对照站内 Oracle 面试备考指南 里的高频题族，这里不复述。

挂经信号分析：本周谁挂了、挂在哪

标题明确写「挂经 / 挂面 / 秒拒」的 6 条，占 20%：Rippling（秒拒）、Amazon（挂经）、Google DeepMind（挂经）、BCG（挂面）、Retell AI（挂面）、字节 TT Senior（挂经）。另有 3 条正文提到「拒信 / 挂了」（Roblox、Anthropic ×2），合计 9 条（30%）出现负面结果。

把这些公开信号里的挂因方向归一下类（注意：全部是公开社区个体案例，单候选人样本，不代表公司普遍规律）：

方向一：职位已 fill / 无明确原因。Rippling 自述准备充分、follow-up 都答上来了，面完 10 分钟收拒信，怀疑职位已被 fill；GDM 面得 ok、4 轮 research chat + HM 全走完，自述「可能和内部变动有关系」；TT Senior 两道题纯手写完、思路讲了、所有 test case 跑完，隔天出结果还是挂，作者自己定位是「练手心态」。这类挂因的共同点是：你控制不了的部分（招聘节奏、内部变动、岗位是否还开）决定了结果。

方向二：SD 深度不够。Roblox 是第一次 SD 面，没来得及准备，还犯了个关键设计错误（引入 kafka queue 让同步系统变 async），几天后收拒信；BCG 连 adjacency matrix 的语义都没读懂就开写，写题偏少，follow-up 把 BFS 改成 weighted graph（要 A* / heuristic）后更写不完。管理岗位的 SD 面挂在这，和 IC 没区别。

方向三：coding 时间管理与边界处理。Amazon 在没完全看懂题的情况下浪费大量时间，LRU 变体 cache 最后写不完；Retell AI 忘了处理负数字符串（"-5"）导致程序直接崩，作者自评「习惯 AI 写代码，连这种题都挂」。一个细节信号：Retell 这场明确禁止任何 AI / AI suggestion，手搓环境里边界 case 的裸能力就是下限。

方向四：表达与叙事。Meta 电面开场让你介绍自己设计的 AI system，磕磕绊绊讲完，面试官「似乎不太满意」，作者自述「可能是不够高大上」——AI 公司问你的 AI 项目，考的是你能不能把系统设计讲得有结构、有价值主张。

反例同样存在：本周 Anthropic 有一条完整流程是 Recruiter → HM → 电面全 pass 拿到 onsite 邀请的，Oracle 是 5 轮全流程正常走完的。挂经占比 20-30% 是社区发帖的幸存者偏差结果（挂的人更愿意发帖），别把它读成「这些公司很难进」。

本周值得注意的 5 个信号

从 30 条里挑 5 个信息量最高的点展开，每个都给出「对准备面试的人意味着什么」：

1. Anthropic 出现 agentic AI coding 新题型。给一个 online code 环境 + 类似 GitHub 的网站，里面有 4 个 PR，允许用 Claude Code；第一部分逐个 PR 讲解它解决了什么问题并写 review comment，第二部分选一个 PR 改进并 update。作者面挂了，且坦承「不知道考点在哪里」。

意味着什么：AI 公司的 coding 题正在从「你写得出代码」转向「你能不能用 AI 完成工程任务（review / 重构 / 改进）」。考点是你对 PR 的判断、你的 review 质量、你对改进方案的取舍，模型只是工具。另外语言固定（那篇是 TypeScript，问面试官不能换）——你的主力语言如果不是目标岗位语言，要提前练到能读能改。

2. 「AI 工作流」正式成为评分项，而且考验证能力。Meta、Anthropic、Datadog 三条都明确允许 / 要求用 AI。Datadog 那条最直白：PR 和 README 都巨大，「expectation is to use AI for everything. They judge you on how well you use AI」，手动做来不及，而且「don't forget to validate AI suggestions」——AI 给的 bug 排序和修复建议要你来验证，验证本身是考点。

