Amazon 面试辅助：OA、LP、System Design 准备

OA / Coding：数组、图、字符串、堆、interval、模拟和边界测试。

Leadership Principles：ownership、bias for action、conflict、failure、customer obsession。

System Design：L5+ 要准备服务拆分、扩展性、监控、成本和故障恢复。

项目行为面：每个故事准备冲突、行动、量化结果和复盘。

Bar Raiser：同一故事要能接住 why、alternative、trade-off、result validity 和 if redo。

DE / Data：event pipeline、warehouse、data quality、late data、backfill、SLA 和下游影响。

MLE / Applied：recommendation、forecasting、ranking、experiment、offline-online gap 和 rollback。

LP 行为面试权重高，需要每个故事都有冲突、行动和量化结果。

SDE 方向重视 coding 正确性、边界和扩展讨论。

L5+ 需要系统设计和 owner 视角。

Loop 中技术轮和 LP 不是分离的，coding / design 也会追问 ownership、trade-off 和 customer impact。

DE / MLE 候选人要把数据质量、实验指标和生产稳定性讲成业务影响，而不是只讲工具或模型。

选择偶数台服务器分成 primary/backup，backup 容量至少为 primary；每台只用一次，最大化 primary 容量总和，奇数输入怎么办？

每次给任意连续算力区间加正整数 x，最小化所有 x 的和，使数组非递减；如何证明下降量之和最优？

从 n 个带宽节点选 K 个不同有序下标对，允许自配对和镜像对，最大化带宽和；K 很大时如何避免枚举？

不同仓库的两件可以一次发，同仓只能单发；任意挑选物品，发完全部最少多少次？

对 1..n 每个数字选择正负号，使总和为 target，并返回排序后字典序最小的排列；如何线性构造及判无解？

字符串由 0、1、! 组成，替换 ! 最小化所有 i<j 的 01/10 对成本 x·count01+y·count10；如何线性枚举切分并正确取模？

百万至千万 HTTP 温度传感器，十秒采样、近实时地图、一天至一年 min/max/current 查询且多年运行，如何拆写入、历史存储与瓦片？

Kindle Reader 离线和多设备同书阅读，如何同步进度、处理并发与回退重读，并保证重试幂等？

Amazon Locker 从单尺寸扩展到多尺寸，如何选最小可容纳空柜，防重复分配并处理取件、超时与硬件失败？

多图书馆支持预约、借取还，同一实体副本的借阅不可重叠；如何建模副本、执行事务并处理通知失败？

Checkout Price Engine 支持百分比、固定减免、买赠及会员资格，isEligible/apply如何组合，怎样定义叠加与舍入？

按文件大小与后缀搜索，如何拆谓词与遍历；跟随 symbolic link 时怎样检测环并定义路径别名输出？

高频check把电量低于50%的机器人送空桩，高于95%离桩，如何保护分配与命令幂等并处理途中状态？

实现随机Playlist，某歌播出后的N次播放都不能再选它；如何均匀抽取、处理重复歌曲并将每次play优化到O(1)？

紧Deadline下完成重要项目时牺牲了什么，如何影响最终质量，怎样验证结果并偿还后续成本？

讲一次信息不完整时的决定：哪些未知会改变选择，等待成本是什么，如何限定行动范围与止损？

讲一次主动承担职责之外的问题：个人行动、权限、跨组协作、用户结果和长期owner如何说明？

系统间歇故障但显眼指标全绿时，你如何定位根因，用了多久，为什么最初假设错？

讲一次不同意最终方案但仍commit的经历：双方理由、决策权、决定后的行动和实际结果是什么？

明知有风险仍推进的项目，风险怎样量化、谁承担下行、兜底阈值是什么，重来会改什么？

没有汇报关系时怎样影响peer配合共同目标，被拒后怎么调整，怎样证明实际落地？

通用Weighted Random支持add(value,weight)与addWithExpiry，按活跃权重抽样；重复值、到期边界与并发怎样定义？

给模型图计算memory size并展示AI prompt/debug；怎样定义逻辑张量字节、共享存储、dtype单位与运行峰值？

节点有整数值，给边起终点，求各连通分量内最大值减最小值的全图最大差；DFS和DSU如何取舍？

设计S3类对象存储：上传/下载API、分块重试、原子发布、后端备份与数据中心事故恢复怎样衔接？

以图片search设计brand logo infringement候选检测，如何拆区域召回、重排、授权上下文与人工审核？

LLM quality validation平台怎样连接layer/tensor/logits/tokens检查、loss/模型裁判/人工评价和异步推理任务？

Computer Use Agent从pretrain、posttrain、RL到inference如何连接，怎样定义观察动作、任务奖励、验证与恢复？

RAG怎样评估？专家ground truth、BLEU/ROUGE和无标签cosine相似度分别衡量什么，如何识别事实反转与缺证据？

Amazon OA：字符串第一个不重复字符，计数与在线追问：两遍扫描保留原顺序，区分字符索引与字节索引，并解释流式候选队列。

Amazon OA：组内差不超过 maxdiff 的最少分组：排序后从最小未分配值建立最长可行组，以交换论证证明贪心。

