Decagon Interview Guide
Decagon 面试辅助：Recipe Cart 实现题与 AI Gateway 系统设计
面向 Decagon（SWE、Backend、Infra、AI 工程）候选人的面试准备攻略，覆盖 HR 电话后第一轮 phone screen 的 recipe shopping cart 实现题（add / remove / 批量折扣）、以及 onsite 的 AI Gateway 系统设计（primary 与 fallback LLM provider、请求日志与可审计性）。
Question Radar
Decagon 高频必考题型
先看题型方向，再用下面的代表题目判断自己是否真的会拆题、会解释、会处理 follow-up。
系统设计：AI Gateway（primary 与 fallback provider 的路由与切换、超时与错误分类、请求日志与可审计性、字段与实体设计、限流与配额、成本与用量统计）。
clarify 能力：面对 vague 需求时主动确认字段范围、日志内容与审计要求。
沟通节奏：在被冷场对待时保持自述式推进，并在结尾留出反问时间。
Company Signals
Decagon 近期面试信号
从本地面经汇总里抽取高频信号，帮助你先判断该补 coding、设计、项目还是表达。
第一轮 phone screen 的题目高度固定：构建一个烹饪 App 的购物车系统，用户可以往购物车里添加菜谱，每个菜谱有食材列表（例如 Chicken、Garlic），当同一食材出现在多个菜谱中时，总数量可以触发批量折扣。
API 规格在题面里给出：add_recipe(recipe_name) 添加菜谱（已在购物车中则不操作）、remove_recipe(recipe_name) 移除菜谱，之后还需要按食材统计总量并计算折扣。
这道题在多份同学提供的面经样本里重复出现，属于必须准备的高频题；也有候选人反馈面试官中途因故离开并说会重排、整体只面了 30 分钟。
面试官的互动风格差异是这条流程的显著特征：多份反馈提到面试官比较冷漠、走神、在忙自己的事情，候选人自述式地讲完整场。
结果反馈偏负面：有候选人 testcase 全过并在剩余时间反问组内情况，第二天仍然收到拒信；说明这类公司的评价维度可能包含实现之外的表达与匹配判断。
onsite 会出现新题而不是 recruiter 给的范围：同学提供的面经样本里的题目是设计 AI Gateway——内部产品团队发请求给 primary LLM provider 与 fallback LLM provider，第一个需求是确保每个请求都产生 request logs 并保证可审计性，需要候选人主动 clarify 日志里包含什么、并设计好 entity 字段。
AI Gateway 的追问方向包括体系结构层面的组件（面试官期待提到 load balancer 与 control plane 这类要素），并会有第二个甚至第三个需求继续加码；候选人的判断是『这家公司想招的是做过类似系统的人』。
Sample Questions
Decagon 代表题目清单
这些不是让你背答案，而是把公司常见考法翻译成可练习的具体题目和 follow-up 场景。
实现一个烹饪 App 的购物车：add_recipe(recipe_name)（已存在则不操作）与 remove_recipe(recipe_name)，每个菜谱含食材列表；当同一食材跨多个菜谱累计到一定数量时触发批量折扣。说明数据结构、折扣档位与移除后的重算策略。
设计一个 AI Gateway：内部产品团队请求 primary 与 fallback LLM provider，要求每个请求都产生 request logs 并满足可审计性。请说明日志字段与实体设计、provider 路由与降级策略、以及数据面与控制面的划分。
在 AI Gateway 基础上增加按租户的配额与限流，并支持按模型路由；说明如何在不影响主链路延迟的前提下实现。
Depth Notes
Decagon 专项深挖
把题型清单继续拆成面试官会追问的能力证据，避免只停在关键词层面。
Recipe Cart：难点在聚合与重算
