Coinbase 面试题专题

先分岗位

Coinbase 的不同岗位和团队可能考不同内容。先核对 JD 与面试邀请，再选对应题型。

合并同题变体

相同核心考点只保留一条，后续的附加约束放在原题里练，避免把同一道题当成多道题刷。

练习顺序

先口述输入、输出和边界，再写核心方案；最后解释复杂度、失败路径和面试官可能追加的约束。

实现 crypto order 的 place/pause/resume/cancel/complete 与 live order 时间排序

实现 crypto order 的 place/pause/resume/cancel/complete 与 live order 时间排序；追问 userId、按用户取消所有订单及按用户分流。

查看上方解题路线 ↑

消费 Kafka NEW/FILLED 消息更新订单状态

消费 Kafka NEW/FILLED 消息更新订单状态；未填单允许 CANCEL，讨论重复消息、超量成交与查询状态。

解题切入：Kafka NEW/FILLED 题按累计 filledQty 与 totalQty 判 NEW/IN_PROGRESS/COMPLETED；无 fill 时才允许 CANCEL，重复消息需要可用的 event ID 才能可靠去重。

按时间、用户、币种筛交易历史，用 (timestamp,id) cursor 解决同时间戳分页

按时间、用户、币种筛交易历史，用 (timestamp,id) cursor 解决同时间戳分页；追问 amount 排序与索引。

解题切入：transaction history 先按 filter 固定结果，再用 (timestamp,id) 排序与 cursor；amount 排序要有自己的排序键和匹配索引，不能复用时间 cursor。

交易有 id、size、fee，区块容量 100，选择交易使 fee 最大

交易有 id、size、fee，区块容量 100，选择交易使 fee 最大；解释 0-1 背包与 fee/size 贪心的差异。

解题切入：无依赖、容量 100 的最大手续费是 0-1 背包；按 fee/size 贪心只是可讨论的生产启发式，不能保证全局最大。

设计多外部来源的 crypto 最新价格展示

设计多外部来源的 crypto 最新价格展示：归一化、实时推送、陈旧价格、订阅扩展与客户端重连。

解题切入：多来源实时价格需定义每个 symbol 的来源优先级、时间戳与陈旧阈值；服务端推送和断线恢复要防止旧价格覆盖新价格。

实现账户、转账和支出排行

实现账户、转账和支出排行；加入定时付款取消、账户合并及按历史时间查询余额，明确 pending payment 和旧账户的保留策略。

解题切入：Bank OA 把 pending payment 的触发放在每个操作前的统一入口；合并账户后仍要保留旧 ID 的历史余额快照或事件，不能简单删除。

实现 add/copy file、用户 owner/quota

实现 add/copy file、用户 owner/quota；修改容量超限时按文件大小删到满足，再讨论 compress/decompress 文件名与尺寸。

解题切入：Cloud storage 的容量修改是按最大文件依次删除直到不超额；同大小 tie-break 要看原题契约，compress/decompress 需同时校验 owner 与目标名冲突。

带递增时间戳的 KV

带递增时间戳的 KV：set/get/delete、条件覆盖、按 key 前缀扫描、历史时刻读取与 TTL，区分 action time 和 query time。

解题切入：时序 KV 的 action timestamp 与 history query timestamp 是两个概念；TTL 是历史版本的有效区间，条件覆盖/删除要先看操作当时是否存活。

实现 recipe CRUD、大小写不敏感搜索与排序、用户、版本历史和 rollback

实现 recipe CRUD、大小写不敏感搜索与排序、用户、版本历史和 rollback；先定义 version ID 与回滚后的新版本。

解题切入：Recipe Manager 版本历史应为每次成功变更记录不可变快照或事件；rollback 不能用浅引用让旧版本随当前对象变化。

实现 task priority 列表、按子串过滤、user quota 与 TTL 多对多分配，再按最早 start 完成同 ID 的活跃任务

实现 task priority 列表、按子串过滤、user quota 与 TTL 多对多分配，再按最早 start 完成同 ID 的活跃任务。

解题切入：Task Manager 的同一 task 可分配给多个用户、同用户也可有多个 assignment；TTL 到期边界与同 ID 最早 start 必须作用在 assignment 而非 task 模板。

