Aurora 面试辅助：自动驾驶算法电面与 Sensor 岗追问

滑动窗口题变体：流式扫描下的输出口径、窗口极值的单调队列维护、以及固定窗口与流式窗口的差异说明。

几何与排序题：按极角排序、视角边界的环绕处理、同角度多点的计数，以及窗口滑动的推进条件。

博弈与搜索题：跳步型输入（每步可选走一步或两步）的 BFS 与动态规划解法、最少步数与路径还原的边界。

表达式求值与算法杂题：带运算符优先级的计算器类实现，以及嵌套结构迭代器类题（含不使用栈的 follow up）。

性能优化追问：矩阵卷积的访存局部性、分块与向量化，浮点精度与边界处理，以及如何度量优化效果。

HM 与专业常识：项目经历的结构化讲述、自动驾驶感知与数据方向的常见概念，以及在缺少面试反馈时如何复盘。

同学提供的面经样本里的技术电面以算法题为主，出现过困难难度的变种：滑动窗口最大值改为以流式方式扫描，窗口扫到数组第一个元素时就开始输出，直到离开最后一个元素，因此数组长度为 n 时输出个数仍是 n，而不是 n 减窗口加一。

几何类题也出现过：二维平面上有原点与其他若干点、原点带一个可视角度，要求返回能看到最多点的方向；样本里的候选人用滑动窗口实现，自评结果正确但过程不完美，最终仍被拒。

还有样本考跳步博弈题的变种，输入是 pair list（例如 (1, 2) 表示一步可以走一步或两步），候选人用 BFS 在不到 30 分钟内完成题目与 follow up，隔天仍收到没有 feedback 的拒信；另有样本电话面考基本计算器类表达式求值题，最终挂在 HM 的行为面环节。

Sensor 组的时间线是八月中旬 HR screening、九月初 b2b 两轮（coding 加 HM）：coding 题本身简单（矩阵卷积），但 follow up 大量集中在性能考虑上；另有样本考嵌套结构迭代类题，follow up 要求不使用栈实现，该方向在招数据类人才、公司支持 remote，候选人一周后收到 onsite 通知。

需要说明的是，以上信息来自少量同学反馈，目前同学反馈有限，完整的轮次结构、onsite 环节与题目数量都未被覆盖，这一家也几乎不给具体拒绝理由；具体安排请以你收到的邀请为准。

实现滑动窗口最大值的变种：以流式方式扫描数组，窗口扫到第一个元素时就开始输出，直到离开最后一个元素，数组长度为 n 时输出个数仍为 n。

二维平面上有一个原点、一个可视角度和若干点，返回能看到最多点的方向；处理角度环绕、同角度多点以及与原点重合的点。

跳跃游戏类题的变种：输入为 pair list，例如 (1, 2) 表示该步可以走一步或两步，判断可达性并求最少步数。

实现带运算符优先级的计算器（基本计算器类题目），说明两个栈或递归下降的解法与边界处理。

实现嵌套结构的迭代器，逐个返回元素；follow up 要求不使用栈实现，并允许修改底层数据结构。

实现矩阵卷积；follow up 集中在性能上，需要讨论访存局部性、分块、向量化与并行，以及浮点精度与边界像素处理。

滑动窗口与几何题

同学提供的面经样本里 Aurora 的技术电面以算法题为主，而且偏爱在经典题上改口径。最典型的一道是滑动窗口最大值的变种：要求以流式方式扫描数组，窗口扫到第一个元素时就开始输出，直到离开最后一个元素，因此数组长度为 10、窗口大小为 3 时仍要输出 10 个值，而不是常规做法的 8 个。这个改动会改变实现结构——常规做法是先填满窗口再滑动，流式口径则要求窗口在左侧尚未填满时就开始工作，通常需要把窗口极值与边界解耦，用单调队列配合左右指针推进，并想清楚左边界未越过起点时窗口实际更短的情况。另一类是几何题：平面上有原点、一个可视角度与若干点，要求返回能看到最多点的方向，做法是按极角排序后用双指针或滑动窗口统计落在角度范围内的点数，难点在角度环绕、同一角度上多点的计数以及与原点重合的点如何处理。目前同学提供的面经样本较少，这两类题的完整题干没有被记录，但题型方向明确，建议按边界清单（空数组、窗口大于数组、重复角度、恰好等于视角边界）逐条练习。

