Disney 面试辅助：广告规则过滤、Code Review 轮与前端 System Design

实现题：单规则广告过滤（广告与规则的集合字段比较、age 与 minAge / maxAge 的边界、operator 的 AND / OR 语义、可选条件的默认行为）。

Code Review：前端或后端代码的常见问题清单，以及『如果这是 junior 写的，你会怎么帮他』的回答结构。

前端 System Design：shopping cart（目录、购物车状态、结算流程）与 feature flag（开关模型、灰度、配置下发与生效）。

MLE：朴素贝叶斯文本分类（垃圾邮件识别）与 F1 score 评估；以及二维空间移动点是否相遇的判定。

协作表达：与 TPM 沟通工作风格、以及与 hiring manager 深聊 stakeholder management 的场景准备。

电面高频是一道规则过滤实现题：给定广告数据模型（id、targetLocations 集合、age 整数）与规则（targetLocations 可选、minAge 可选、maxAge 可选、operator 为 AND 或 OR），实现一个轻量过滤器判断广告是否匹配单条规则。

这道题的规格细节很多：targetLocations 在广告与规则中都是集合（示例里规则用大小写不同体现匹配语义），age 与 minAge / maxAge 是整数边界比较，operator 决定多个条件是全部满足还是任一满足，且各条件均可选。

Lead / 前端条线的 onsite 已经改为现场面试（同学提供的面经样本里后两轮在西雅图办公室），结构是四关：与 Senior TPM 聊 30 分钟（了解工作风格与协作方式）、与 principal engineer 做 Code Review（看一段写得很差的前端代码并给建议，重点是如何 mentoring junior）、以及两轮前端 System Design（shopping cart 与 feature flag 设计，要求直接在白板上画）。

lead 岗位的评估侧重明显偏软技能：同学提供的面经里候选人判断『可能因为是 lead position 所以比较注重 mentoring、collaboration、system design』。

另有一条同学反馈提到 recruiter 给错了方向（说会是 LeetCode 类型，实际是 Code Review），说明这一轮的形式需要提前向 HR 确认。

MLE 条线的 OA 是三道题：第一题 Python 基础语法；第二题 recruiter 说是 ML coding 但实际是逻辑题（若干点在二维空间各自朝下一个点移动，判断它们是否会相遇）；第三题是在 Jupyter notebook 里用朴素贝叶斯做文本分类判断是否为垃圾邮件，并用 F1 score 评估。

流程上还有一点：有候选人的 HM 轮问了基础行为题加一道简单 LeetCode（例如 383 赎金信），另一个 HM 更关注项目经验；onsite 后 HR 会再约 hiring manager 深聊 stakeholder management 经验。

实现单规则广告过滤器：Ad 含 id、targetLocations 集合与 age；Rule 含可选的 targetLocations 集合、minAge、maxAge 与 operator（AND / OR）。判断广告是否匹配规则，并处理可选条件与边界年龄。