React blog posts 四层

React blog posts 四层：本地 JSON 展示、textarea 发布、API 获取 post/作者/当前用户、点赞排序和当前用户删除。

解题切入：Blog posts 前端要区分本地 state 与 API 源、post 作者 ID 与当前用户 ID；点赞并列按最近获赞排序需要显式时间或事件序号。

从 TP/FP/FN/TN 计算 Recall 与 FPR，并判断同时满足两个阈值的分类器

从 TP/FP/FN/TN 计算 Recall 与 FPR，并判断同时满足两个阈值的分类器；说明分母为 0 和阈值变化。

解题切入：Recall=TP/(TP+FN)，FPR=FP/(FP+TN)；阈值题先确认 positive class、分母和比较符号，再核每个选项。

写出二分类 logistic regression 的交叉熵 loss，解释 sigmoid、logit、数值稳定和正则项

写出二分类 logistic regression 的交叉熵 loss，解释 sigmoid、logit、数值稳定和正则项。

解题切入：二分类 logistic loss 为 -y log p-(1-y)log(1-p)，p=sigmoid(w·x+b)；实现时用稳定的 logits 形式避免 log(0)。

哪些模型/训练调整可能提高 bias、降低 variance？结合正则化与模型容量说明 trade-off

哪些模型/训练调整可能提高 bias、降低 variance？结合正则化与模型容量说明 trade-off。

解题切入：提高 bias、降低 variance 的常见方法是加强正则或减小模型容量；要用验证集确认综合误差，不能说两者都无代价改善。

什么时候考虑 ensemble learning

什么时候考虑 ensemble learning：误差相关性、训练/服务成本、可解释性、数据泄漏与增益验证。

解题切入：ensemble 是否值得用取决于基模型误差差异、数据泄漏、推理延迟、成本与可解释性；用独立验证集量化增益。

PCA 与 LDA 何时使用

PCA 与 LDA 何时使用：无监督保方差和有监督类间分离，讨论标签、预处理、维度上限与泄漏。

解题切入：PCA 不用标签、最大化投影方差；LDA 用标签寻求类间分离，类别数 C 时线性判别维度最多 C-1，预处理只在训练集拟合。

按给定权重与输入手算两层神经网络输出

按给定权重与输入手算两层神经网络输出：先线性层与 ReLU，再线性层与 Sigmoid；说明矩阵维度和四位小数。

解题切入：两层网络计算依次核矩阵维度、第一层线性输出、ReLU、第二层 logit 与 Sigmoid；原帖缺权重，不能报原题最终数字。

给字符串找最长连续相同字符及长度

给字符串找最长连续相同字符及长度；若并列，返回最右边的那段，并覆盖空串与段尾。

解题切入：最长连续字符扫描每段；并列取最右时同长度也更新答案，别只在严格大于时更新。

实现 bootstrap

实现 bootstrap：有放回抽 n 次构造每个训练样本，分别 fit 模型并聚合 predict；固定随机种子与避免数据泄漏。

解题切入：bootstrap 每轮从 n 条训练数据有放回抽 n 条，重新 fit 基模型；分类 predict 可按概率平均或投票，具体接口须核原题。

用 messy data notebook 跑通一个分类模型

用 messy data notebook 跑通一个分类模型：先定义目标与切分，处理缺失和类别特征，建立简单基线并解释验证结果。

解题切入：messy data classification notebook 先做简单可跑的训练/验证闭环，预处理只 fit 训练集；缺失/类别处理和指标选择要跟标签及业务目标一致。

解析日志字符串，按 thread ID 分组，并将每组日志按 timestamp 稳定排序

解析日志字符串，按 thread ID 分组，并将每组日志按 timestamp 稳定排序；先澄清输入行格式和坏行策略。

解题切入：线程日志先按给定格式解析 timestamp/thread ID，并保留输入序号处理同时间并列；分组后各组排序，坏行是拒绝还是隔离要确认。

多组 NFT 属性生成所有组合，追问组合去重与每组属性不等概率时如何按权重随机采样

多组 NFT 属性生成所有组合，追问组合去重与每组属性不等概率时如何按权重随机采样。

解题切入：NFT 属性组合用笛卡尔积枚举；去重按规范化组合键，权重生成要先明确是独立类别采样还是不放回抽独特 NFT。

按给定 mockup 做包含 input、button、validation message 的 card，并解释状态、表单校验、可访问性与扩展

按给定 mockup 做包含 input、button、validation message 的 card，并解释状态、表单校验、可访问性与扩展。

解题切入：Frontend card 题要先按现场 mockup/requirements 实现 input、button、validation message；没有原字段规格时只给通用状态机，不编表单规则。