意味着什么：准备时练两个动作——(a) 和 AI 对话的同时还能跟面试官解释（分屏 / 双任务能力）；(b) 对 AI 输出做一轮独立验证（跑测试、查边界），能说出「AI 建议 X，我验证后发现 Y」。1-shot 贴输出在这类轮次是减分的。

3. 字节 Senior 挂经里暴露了平台问题。TT Senior 那篇提到官方 coding 的 python IDE 多次 timeout，作者以为是写死循环，其实是跑得慢；两道题纯手写完、编译通过、test case 全过，仍然挂。

意味着什么：平台问题不可控，可控的是「在烂环境下依然能交付」——遇到卡顿先和面试官确认是环境问题再继续，别浪费时间在猜测上；也提醒练手心态的候选人：「写完 + 能跑」是底线，不是充分条件，表达和 follow-up 同样占分。

4. 管理岗位的 SD 也走经典题库。本周两条管理岗位面经（Rippling、Roblox）的 SD 分别是 news aggregator 和 shared todo list，都是经典题库题，且两条都没过。另一条信息：Anthropic 的 candidate portal 里 onsite 包含 System Design（从 first principles 推导 bounds）+ Network Debugging（role-play 排查生产环境网络问题）两轮，说明 infra 方向的管理 / senior 岗位 SD 只会更硬核。

意味着什么：IC 转管理或走管理岗的候选人，别假设管理面只聊 leadership——经典 SD 题要按 IC 标准准备，而且 Network Debugging 这类 role-play 轮值得专门找场景练一次。

5. 非 SWE 岗位的面经供给仍然稀缺。Tesla 那条是「有人最近面试过 Tesla factory software 的 QA 吗」的求经帖——code 环节考什么、要不要 LeetCode，作者自己都不清楚，帖子在收集信息。加上 BCG 的 Forward Deploy Engineer（项目深挖 30 分钟 + 手撕 LC 30 分钟）这类混合岗，公开信号都很少。

意味着什么：如果你面的是 QA / FDE / 混合岗，公开面经社区能给你的上限就到这里，信息差要靠内推和前员工补齐；反过来说，这类岗位竞争者更少，信息差本身就是优势。

不同人群本周怎么打

按本周样本的人群分布（在职跳槽 80%、应届 7%、管理 7%）分三组给建议，每条都对应本周真实信号：

在职跳槽者（24 条，本周绝对主流）：
- SD 优先补：9 条 SD 是本周最大增量，follow-up 全部指向「并发一致性 + scale + 高可用」。挑预约类（Addepar Ticketmaster / Garner Health appointment）和 timeline 类（Socure Twitter）各 1 道，按「核心实体 → 功能需求 → 一致性方案 → scale → 高可用」五段练到 45 分钟完整输出。
- 流式 / Top K 补 1-2 道：Oracle 两道 + Datadog 一道都指向「日志 / 事件流 + 滑动窗口 + Top K」，追问 Batch vs Streaming、Flink vs Spark 要能脱口而出。
- BQ 准备 ownership 故事：Amazon LP 明确追问 ownership / challenge 且往 AI 影响上追问，准备的故事要能答出「AI 相关、影响了多少人、mgr 反应」。

应届毕业生（2 条：Intersystems、David AI）：
- OA 是门槛不是热身：Intersystems 那条 45 分钟 20 题（grid 主题）没做完，作者直接判断「进下一轮希望渺茫」，而且积分少、看不到前辈经验。应届的 OA 必须限时套卷练，目标是 45 分钟内完成 20 题的 80% 以上。
- AI 公司 SD 补系统思维：David AI 那条（应届）考 audio AI processing system，要求 scalability、workflow orchestration、batch workflow、GPU 资源高效利用和 quality check——应届面 AI 公司别只准备算法，要能讲清「一个 AI 后端服务从数据进来到结果出去」的完整链路。