Decagon 第一轮 phone screen 的题目在同学提供的面经样本里高度固定：为一个烹饪 App 构建购物车系统，用户可以添加菜谱到购物车，每个菜谱有食材列表（例如 Chicken、Garlic），当同一种食材出现在多个菜谱中时，总数可以触发批量折扣。API 规格给了 add_recipe(recipe_name)（已在购物车中则不操作）与 remove_recipe(recipe_name)，并要求继续实现按食材统计与折扣计算。这道题的实现难点不在算法，而在三处细节。第一，食材的聚合口径——需要维护食材到数量的映射，并且当同一菜谱被重复添加时要按题意（不操作）而不是重复计数。第二，批量折扣的规则——通常按阈值分档（例如每满 N 份享有一档折扣），需要把「数量到折扣」的换算写成可读的阶梯逻辑，并说明折扣是整单还是按食材单独计算。第三，移除后的重算——删除一个菜谱会影响多个食材的计数与折扣档位，因此聚合结构必须支持增量更新或整体重算，需要讲清你选哪种以及复杂度。此外同学提供的面经里有多位候选人提到面试官比较冷漠甚至中途离开，所以准备时要习惯在没有反馈的情况下把每一问的输入输出、边界与复杂度都讲清楚。
新题：primary 与 fallback provider 加审计
Decagon 的 onsite 系统设计同学提供的面经样本是一道新题：设计一个 AI Gateway。背景是内部产品团队会向 primary LLM provider 以及 fallback LLM provider 发请求，第一个需求是确保每个请求都产生 request logs 并保证可审计性，候选人需要主动 clarify 日志里包含什么内容、并设计好实体的字段。这道题的评分点集中在三层。第一层是路由与降级：如何在 primary provider 失败或超时时切到 fallback，切换的判定条件（错误码、延迟阈值、连续失败次数）是什么，以及是否支持按模型或按租户的差异化路由。第二层是日志与审计：每条请求要记录什么（租户、模型、prompt 与响应的哈希或摘要、token 用量、延迟、成本、错误原因），如何保证幂等与不丢日志（异步写入加投递保证），以及如何满足审计要求（不可篡改、保留期、按租户查询）。第三层是组件划分：同学提供的面经里候选人提到事后询问 AI 得到的答案是应该提到 load balancer 与 control plane 这类要素——也就是说架构上的分层（数据面与控制面）是被期待的。面试还会有第二个甚至第三个需求继续加码（例如配额、灰度、缓存），准备方式是把一个完整的 AI Gateway 拆成数据面与控制面两块，并预先想好每层可加的扩展点。
Prep Plan
建议准备路线
先定位轮次，再决定优先补题型、项目、设计还是表达。
把 recipe cart 这道题完整实现两遍：先写 add / remove 与食材聚合，再加批量折扣的阈值与递进逻辑，最后处理移除菜谱后的重算。
准备 AI Gateway 的系统设计：provider 路由与降级、超时与重试、请求日志字段与审计要求、以及 load balancer 与 control plane 的分工。
练习在『面试官不互动』的场景下保持输出：每完成一问主动汇报结构、复杂度与下一步计划。
Decagon 常见目标岗位
SWEAISRE
建议重点模拟这些轮次
HR Phone CallPhone Screen（实现题）Onsite System DesignOnsite（其他技术轮）
代面服务
Decagon 代面（代面试）服务
针对 Decagon 的轮次结构定制：技术轮老师现场作答、你露脸对口型，项目深挖与 BQ 提前准备到位。
Decagon 常见 HR 电话 → 第一轮 phone screen（实现题，高频是 recipe shopping cart）→ onsite（系统设计，出现过 AI Gateway 新题）。代面（对口型）技术轮老师现场作答。
- Phone screen：recipe cart 的 add / remove 与批量折扣逻辑，老师现场实现并逐问交付
- System Design：AI Gateway 的 primary / fallback provider、请求日志与可审计性的完整话术提前备好
- 面试官互动风格可能偏冷，老师会保持连续输出节奏
$499/轮 起 · 多轮连面有打包价 · 建议面试前 3-5 天准备
实时辅助
Decagon SWE 辅助（实时）
面试官提问后 0.5-1 秒出答案，你露脸照着念。按 Decagon 的题型和节奏给话术。
Decagon 的题普遍分多问递进、规格给在题面里。实时辅助给出结构与边界，你边写边读。
- Recipe cart：食材聚合、批量折扣阈值与移除后的重算逻辑实时给出
- AI Gateway：provider 路由、超时与降级、日志与审计字段设计实时给出