Amazon AS OA：给剩余预算，怎样完成最多任务：将完成时间减已用时间，排序剩余成本，证明最低成本优先并澄清已完成任务口径。

Amazon AS OA：利润和为 target，按数值去重计数：区分位置对与数值对，使用频表约束双元素自配，并以规范顺序避免重复。

Amazon Coding：每位用户订单与广告事件的最近时间对：先按用户拆分两条时间有序流，再双指针求绝对时间差，明确归因方向与并列输出。

Amazon AWS Coding：乱序收包裹，返回最大 ID 和缺失列表：用幂等接收集合表达正确状态，分析查询输出下界及巨大稀疏 ID 的区间压缩。

Amazon Robotics：一滴水从给定点流下，哪些格子会湿？：按有向可达性遍历低处邻格，区分单起点扩散与两海洋逆向搜索。

Amazon AS：不用除法求除自身外乘积，零与溢出怎么处理？：输出数组保存左乘积，再累乘右乘积，解释常数辅助空间与精确整数边界。

Amazon 前端 Coding：失败后持续失败，二分找首次失败日志：在False到True的单调状态上做lower bound，明确时间顺序、无失败和可观测起点。

Amazon Intern：两个有序数组原地合并，为什么从尾部写？：借尾部容量避免覆盖尚未读取数据，说明降序、无序和没有空余空间的合同变化。

Amazon 课程表：可完成、修课顺序与具体环路径：Kahn给出顺序，失败后用显式DFS栈提取闭环，避免把所有残留节点误当环。

Amazon NG：不用排序签名，按字符计数分组 Anagrams：用完整26维计数元组建立可证明的等价类，说明质数乘积的精度与溢出。

Amazon Coding：先增后减数组，二分找最大峰值：用相邻斜率排除半区，解释端点、平台以及一般局部峰与全局最大差别。

Amazon VO：行星碰撞，栈与连锁消除的循环不变量：仅处理左侧向右和新来向左的相遇，覆盖相等抵消与多次碰撞。

Amazon VO：合并三个有序数组并去重，再扩展到 K 路：堆维护各流当前最小项，输出去重与推进重复流分别处理。

Amazon Coding：频率 Top K，桶排序与持续流更新：先统计频次再选K项，固定并列口径，区别元素大小 Top K 与超大日志聚合。

Amazon Customer Obsession：理解用户后，怎样推翻技术方案？：从用户证据到方案改变和效果验证，回答“改善产品”与“推翻原方案”的同题变体。

Amazon Are Right A Lot：判断被证明错误，怎样承认和修正？：把原判断、反证、承认时点和修正后代价串起来，避免事后把错误包装成成功。

Amazon Invent and Simplify：复杂问题怎样得到简单解法？：用删掉的复杂度、仍保留的要求和失败边界证明“简单”有实际价值。

Amazon Hire and Develop：怎样帮助同事成长？：定义能力缺口、渐进授权与独立完成证据，把教会和代做区分清楚。

Amazon HM：最需要提升的地方，怎样讲真实短板？：选择影响过工作的具体短板，展示改进机制、残留问题和未来验证。

Amazon Learn and Be Curious：最近主动学了什么，怎样用起来？：从未知问题到学习试验与迁移，回答学新技术及 GenAI 的行为追问。

Amazon Intern BQ：Why Amazon 和 Why This Program 怎样回答？：把个人目标、具体岗位信号与已有能力连接，避免编造团队或实习政策。

Amazon LP：收到严厉负面反馈，怎样回应并改变？：讲清具体反馈、核实与行为变化，兼顾有依据的接受和有证据的异议。

Amazon Deliver Results：错过期限，怎样承担责任和修复？：重建预警与决策时间线，量化延误影响，避免把成功救火当按时交付。

Amazon Customer Obsession：拒绝用户请求，怎样解释和替代？：核对用户真正目标与拒绝理由，提出可用替代并记录影响与后续反馈。

Amazon OA：安全单位最多左移一格，最大保护人口：把连续单位段转为少保留一个城市的选择，证明相邻段候选范围不重叠。

Amazon OA：加法预算下，选 M 个数最大化 Bitwise AND：从高位到低位试掩码，以每个数满足掩码的最小增量及 M 个最低成本判断可行。

Amazon Intern OA：最大 K，使至少 K 个实例评分 ≥ K：降序排序寻找最后合法排名，解释阈值单调性和截断桶的线性优化。

Amazon Meeting Rooms I：一个人能否参加全部会议？：排序检查相邻区间，固定半开边界，说明零时长与时区输入的处理。

Amazon Meeting Rooms II：最少房间数与最大重叠：用结束先于开始的事件扫描，证明并发下界可通过复用房间达到。

Amazon Meeting Rooms III：延后会议后，哪个房间最忙？：双堆处理最小房号与最早空闲，保持会议时长和原始排队顺序。

Amazon OA：稀疏袋子区间，长度 K 窗口最大价值：将闭区间改为半开边界，前缀质量积分查询窗口，枚举所有斜率变化点。

Amazon NG：岛屿数、最大面积与逐行矩阵输入：四邻接遍历完整矩阵，再解释只保留行前沿的连通分量封口与面积累积。

Amazon Cache：TTL + LRU，主动过期怎样避免旧计时器误删？：OrderedDict维护访问顺序，最小堆处理过期，版本号识别过时记录并定期压缩。

Amazon OOD：Keyboard + Mouse 输入系统怎样设计？：先用有序事件流表达键盘与鼠标输入，再拆设备适配、状态与订阅处理。

Amazon OOD：日志过滤、错误计数与小时 Histogram：从统一过滤合同出发，保持筛选集合、错误计数和时间分桶一致。

Amazon AS ML Coding：手写线性回归与 Backprop：从平方损失推导权重和偏置梯度，用SGD同时更新并通过有限差分验证，不把框架API当推导。