管理岗位候选人（2 条：Rippling、Roblox，本周都没过）：
- SD 按 IC 标准准备：两条管理岗面经的 SD 都是经典题库题（news aggregator、shared todo list），挂因也都是 SD（一个无明确原因秒拒、一个设计错误 + 拒信）。管理面不是 SD 的豁免区。
- 准备 3-5 道经典 SD 并能接住 follow-up：Roblox 那篇的关键错误是「引入 kafka queue 让同步系统变 async」——管理候选人最容易在 follow-up 里暴露对取舍的理解深度，每道题提前想好「如果我错了，错在哪、怎么改」。

下周准备重点：7 天清单 + 更省力的方案

结合本周题型趋势（SD 增量、流式 Top K、AI 工作流入场），给一份下周 7 天的准备清单，每天一个主题：

- D1：SD 预约类 1 道（Ticketmaster / appointment 任选），练「实体 → 一致性 → scale → 高可用」完整 45 分钟输出，录音回听。
- D2：SD timeline 类 1 道（Design Twitter），重点练 fan-out on write vs read 的取舍和大 V 特殊处理。
- D3：流式 / Top K 1-2 道（URL 日志 Top K、事件流 Top 100 用户方向），写清 Batch vs Streaming、滑动窗口的 trade-off。
- D4：算法优化 1 道（Citadel 方向：给一段 O(N^2) 代码优化到 O(N)，讲清每步替换的理由和复杂度变化）+ 经典 LC 变体 2 道（LinkedIn 方向：多 query O(1) 查询）。
- D5：AI 工作流专项 1 道——用 AI 完成一道 coding / code review 题，全程录音，练「和 AI 对话 + 同时向面试官解释 + 验证 AI 输出」三件事。
- D6：BQ / LP 3 个故事（ownership、技术分歧、失败），每个按 STAR 写 300 字并口述录音，练到能接两层追问（approach → 细节 → reflection）。
- D7：完整 mock 一场（SD 45 分钟 + coding 45 分钟），复盘时间分配，早睡。

如果你想要更省力的方案：本站提供三种支持——OA 代写（业务系统型 OA 完整交付，含测试用例自测）、VO 辅助（面试中实时辅助，0.5-1 秒级支持 coding 和 SD 追问）、VO 代面（有目标公司经验的老师现场作答 Coding / System Design）。三种服务覆盖从 OA 到 onsite 的不同环节，可以先从 30 分钟免费评估开始，看哪个环节最值得投入。

逐条来源清单：30 条帖子的直接来源与信息日期

以下按抓取顺序列出本周汇总的 30 条帖子的直接来源（具体帖子 URL）与信息日期（UTC-4；由帖内相对时间在 2026-09-05 抓取时刻换算，全部 URL 已在真实浏览器逐条验证可访问）。正文各节按「公司 + 题型 / 信号编号」与本清单对应：