设计 signup form

设计 signup form：客户端校验、服务端提交、错误/重复请求处理与 A/B testing 指标、随机化单位和实验风险。

解题切入：Signup form 设计把前后端校验与幂等提交分开，A/B 测试需固定分流单位、主要转化指标和护栏指标，避免只报点击率。

为什么选择 Coinbase、岗位如何匹配

为什么选择 Coinbase、岗位如何匹配：结合目标 JD 的实际任务与自己的项目证据，区分已核实信息和个人动机。

解题切入：Why Coinbase 要从当前目标岗位已核实的职责和本人项目证据出发；不要把公司名、市场传闻或未确认团队范围当答案。

解释什么是 cryptocurrency

解释什么是 cryptocurrency：公私钥、签名、账本/共识、托管与转账确认，并说清它不等于交易所账户余额。

解题切入：解释 crypto 时分清私钥签名、共享账本/共识、链上最终性与托管账户；加密货币不等于交易平台数据库里的一行余额。

是否有加密货币经历

是否有加密货币经历：诚实区分个人使用、工程项目和没有直接经验，说明相关技能如何迁移。

解题切入：谈个人 crypto 经历按真实接触层次作答：使用、工程实现或尚无直接经验；没有经验也可讲可迁移的可靠性/安全/数据系统能力。

讲最具挑战、重要或自豪的项目

讲最具挑战、重要或自豪的项目：个人 ownership、技术难点、备选方案、影响与复盘，并准备 HM 追问。

解题切入：项目深挖按问题、约束、个人决定、技术实现、结果和复盘讲，最重要/最挑战/最自豪是同一项目证据的不同切面。

讲一次与同事或跨团队的 disagreement

讲一次与同事或跨团队的 disagreement：说明事实分歧、证据、共同决策与之后的关系，而非只说自己说服了别人。

解题切入：冲突题重在事实与决策机制，讲分歧双方目标、证据、试验或仲裁以及之后如何协作。

多个任务同期限时如何排序并交付

多个任务同期限时如何排序并交付：明确影响、依赖、可切范围、沟通节点与最终验证。

解题切入：多任务 deadline 先列影响和依赖，协商最小可交付范围并及时暴露风险；不要以加班时长代替优先级决策。

主动提出改进并向 stakeholder 推进

主动提出改进并向 stakeholder 推进：用问题证据、备选方案、试点指标和风险控制解释如何争取支持。

解题切入：主动性题要说明如何发现问题、提出可测试点、争取 stakeholder 支持、应对反对意见并验证效果。

日常怎样使用 AI

日常怎样使用 AI：选真实工作例子，说明输入边界、人工审查、测试与效率/质量变化。

解题切入：AI 工作流回答需给真实任务、可共享数据范围、人工审查和独立测试；不能把生成代码未经理解就提交。

重要上线可能赶不上 deadline 时怎么办

重要上线可能赶不上 deadline 时怎么办：尽早报告、量化影响、缩范围/改里程碑、保护质量并复盘。

解题切入：重要上线可能失约时先报告可验证状态与风险，给范围/日期/人员备选，守住质量和回滚门槛。

为什么想离开当前工作

为什么想离开当前工作：讲真实的成长与职责诉求，和申请岗位形成一致叙事，避免未经证实的抱怨。

解题切入：离职动机讲真实未来需求与目标职责的对应，不把现职不满包装成未经核实的公司事实。

解释当前级别、晋升时点与项目级别

解释当前级别、晋升时点与项目级别：用责任范围和影响证据回应，区分岗位定级与项目是否 Tier 0。

解题切入：级别与晋升问题用当前职责、项目影响、评估周期和可核证成果作答；Tier 0 关键性不是项目价值的唯一指标。

四层内存数据库 OA

四层内存数据库 OA：读写 data、scan、TTL、backup；在原帖接口未公开时明确训练契约，解释过期边界和备份快照。

解题切入：四层内存 DB 的 scan、TTL、backup 必须先确认字段与时间契约；训练版用半开过期区间和深拷贝快照，不能把未公开的 restore 规则当原题。