给定一段质量较差的前端代码，请给出 review 建议，并说明如果这是 junior 写的，你会如何帮助他改进。

设计一个购物车（shopping cart）：说明商品数据获取、购物车状态存放、库存校验时序、结算与支付回调、以及促销价格的计算口径。

设计一个 feature flag 系统：说明开关数据模型、按用户或地区或百分比的灰度、配置下发与缓存、生效延迟与一致性取舍、以及审计与回滚。

给定文本数据集，用朴素贝叶斯实现垃圾邮件分类，并用 F1 score 评估；说明特征构造、训练与评估流程。

给定若干二维平面上的点，每个点朝各自的下一个点移动，判断它们是否会在某个时刻相遇。

可选条件加 AND / OR，边界最容易漏

Disney 电面同学提供的面经样本里的实现题是一道广告规则过滤器：数据模型上，Ad 含 id、targetLocations（字符串集合，例如 ["CA", "TX"]）与 age（整数，目标观众年龄）；Rule 含 targetLocations（可选集合）、minAge（可选整数）、maxAge（可选整数）与 operator（AND 或 OR）。要求实现一个轻量过滤器，判断一条广告是否匹配单条规则。这道题难度不高但细节密集，容易漏的点有四处。第一，可选条件的默认语义——某个条件未提供时应当视为不限制，而不是视为不匹配。第二，集合比较的语义——需要注意大小写与包含关系（示例里广告用大写、规则用小写，暗示需要规范化或按包含判断），以及集合为空与规则集合含多个元素时的处理。第三，区间边界——minAge 与 maxAge 的包含性（大于等于还是大于）需要明确，且 age 可能缺失。第四，operator 的作用范围——AND 表示所有提供的条件都要满足，OR 表示任一满足即可，当只有一个条件时两者等价。准备方式是把条件拆成独立的判定函数，再用 operator 组合，并写测试覆盖空条件、边界年龄与空集合。

考的是你怎么带人，不是你能挑出多少错

Disney 的 Lead / 前端条线 onsite 有一轮 Code Review：给一段写得很差的前端代码，让你给出建议。同学提供的面经里明确说明重点『主要是看你怎样 mentor junior，然后问你如果这是一个 junior 写的，你会怎么帮他』。这决定了回答的结构——不能只列问题清单，而要体现优先级与沟通方式。建议的回答框架分三步：第一，先给整体判断（这段代码能工作，但可维护性上存在几个问题：职责混杂、命名不清、缺少错误处理、难以测试）；第二，按影响排序并给出具体改法（把哪个函数拆开、命名怎么改、加什么样的测试），避免一次抛出十几个小问题；第三，说明你会如何与作者沟通（先认可可工作的部分、用提问引导对方发现职责问题、把改动拆成小步以便 review）。此外这一轮还会问 mentoring 经历，所以要准备一个你实际指导他人的例子：对方卡在哪里、你做了什么、结果如何。lead 岗位的评估整体偏重协作与设计，同学提供的面经里候选人的判断也是如此，所以软技能表达的准备权重不低于技术本身。

白板画图，加一道朴素贝叶斯

Disney 的前端 System Design 在同学提供的面经样本里是两轮，题目分别是 shopping cart 与 feature flag design，并且要求直接在白板上画。shopping cart 的准备重点是：商品目录与详情的数据获取、购物车状态的存放位置（本地还是服务端）、增删改与库存校验的时序、结算流程与支付回调、以及价格与促销的计算口径。feature flag 的准备重点是：开关的数据模型（按用户、按地区、按百分比灰度）、配置的下发与缓存、生效延迟与一致性的取舍、以及审计与回滚。这两道题都不要求画出复杂架构，而是考你把状态与流程说清楚。MLE 条线的 OA 是三道题：Python 基础语法、一道被 recruiter 称为 ML coding 但实际是逻辑题（若干点各自朝下一个点移动，判断是否会相遇）、以及在 Jupyter notebook 里用朴素贝叶斯做垃圾邮件文本分类并用 F1 score 评估——这道题的关键是把特征构造（词袋或 TF-IDF）、训练与评估流程完整跑通，而不是调参。另外这条流程里 recruiter 给错方向的情况出现过（说是 LeetCode 实际是 Code Review），所以重要轮次的形式建议向 HR 二次确认。

Disney 常见目标岗位

建议重点模拟这些轮次

Disney 面试流程一般有几轮？

Disney 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。

Disney 最常考什么题型？

根据同学提供的面经信号，Disney 最常考的题型包括 实现题：单规则广告过滤（广告与规则的集合字段比较、age 与 minAge / maxAge 的边界、operator 的 AND / OR 语义、可选条件的默认行为）。、Code Review：前端或后端代码的常见问题清单，以及『如果这是 junior 写的，你会怎么帮他』的回答结构。、前端 System Design：shopping cart（目录、购物车状态、结算流程）与 feature flag（开关模型、灰度、配置下发与生效）。、MLE：朴素贝叶斯文本分类（垃圾邮件识别）与 F1 score 评估；以及二维空间移动点是否相遇的判定。。建议先从高频题型入手，再做项目深挖和模拟面试。

Disney 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。

Disney SWE 岗位最难的是什么？

Disney 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。

Disney 面经应该怎么看？

同学提供的面经适合用来判断 Disney 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。

Disney 代面、面试辅助、OA 代写多少钱？

Disney 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。