• 1. Rippling店面莫名其妙被秒拒（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「6 分钟前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188556-1-1.html
• 2. Oracle 后端与数据方向面经（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「1 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188551-1-1.html
• 3. Roblox店面（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「1 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188549-1-1.html
• 4. Bloomberg Coding 面经（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「1 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188548-1-1.html
• 5. Amazon Resilient Hub挂经（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「11 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188541-1-1.html
• 6. Google-deepmind · GDM RS 挂经 （求加米😭🥹）（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「11 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188540-1-1.html
• 7. Boston-consulting-group · BCG挂面（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「12 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188538-1-1.html
• 8. Retell-ai · Retell AI挂面（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「12 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188537-1-1.html
• 9. socure 面经 System Design（信息日期 2026-09-05，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「12 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188533-1-1.html
• 10. Intersystems Core development Program 2026 oa（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「13 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188530-1-1.html
• 11. Meta · 买它电面（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「18 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188509-1-1.html
• 12. Omnissa (VMware) 面经分享（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「18 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188505-1-1.html
• 13. Anthropic · 人类学 coding，Agentic AI（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「19 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188499-1-1.html
• 14. Anthropic Perf / Infra SDE: Recruiter → HM → Technical Phone Screen → On-site（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「19 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188498-1-1.html
• 15. Addepar 面经｜System Design（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「21 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188479-1-1.html
• 16. commure面经 system design（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「21 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188478-1-1.html
• 17. 有人最近面试过Tesla factory software 的QA吗？（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「21 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188477-1-1.html
• 18. Davidai · david ai system design 面镜（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「21 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188476-1-1.html
• 19. Garner Health 面经（System Design）（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「21 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188474-1-1.html
• 20. Rippling 电面 / Coding（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「22 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188471-1-1.html
• 21. Anthropic · [求加米] 人类学Recruiter Screen（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「22 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188469-1-1.html
• 22. Datadog software engineer 面经 第一轮（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「22 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188468-1-1.html
• 23. Addepar面经（round 1）（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「22 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188466-1-1.html
• 24. Bytedance · TT Senior 莫名挂经（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「22 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188464-1-1.html
• 25. LinkedIn Phone Screen 面经（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「23 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188462-1-1.html
• 26. Citadel 算法优化题面经（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「23 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188461-1-1.html
• 27. Arize 面经（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「23 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188460-1-1.html
• 28. Uber SDE-II 面经（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「23 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188459-1-1.html
• 29. robinhood店面（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「23 小时前」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188458-1-1.html
• 30. Datadog Onsite（信息日期 2026-09-04，UTC-4；按 2026-09-05 抓取时刻由帖内相对时间「昨天 09:58」换算）直接来源：https://www.1point3acres.com/bbs/thread-1188449-1-1.html

FAQ：面经周报高频问题

Q1：面经周报是什么？数据可信吗？
周报是每周从公开面经社区（一亩三分地等）抓取的信号汇总，本周样本是 2026-08-30 ~ 2026-09-05 的 30 条帖子、25 家公司。我们只归纳题型方向、公司活跃度和挂因信号，不复刻任何人的逐字面经。单条面经是个体案例，跨公司、跨条目的共识（比如「AI 工作流在 3 条里都出现」）才值得当趋势读。

Q2：最近哪些公司在面人？
本周 30 条信号覆盖 25 家公司：Anthropic 3 条最活跃（含 agentic AI coding 新题型），Rippling、Addepar、Datadog 各 2 条，Oracle、Meta、Amazon、Google DeepMind、Tesla、Citadel、Uber、LinkedIn、Robinhood、字节等 21 家各 1 条。AI 公司（Anthropic、Google DeepMind、Retell AI、Arize、David AI）合计 7 条，占 23%。

Q3：挂面了怎么办？
先判断挂因类型再决定动作：如果是「职位 fill / 无明确原因」（本周 Rippling、TT 的类型），复盘价值有限，保持投递节奏比纠结这一场更重要；如果挂因指向具体短板（SD 深度、coding 时间管理、边界处理，本周 Roblox、Amazon、Retell AI 的类型），那就是明确的修复信号，按 D3-D5 的方式专项补。注意这些都是公开社区个体案例，同一公司本周也有正常通过全流程的条目，别把个例当公司 bar。

Q4：VO / onsite 怎么准备？
按本周信号的题型结构准备三件套：Coding（18 条，主流，重点补流式 Top K 和业务规则两类）、SD（9 条，follow-up 集中在并发一致性、scale、高可用）、BQ / HM（7 条，ownership 和项目深挖要能接两层追问）。面 AI 公司的话，额外加 D5 的 AI 工作流专项——本周 3 条信号明确把「会不会用 AI、会不会验证 AI 输出」当考点。

Q5：AI 公司的面试真的用 AI 吗？
真的，而且分两种：一种是明确允许（Meta 的 AI coding、Anthropic 的 agentic coding 给 Claude Code、Datadog 的 Code Review「expectation is to use AI for everything」），考的是 AI 工作流能力和对 AI 输出的验证能力；一种是明确禁止（Retell AI 那条全程禁 AI / AI suggestion，手搓环境）。面试邀请里会写规则，以邀请为准；两种环境都要有准备，因为同一家公司的不同轮次可能规则不同。