Amazon OA：每个前缀最多分成多少等长同频块？：用总字符频次的GCD筛候选块数，再以精确前缀频次向量核对，避免把必要条件当充分条件。

Amazon AS ML Coding：Dropout 为什么除以保留概率？：实现训练和推理分支、复用mask的反向传播，证明期望保持并说明MC Dropout的适用边界。

Amazon Coding：Rotten Oranges，为什么所有源同时入队？：用多源最短传播时间而非依次模拟每个腐烂点，核对无新鲜和不可达。

Amazon VO：免费公交加步行，怎样判断 K 街以内可达？：把公交边赋零步行成本、站点间步行赋曼哈顿成本，求最小累计步行。

Amazon OA：IP 黑名单 * 匹配与最近五次请求限频：点号按字面处理，独立核对通配匹配和短请求窗口，不让被屏蔽请求消失。

Amazon OOD：Doc/Tag 类与多线程反向索引：同一事务维护文档和Tag关联，核对查询快照、删除、重复标签及锁粒度。

Amazon System Design：Bookstore 浏览与购买链路：拆书目、库存、订单和支付状态，解释并发抢最后一本、幂等与通知失败。

Amazon Cache 变体：返回某个 Key 的最大时间戳 Value：按事件时间保留最新值，明确同刻策略，避免把类似缓存的描述误写成LRU。

Amazon Coding：字典中的词能否由可重复使用的词拼成？：按字符位置做分词DP，排除直接用自己一次的平凡答案，并核对重复词与空串。

Amazon L6：查询树常量折叠，什么才是“安全节点”？：后序访问projection、predicate与子查询，保留类型、NULL、错误和函数副作用语义。

Amazon Dive Deep：深入分析时，怎样确认研究的是正确问题？：区分目标、症状和假设，以价值、信息增益与反证决定分析顺序。

Amazon Operational Excellence：On-call 告警第一反应是什么？：从用户影响和止损开始，保留升级、值班交接与恢复确认，避免只说看dashboard。

Amazon Cost：主动降本或性能治理，怎样证明没有转移成本？：在成本、用户质量与维护负担之间建立基线和护栏，报告按量归一化的实际收益。

Amazon Ownership：自己引入的复杂度导致问题，怎样处理？：承认设计选择、拆除不必要状态，并验证修复没有继续叠补丁。

Amazon RPN OOD：自定义 Operator 与计算逻辑怎样接入？：用arity与compute注册表驱动栈求值，保持操作数顺序并定义错误语义。

Amazon Graph：枚举 Start 到 Target 所有路径，遇环怎么办？：按单条路径的访问集合回溯，区别全局visited与有环图无限walk。

Amazon Graph：连通分量有多少个，孤立节点算不算？：从N个分量开始，DSU只在不同根合并时减一，核对自环、重边和方向。

Amazon Sliding Window：最长无重复子串，左边界为何不能倒退？：用字符最后位置推进窗口，区分连续子串与子序列及Unicode口径。

Amazon LP：失败项目或最大错误，怎样保留真正损失？：明确成功标准未达成的部分、个人责任与修复结果，区分判断错和整个项目失败。

Amazon Project Deep Dive：最自豪或最有挑战的项目怎么讲？：建立目标、约束、个人技术选择与结果证据，避免把团队成绩写成个人全包。

Amazon Ownership：项目职责不清，怎样建立 Owner 与交付边界？：把未认领工作拆成决策、执行和验收责任，先核协调权再推进。

Amazon BQ：知道任务，却不知道从哪里开始怎么办？：从验收和最小未知出发设计第一个可验证动作，说明求助与试验如何减少不确定性。

Amazon Coding：无限次股票交易含手续费，Cash/Hold 怎样更新？：两状态DP保留旧日状态，每次卖出扣费，避免费用重复和未平仓虚增收益。

Amazon AS：前 K 大的数，别和频率 Top K 混淆：小顶堆保留最大的K个位置值，重复值照计并说明排序输出成本。

Amazon Coding：最多翻一格 0，最大岛屿面积是多少？：给现有岛编号，再合并零格四邻不同分量，避免重复加同一岛。

Amazon OOD Coding：对象上下左右移动，返回最终坐标：显式方向映射与坐标合同，说明批次验证、非法指令和可交换移动的边界。

Amazon AS Coding：按 User 与 Action 统计总次数：用二层频表聚合完整记录，澄清date不参与总量键以及缺字段和重复事件。

Amazon OA：所有子数组 Top Two 差值，去重后求和：用单调栈提取可成为最高/次高的相邻支配关系，避免二次枚举连续子数组。

Amazon OA：查询区间里，恰好 K 个进程运行多少秒？：把闭区间结束移到end+1事件，按并发数建立压缩长度前缀，支持巨大时间与零并发。

Amazon OA：整体反转与左转一格，最少操作不能只数旋转：利用二面体关系证明最多需两次反转，核对可达排列及旋转方向捷径。

Amazon OA：全局替换数值，让每种值只占一个连续块：把同值首末区间的重叠闭包转为最细分段，最少操作等于不同值数减区间分量数。

Amazon EM 计算题：MLP Batch 1 与 256 的 Roofline 下界：按给定带宽与峰值估算冷权重单次前向，明确融合、缓存和实际kernel效率的限制。