- clarify 清单：请求日志包含哪些字段、entity 如何定义，实时提示要确认的点
$299/轮 起 · 建议面试前 2-3 天准备并做一次模拟
Company Comparisons
常被一起比较的公司攻略
如果你同时投递多家公司，可以用这些相邻攻略比较轮次、题型和评分重点，避免用一套准备方法硬套所有公司。
Axon 面试辅助：证据保存设计、GPS 轨迹简化与权限系统
面向 Axon（Senior SDE、Backend、云平台）候选人的面试准备攻略，覆盖 Upload recorded camera footage 设计（large blob、恶意内容检测、chain of custody）、GPS 轨迹冗余点移除、以及应用级证据保存系统的权限与工作流设计。
查看 Axon 攻略Citadel 面试辅助：OA、概率轮与低延迟系统设计
面向 Citadel 与 Citadel Securities（SWE、Quant Dev、QR、QT）候选人的面试准备攻略，覆盖 75 分钟两道题的 HackerRank OA、45 分钟技术轮的 OOD 与八股、Citsec 的实现类轮次，以及概率与做市题为主的量化轮与 Superday 流程。
查看 Citadel 攻略Confluent 面试辅助：OA、Variadic Function 与流式窗口设计
面向 Confluent（SWE、Senior SDE、NG）候选人的面试准备攻略，覆盖 HackerRank OA（pod 负载管理）、Variadic Function 匹配实现、IoT 传感器滑动窗口状态判定、以及 word 查询与布尔查询树设计。
查看 Confluent 攻略Discord 面试辅助：Chat Server 设计、etcd 一致性轮与 C++ 八股
面向 Discord（Backend、Full Stack、Persistence Infra、Senior）候选人的面试准备攻略，覆盖 HR 轮含技术筛查、asyncio 实现 chat server 电面、etcd leader/follower 一致性题、code review 与 C++ 内存对齐八股，以及 AI Coding 相关问法。
查看 Discord 攻略Harvey 面试辅助：LLM 高亮 citation 题与 RAG 系统设计
面向 Harvey（法律 AI，SF 起家）SWE、Frontend 与 AI 方向候选人的面试准备攻略。基于同学提供的面经梳理技术店面高频的 LLM 输出高亮与 citation 题、vault 文件系统实现题，以及昂赛的 RAG、权限校验系统设计与 project deep dive 准备重点。
查看 Harvey 攻略FAQ
Decagon 面试常见问题
Decagon 面试流程一般有几轮？
Decagon 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。
Decagon 最常考什么题型？
根据同学提供的面经信号，Decagon 最常考的题型包括 实现题：recipe shopping cart（add_recipe / remove_recipe、食材跨菜谱聚合、批量折扣阈值与重算、重复添加与不存在的菜谱处理）。、系统设计：AI Gateway（primary 与 fallback provider 的路由与切换、超时与错误分类、请求日志与可审计性、字段与实体设计、限流与配额、成本与用量统计）。、clarify 能力：面对 vague 需求时主动确认字段范围、日志内容与审计要求。、沟通节奏：在被冷场对待时保持自述式推进，并在结尾留出反问时间。。建议先从高频题型入手，再做项目深挖和模拟面试。
Decagon 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。
Decagon SWE 岗位最难的是什么？
Decagon 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。
Decagon 面经应该怎么看？
同学提供的面经适合用来判断 Decagon 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。
Decagon 代面、面试辅助多少钱？
Decagon 代面（对口型）$499/轮起，多轮连面有打包价；SWE 辅助（实时）$299/轮起。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。