跳步博弈与计算器

除了窗口与几何，同学提供的面经样本里还出现两类题型，共同点是题面熟悉但输入形式被改写。第一类是跳步博弈：形式上类似跳跃游戏，但输入是 pair list，例如 (1, 2) 表示某一步可以选择走一步或两步，要求判断可达性或求最少步数，用 BFS 与动态规划都能做，差别在于空间与状态记录方式。样本里的候选人选择 BFS，在不到 30 分钟内完成了题目与 follow up，剩余时间还主动做了不写代码的延伸讨论，面试官也表示同意，但隔天仍收到没有反馈的拒信。这条反馈提示两件事：时间充裕不等于通过，推导过程必须能清晰复述；这家公司在多个样本里都不给具体拒绝理由，复盘只能靠自己的记录。第二类是表达式求值：有候选人的电话面考的是基本计算器类题目，随后在 HM 的行为面环节被挂，因此带括号、带运算符优先级与只有四则运算三种情形都要写熟，并能说明为什么使用两个栈或递归下降。把这两类与前面的窗口题放在一起，准备重点应放在「经典题的改写」，而不是追求冷门难题。

矩阵卷积与性能追问

Sensor 组的同学提供的面经时间线是八月中旬 HR screening、九月初 b2b 两轮（coding 加 HM）。Coding 的题目本身被形容为简单——矩阵卷积，但 follow up 大量集中在性能上，面试官会持续给提示，候选人自评比较吃力，最后也没有留出反问时间。这说明卷积只是入场券，真正拉开差距的是能不能顺着追问讲出优化路径，可以按四层准备：算法层讲清朴素二维卷积的复杂度、valid 与 same 填充的区别、步长与膨胀的影响；访存层讲数据布局对缓存命中的影响、循环顺序的选择、分块与共享内存；并行层讲 SIMD 或 GPU 上的并行维度选择、算子融合与批处理；数值层讲浮点累加顺序带来的精度差异与边界像素的处理策略。HM 轮主要围绕项目经历与基本专业常识展开，样本里的候选人自评答得不够好，因此项目讲述要提前结构化：问题背景、你的职责、技术选型与取舍、量化结果、以及如果重做会改变什么。目前同学反馈有限，这一轮的其余题型未被覆盖。

同学反馈有限怎么办

关于 Aurora 需要坦白说明：同学提供的面经样本以单轮技术电面为主，每条反馈都很短，完整的轮次结构、onsite 环节、题目数量与时长都没有被覆盖，因此按「轮次表」安排准备计划缺乏依据，同学提供的面经样本未覆盖此环节时就应当以官方说明为准。稳妥的做法分三步。第一步是向 recruiter 确认：这一轮的时长与形式、是否需要在共享编辑器里写代码、有没有后续轮次以及大致时间线，用官方渠道补齐信息缺口。第二步是把已知特征用到极致：同学反馈显示题目多来自经典题的改写（滑动窗口、几何视角、跳跃博弈、表达式求值、嵌套迭代），而且拒绝往往发生在过程而非结论上（自评做对被挂、HM 行为面被挂、推导不顺被挂），所以练习时要把重点放在「讲清楚为什么」。第三步是准备可迁移的通用能力：常见数据结构的复杂度、边界处理与口述模板，以及可复述的项目深挖段落，这些在任何一轮都能用得上。这家公司几乎不给具体拒绝理由，把每一次过程记录清楚，用于下一家的准备，比反复揣测更有效。

Aurora 常见目标岗位

建议重点模拟这些轮次

Aurora 面试流程一般有几轮？

Aurora 的面试流程通常包括 OA / Phone Screen、VO / Onsite 多轮技术面、Behavioral 面和 Hiring Manager 面。具体轮次取决于岗位和 Level，建议提前了解目标岗位的标准流程并针对性准备。

Aurora 最常考什么题型？

根据同学提供的面经信号，Aurora 最常考的题型包括 滑动窗口题变体：流式扫描下的输出口径、窗口极值的单调队列维护、以及固定窗口与流式窗口的差异说明。、几何与排序题：按极角排序、视角边界的环绕处理、同角度多点的计数，以及窗口滑动的推进条件。、博弈与搜索题：跳步型输入（每步可选走一步或两步）的 BFS 与动态规划解法、最少步数与路径还原的边界。、表达式求值与算法杂题：带运算符优先级的计算器类实现，以及嵌套结构迭代器类题（含不使用栈的 follow up）。。建议先从高频题型入手，再做项目深挖和模拟面试。

Aurora 面试需要准备多久？

建议至少提前 7-14 天开始冲刺准备。如果还在投递期，可以先做题型地图和岗位定位，拿到面试邀约后集中做模拟面试和表达训练。

Aurora SWE 岗位最难的是什么？

Aurora 的面试以严格的 Hiring Bar 著称。最常见的失分点包括：前置澄清不充分、边界测试缺失、系统设计只背模板、项目深挖无法体现 ownership。针对性模拟可以有效降低这些风险。

Aurora 面经应该怎么看？

同学提供的面经适合用来判断 Aurora 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。

Aurora 代面、面试辅助、OA 代写多少钱？

Aurora 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。