Amazon EM LP：怎样处理 Low Performer？：以具体期望和观察确定差距，提供支持与可检验改进，而不是给人贴标签。

Amazon EM LP：高挑战工作与 Team Health 怎么平衡？：定义挑战收益、持续负担和降载阈值，避免用一次冲刺掩盖长期不可持续。

Amazon EM LP：怎样让团队保持动机？：将共同目标连接到个人发展和自主空间，核对激励是否实际改变行为。

Amazon AI Coding：已有 Repo 的失败测试怎样定位与修复？：把Test→Route→Handler→Data→Response连接起来，核对最小补丁与AI建议，原始代码缺失仍待核。

Amazon OA：House Robber II 环形相邻约束怎样拆？：将不同时选择首尾转换为两条线性DP，处理单元素与常数辅助空间。

Amazon LFU：O(1) 频率桶与分布式数据流追问：频率+桶内LRU维护淘汰顺序，明确成功访问、更新和跨分片近似的边界。

Amazon ML Coding：手写 Decoder-only GPT 的四个类：MultiheadAttention、Feedforward、DecoderLayer、GPT：从形状和因果掩码到残差、输出logits与独立验证。

Amazon Coding：两个有序数组的第 K 小，二分划分如何证明？：在短数组二分左半部分元素数，处理重复值、空数组和一基k；区分随机访问数组与链表。

Amazon LC98：验证 BST 为什么必须传全局上下界？：用严格开区间校验每个节点，避免只比较父子；迭代实现支持深链和任意大小整数。

Amazon Coding：返回重复数据，每个值只输出一次：区分重复值、重复记录和多余次数，双集合保证单次输出，并明确结果顺序。

Amazon Coding：合并区间，端点相接究竟算不算重叠？：先固定闭区间语义，再用排序扫描维持覆盖不变量；与会议室半开区间的边界区别。

Amazon Coding：普通二叉树 LCA，目标缺失和同一节点怎么处理？：按节点身份求最近公共祖先，后序返回命中数，避免按值混淆重复节点或误用BST路径。

Amazon ML Coding：K-means 手写与距离矩阵的维度优化：Lloyd分配/均值更新，处理空簇和停止条件，从双循环到广播或矩阵乘法计算距离。

Amazon Statistics：多维两样本整体分布检验，30 对 30 如何回答？：把用户特征和图像分布归入同一两样本问题，区分均值检验、MMD、分类器检验与低功效结论。

Amazon ML：Transformer 与 RNN 的长序列和并行取舍：区分训练并行与自回归生成，比较attention二次成本、RNN顺序依赖和长期信息路径。

Amazon ML：如何用 Decoder-only 模型生成句子 Embedding？：从因果hidden states选pooling，处理padding/EOS，设计对比训练与检索评估。

Amazon OA：价格转移限制 x≤y，先证明可达性再谈最少操作：总和守恒、前缀单调与有限状态BFS；给小规模精确答案，标明原帖缺规模时不能承诺高效OA解。

Amazon Coding：停车事件峰值与漏扫 Exit，哪些区间能确定？：按车配对生成半开会话、同时间事件批处理，区分完整日志峰值与缺失退出下的上界。

Amazon Coding：从阅读顺序推荐下一本书：相邻转移频次模型、确定并列与冷启动政策，保留原帖未给的文件格式和过滤规则。

Amazon Coding：时钟夹角，时针在分钟内也移动：小时归一化、连续时针位置、较小夹角与整数算术；避免仅按小时整点计算。

Amazon ML：全新用户没有历史，推荐模型究竟输出什么？：从未知user embedding的实际行为讲起，设计内容/上下文fallback、探索与新用户偏差评估。

Amazon Statistics：新 UI 的 CTR 上升、CVR 不动，先查分母再解释：拆曝光到点击到下单漏斗，核随机化与实验功效，处理小用户层和多重探索。

Amazon ML：为什么选这个 Learning Rate Scheduler？：将warmup、cosine、step与plateau关联到训练证据，明确更新步、恢复状态和比较预算。

Amazon ML：Gradient Clipping 裁什么，什么时候有用？：区分全局范数与逐值裁剪，解释AMP反缩放、梯度累积和分布式全局范数。

Amazon ML：预测 Query 与商品相关性，怎样超越 Cosine Similarity？：定义人工相关性等级，区分语义/词法/结构约束、点击偏差和多阶段检索排序。

Amazon ML：Bias–Variance Trade-off，先说清误差分解的条件：平方损失分解、训练集重复实验与容量/正则取舍，避免把单次训练差解释成variance。

Amazon ML：Double Descent 为什么不等于模型越大越好？：区分模型规模、训练epoch与样本轴，讨论插值附近不稳定、正则和验证设计。

Amazon ML：上线比离线差，按什么顺序排查？：从指标/数据合同到特征服务、候选覆盖与实验偏差，逐层对照线上实际输出。

Amazon ML：Adam 与 AdamW，Weight Decay 为什么不能只写 L2？：动量、偏差修正与解耦衰减，区分SGD等价条件和自适应预条件下的差别。

Amazon LLM：LoRA 的矩阵形状、初始化和合并成本：冻结基座加低秩更新，计算参数量，说明训练内存与量化/多适配器推理边界。

Amazon RL：PPO Clipping 的 Advantage 正负怎么影响目标？：概率比、旧策略rollout和clip surrogate，解释裁目标不等于强制参数信赖域。

Amazon LLM：RLHF 与 DPO，比较的是哪一段训练流程？：偏好数据、奖励建模与直接偏好目标，明确reference、log-prob求和和离线覆盖限制。

Amazon ML Coding：PyTorch InfoNCE，正样本下标与梯度怎样核对？：成对双塔embedding、in-batch negatives、稳定cross entropy和对称损失，独立标量与有限差分验证。

Amazon LLM：RoPE 公式为什么让 Q·K 含相对位置？：二维旋转块、频率与坐标布局，核对KV cache位置偏移和长上下文外推边界。

Amazon ML Coding：PyTorch Training Loop，更新与评估边界怎么写？：train/eval、清梯度、前向loss反传更新和按样本加权指标，用手算SGD独立验证。

Amazon LLM：KV Cache 缓存什么，怎样估算内存与 Decode 成本？：区分prefill/decode、K/V与Q，计算GQA缓存规模并核位置、版本和前缀复用。

Amazon LLM：FlashAttention 为什么省显存，但不是线性 Attention？：分块与在线softmax合并，避免完整score/probability写回，解释精确性、重计算与测量范围。

Amazon ML Deep Dive：为何选这套 Metric，Validation 怎么划分？：将业务目标、标签/样本单位、数学指标与时间/用户划分连起来，区分RAG评测与监督任务。

Amazon ML：一千万条数据，Logistic Regression、Boosting 或神经网络？：由特征形态、交互、校准和部署约束决定候选，样本数不能单独决定模型。

Amazon ML：Random Forest 能不能处理 Time Series？：用只含过去的lag特征构造监督问题，区别序列归纳偏置、滚动验证和外推限制。

Amazon CV：Edge Detection Kernel 叫什么，为什么能检测边缘？：说明Sobel方向导数核、平滑与差分，区分梯度响应、阈值边缘和Canny完整流程。

Amazon Statistics：P-value 是什么，它不告诉你什么？：条件于零模型的尾概率、统计量方向与效应大小，解释多重选择和低功效。

Amazon ML：Causal Inference 从什么问题开始，而不是先选方法？：定义干预与ATE/ATT，区分预测关联、随机实验和观察识别条件，检查混杂/重叠。

Amazon ML：Gradient Descent 与 Backpropagation 是同一件事吗？：用一层模型解释链式求导和参数更新，核共享参数、batch归一化与计算图。

Amazon ML：梯度消失/爆炸，Activation 与初始化怎样影响它？：链式乘积、sigmoid饱和、ReLU死区与方差传播，区分norm clipping和结构修复。

Amazon ML：L1/L2 正则，稀疏性、尺度和 Optimizer 合同：对比绝对值与平方惩罚、近端soft-threshold及多重共线性，衔接AdamW解耦区别。

Amazon Coding：Word Search II，Trie 与路径回溯如何共享剪枝？：字典前缀树、路径内visited、终止去重与安全删除空支，明确标准题训练和未知变体。

Amazon Coding：Valid Parentheses，栈顶匹配与前缀不变量：匹配三类括号嵌套，区分只计总数、非括号字符政策与流式验证。

Amazon Frontend OA：Vanilla JS 愿望清单，状态与 DOM 合同怎么守？：初始5行、每次多5行、30行禁用，同一按钮切换愿望状态；真实DOM动作序列独立验证。

Amazon Frontend OA：表单验证全部通过后，再追加一整行：name/phone/email规则注入、逐字段错误状态、submit拦截与原子append；原题正则条件保留待核。

Amazon Frontend：10 个 100px 方块，扩到 100 个并做可访问分页：固定盒尺寸、flex换行、分页状态与原生按钮语义，用React实际DOM交互对照验证。

Amazon AS：Hyperparameter Tuning，怎样用有限预算找出可靠配置？：Grid、Random、Bayesian与多保真搜索的选择，重点解释验证泄漏、早停偏差与实验可复现性。

Amazon AS：Decision Tree 与 Random Forest，分裂、Bagging 和 OOB 如何解释？：从加权不纯度与叶子预测讲到随机森林的方差、树相关性、OOB边界和缺失值合同。

Amazon AS：CNN、全连接与 ViT，空间结构和规模怎样影响选择？：卷积共享参数、局部感受野、patch注意力与尺度成本，用同一图像输入比较并界定适用条件。

Amazon AS：Scaling Laws，固定算力该增参数还是增数据？：把经验幂律、训练算力预算与推理成本分开，说明外推、数据质量和指标转换的边界。

Amazon AS：Pre-training 与 Post-training，数据、Loss 和验收怎样变化？：从next-token NLL到SFT回复mask与偏好优化，给出标签错位、padding和评估边界。

Amazon AS：GRPO，组内相对奖励怎样替代 Critic？：以DeepSeekMath outcome监督为范围，解释组内优势、PPO裁剪、零方差组和采样成本。

Amazon Coding：滑窗中位数，离窗删除和双堆大小怎样保持正确？：先给精确有序窗口实现，再讲双堆惰性删除、重复值与隐藏空间增长。

Amazon Coding：Regex Matching，点号与星号怎样做完整匹配 DP？：完整匹配、零次重复与一项以上重复的状态转移，明确只含点号星号的训练语法。

Amazon Intern：输出奇数，负数和超过 32 位的整数怎么处理？：看似一行的题也要明确整数合同、流式输出、负余数与输入解析。

Amazon Intern：Inheritance 与 Polymorphism，重写方法到底证明什么？：区分代码复用与动态派发，围绕父类合同、替换原则和组合边界组织例子。

Amazon Intern：Constructor、Destructor 与 Python __del__，生命周期怎样回答？：区分创建、初始化、终结与资源释放；解释引用、循环和上下文管理器的确定性边界。

Amazon AS：Float 类型与精度丧失，Ablation 怎样找到首个偏差？：FP32、FP16与BF16的范围/有效位，区分溢出、量化与累加误差，给受控精度实验路径。

Amazon ML Systems：Parallelism 与 Collectives，列切后为何接行切？：从矩阵形状解释Tensor Parallel MLP，结合DP、Pipeline、参数分片与通信拓扑取舍。

Amazon Frontend：朋友买过而自己没买过，怎样按产品 ID 求推荐？：从原user/purchase/product结构求集合差，处理重复朋友、重复购买与同名产品。

Amazon Frontend：URL 跳转表，怎样判断用户能否到达目标页面？：先确认跨用户是否允许串边，再建有向图、visited与零跳合同。

Amazon Coding：让图全连通，最少移动几条边？：用边预算与连通分量证明c−1，并说明重接操作、重复边和不可行条件。

Amazon Coding：有向图插入一条边，怎样验证不会产生环？：新边source→target前检查target可达source，解释输入DAG前提与原子更新。

Amazon AS：RL 的基本成分，状态、动作、奖励和策略怎样连起来？：用一个短任务讲清MDP、return、value与policy，区分即时奖励、探索和部分可观测。

Amazon AS：Surprisal 的单位是什么？Bits、Nats 与 NLL 怎样换算？：从负对数概率到熵与perplexity，给零概率、连续密度及tokenizer比较边界。

Amazon AS：Search Agent 多轮怎么做？Context 过长怎样保留证据？：区分消息历史、任务状态与证据库，用预算、检查点和版本化摘要控制多轮搜索。

Amazon Frontend：Reusable Dialog，标题、关闭与 Action Buttons 怎么设计？：用可复用接口、受控状态与异步动作说明组件合同，补焦点和生命周期边界。

Amazon System Design：图片社交网站，大幅用户增长怎样拆容量与瓶颈？：上传、处理、CDN和动态Feed的增长预算，明确发布状态、幂等、删除传播和降级取舍。

Amazon Principal：全球 Metadata，强一致写与低延迟读怎样定合同？：解释读一致性分级、quorum、区域故障与版本回滚，明确跨区延迟无法被缓存抹掉。

Amazon Principal：现有系统六个月后哪里会坏？不增人怎样改？：用约束、证据与风险排序做Architecture Review，给可执行迁移和停止线。

Amazon Principal：怎样衡量一个平台是否成功？：从消费团队任务成功、可靠性、采用与单位成本建立指标，避免只看调用量。

Amazon Principal：怎样防止平台团队成为 Bottleneck？：用支持需求分类、自助接口与可升级边界减少等待，同时守住高风险操作。

Amazon Principal：怎样让其他团队采用你的平台？：从真实需求和试点到迁移、兼容与反馈，不用强制采用数字替代价值。

Amazon SA Intern：什么是 DNS？缓存、权威服务器与故障怎么讲？：按一次查询解释DNS分层解析，区分名称解析、网络连接和服务切换。

Amazon SA Intern：什么是 IP？地址、路由、端口和 CIDR 怎样区分？：解释网络层寻址与尽力而为传递，给子网例和IPv4/IPv6边界。

Amazon SA Intern：SQL 与 NoSQL 怎么选？从访问模式和事务范围回答：区分数据模型与查询语言，避免把一致性、schema和扩展能力二分。

Amazon SA Intern：什么是 ETL？增量、重试和数据质量怎样说明？：从Extract/Transform/Load讲到watermark、late data、幂等和ETL/ELT差异。

Amazon SA Intern：OOP 与 Functional Programming，状态和组合怎样比较？：用同一结算任务解释对象职责与纯函数变换，讨论副作用、不可变性和混合使用。

Amazon SA Intern：为什么做 Solutions Architect？怎样给非技术用户讲方案？：按岗位动机与技术沟通要求准备，连接真实经历、客户目标与方案取舍。

Amazon System Design：Package Installer，依赖顺序、版本冲突与 Payload 怎么处理？：拆解解析版本、规划DAG、验证下载与原子激活，解释拓扑排序不能解决全部依赖冲突。

Amazon Audible：阅读事件流识别 Abusive Books，跳读证据与比例分母怎么定？：拆最后5%、先前10%与book事件比率，说明当前位置无法还原真实播放覆盖，给透明训练状态机。

Amazon AS：CLIP 与 Qwen-VL，双塔检索和视觉语言生成结构怎样比较？：先确认Qwen版本，再比较视觉/文本交互、训练目标、输出与服务成本。

Amazon Text Editor：光标两侧栈与编辑成本：实现光标插入、向左删除和左右移动，区分单点编辑与随机跳转。

Amazon 实现Grep：逐行过滤与明确匹配合同：从流式行输入返回匹配行和行号，明确literal、空模式与反选。

Amazon RLE与Literal Blocks：八连值阈值和解码边界：按长重复段和八值原样块选择编码，明确标签、短尾段与损坏输入。

Amazon 手写Memcpy：非对齐字节访问与重叠合同：先实现可移植字节复制，再讨论对齐、宽加载、尾部与硬件优化。

Amazon 停车场OOD：车位、停车票与结算边界：分开车辆匹配、车位占用、停车会话和付费离场，处理并发分配与重复请求。

Amazon Payment LLD：支付意图、幂等与账务事实：区分业务支付意图、渠道尝试与账务记录，处理回调重复、超时和退款。

Amazon TicketMaster：座位保留与迟到支付：把指定座位和总量票的库存合同分开，设计短期保留、过期与迟到回调。

Amazon YouTube TopK：时间窗计数、重放与热点：定义排名指标和窗口，比较精确聚合、候选筛选及近似TopK。

Amazon Log Scanner：采集、检索与告警的不同路径：分开日志持久采集、按时间与关键词查询、持续告警，处理重试和高基数。

Amazon 音乐App：曲库、播放授权与离线状态：设计搜索曲库、播放清单、媒体投递与多设备播放状态，明确版权区域约束。

Amazon GitHub用户社区：身份、内容与权限Feed：设计开发者社区的身份连接、帖子互动与关注Feed，防止外部API故障阻断站内功能。

Amazon 餐馆OOD：菜单、订单与厨房履约：分开菜单版本、点单、厨房任务与结算，处理改菜和重复发送。

Amazon 招聘网站：简历上传与关键词/语义检索：设计异步简历解析、混合检索、候选权限和版本更新，避免索引泄露已删除简历。

Amazon Code Generation：上下文、沙箱验证与质量闭环：从编辑器请求到代码候选，设计仓库上下文、测试隔离及可衡量的接受质量。

Amazon AWS自定义LLM微调：作业、检查点与租户隔离：设计数据上传、训练调度、失败恢复、模型验收及版本发布的完整闭环。

Amazon torch.distributed.barrier：组同步、顺序与挂起：解释barrier等待的对象，区分进程集合点、梯度归约和设备任务完成。

Amazon Encoder与Decoder场景：表示、生成与Mask：按输出目标选双向表示或自回归生成，说明padding、causal及cross attention。

Amazon Aurora存储架构：计算/存储分离与传统实例比较：把SQL执行节点、共享存储和故障域拆开，解释扩展读实例不等于扩展写能力。

Amazon 数据库Replication：Ack、读位点与故障切换：明确提交等待的复制条件，区分数据持久、reader可见和新主可恢复。

Amazon WAL与Redo：持久化顺序和崩溃恢复：用提交日志和数据页的时间顺序解释持久性，区分恢复与复制。

Amazon MVCC：版本可见性、快照与隔离级别：解释读者看到哪些版本，说明MVCC如何减少读写争用及仍存在的写冲突。

Amazon 高并发写锁冲突：热点、锁顺序与事务长度：定位锁等待来源，比较减少事务范围、分散热点与保持业务不变量。

Amazon 数据库引擎设计：写路径、放大与恢复预算：从用户写到日志、索引和持久数据，定义写放大并推导崩溃和扩容路径。

Amazon MoE结构：Router、稀疏专家与负载均衡：解释每个token选部分专家时的计算、显存和通信，区分总参数与活跃参数。

Amazon Metrics Monitoring：时间序列、查询和告警：设计指标采集、窗口聚合、迟到处理与告警状态，控制高基数标签。

Amazon DB Partition拆合：阈值、所有权与迁移状态：把“大就split、小就merge”变成可核对的键范围、状态机和并发切换合同。

Amazon 字符串关键词判断：Set、Trie与查询成本：区分给定子串的成员查询和枚举全部匹配，选择对应索引并计算字符串成本。

Amazon 树的序列化：空指针标记与严格解码：用前序token保存树形，迭代解码避免深链递归溢出并拒绝残缺输入。

Amazon 重要决定：依据、替代方案与实际结果：用真实决策讲清为什么这么选、哪些信息未知，以及结果如何归因。

Amazon Why Principal：组织问题、机制与个人范围：说明为何寻求Principal职责，以及已有经验如何支持组织层面的影响。

Amazon 说No的经历：边界、替代路径与责任：解释拒绝某个请求的依据、沟通和后续承担，避免把拒绝写成对抗。

Amazon 收拾他人留下的问题：先恢复，再建立机制：说明接手遗留事故或混乱时怎样确定范围、恢复交付并防复发。

Amazon 与同事冲突：共同目标、证据与协作恢复：处理合作中的分歧，讲清沟通和决定后的行动，不把解决等同于赢争论。

Amazon 日常使用GenAI：使用边界与错误交叉核验：解释AI在本人工作中的用途、验证方法和错误处理，不用工具名称代替能力。

Amazon Web Crawler：Frontier、主机限速与重试：把URL发现、抓取和索引分开，保证去重与每主机礼貌调度。

Amazon 选课OOD：名额、先修与候补状态：设计学生报名、容量预占、退课及候补递补，处理最后一个名额的竞争。

Amazon 自我介绍：职责、项目证据与下一轮连接：用简洁介绍说明本人实际经验，保留可追问的技术决策和岗位匹配。

Amazon 超出用户预期：需求、质量与真实收益：说明提供优于用户预期的服务时，怎样确认需求并验证结果。

Amazon 两区域分配：强制配对、先手与贪心证明：用小规模Minimax区分自己最大收益与合作挑最大，明确先手和配对规则。

Amazon Trie前缀查询：完整词与子树结果：维护词典并按前缀返回候选，区分词结束标记、空前缀和输出排序成本。

Amazon 树的纵向浏览：列坐标、层序与同位置顺序：按列从左到右输出树节点，先对齐同列同行的排序合同再选择BFS。

Amazon 购物车OOD：行项目、版本与Checkout报价：把购物车编辑、价格报价和下单分开，处理多设备修改与价格变化。

STAR 故事要一题多用

Amazon LP 准备不是背 16 条原则。更有效的是准备 8-10 个真实项目故事，每个故事映射 2-3 个 LP，并提前写好冲突、替代方案、量化结果和复盘。避免每个 LP 都编一个薄故事。

技术轮也会看 owner 视角

Coding 写完后可能追问如何上线、如何监控、如何处理客户影响；system design 也会追问成本、oncall、故障和团队协作。回答要从代码正确性延伸到生产责任。

不同 level 的证据不同

L4 更看重执行和学习速度，L5 要证明独立 owner 一个模块，L6 需要讲跨团队影响、长期架构演进和模糊需求下的决策。项目故事要按目标 level 调整证据密度。

Amazon 常见目标岗位

建议重点模拟这些轮次

Amazon 的 16 条 Leadership Principles 怎么准备？

Amazon 面试中每轮都有 LP 深挖环节，面试官会逐条追问你的 STAR 故事。建议准备 20+ 个故事模板覆盖高频 LP（Customer Obsession、Ownership、Dive Deep 等），每个故事都要能回答 3-5 个 follow-up 问题。

Amazon 面试和 Meta/Google 有什么不同？

Amazon 面试最独特的是 16 条 LP 深挖和 Bar Raiser 角色。Coding 和 System Design 难度中等，但 Behavioral 面占比很高。每轮面试都有一位 Bar Raiser（跨部门面试官），他对 LP 的评分权重更高。建议 LP 准备和技术准备同等重视。

Amazon 的 Bar Raiser 是什么？

Bar Raiser 是 Amazon 面试中的特殊角色，由跨部门资深员工担任，负责确保 Hiring Bar。Bar Raiser 对 LP 的评分权重更高，甚至有一票否决权。建议面试时注意识别 Bar Raiser（通常会自我介绍），在 LP 故事上花更多时间。

Amazon 面试需要准备多久？

建议至少提前 8-10 周开始系统准备。前 2 周逐条拆解 16 条 LP 准备 STAR 故事，中间 4 周练 SQL + A/B testing + 实验设计，最后 2 周做全真 VO 模拟刻意练 LP 追问环节。

Amazon 面试辅助适合哪些岗位和轮次？

Amazon 面试辅助会按岗位、level 和实际轮次制定准备计划，覆盖 SWE、DE、MLE 等常见岗位，以及 OA、Phone Screen、Loop、System Design、Leadership Principles 等环节。通常先用题型诊断与模拟面试定位短板，再集中训练表达、边界测试、项目深挖和关键 trade-off。

Amazon 面经应该怎么看？

同学提供的面经适合用来判断 Amazon 高频题型、轮次和常见挂点，但不要只背原题。更稳的做法是把面经拆成 OA / Coding / Design / Behavioral / HM 五类信号，再按目标岗位和 level 做限时训练。

Amazon 代面、面试辅助、OA 代写多少钱？

Amazon 代面（对口型）$499/轮起，多轮连面有打包价；SWE 辅助（实时）$299/轮起；OA 代写 $199 起，提前 1 天交付。最终价格按岗位、轮次和具体面试情况浮动，添加微信 interview_coach_pro 先聊 30 分钟免费咨询再报具体价格。