Perplexity 面试辅助：AI Engineer、CoderPad OA、RAG 与 Agentic 系统

店面魔改题：In-memory File System、beam search，tree/trie + path parsing 结构选型与 unit test 全过。

CoderPad OA：byte-level tokenizer 更快实现（priority queue + linked list，≤10s）+ 受限采样估算 token 数。

System Design：discovery 个性化推荐、trending queries、long-running agentic query 的 durable resumable 执行 + 进度流式。

ML coding / 基础：scikit-learn binary classifier + eval metrics；transformer positional encoding 等 ML 基础问答。

流程快、淘汰快：HR/Recruiter Screen 也会问 ML 基础（如 transformer positional encoding），答不好或「不 match」可能很快收拒信；headcount 紧、面试互动少，必须自己主动推进节奏。

店面/phone coding 主打「魔改题」：In-memory File System、beam search、ToDo list for AI 这类在 LeetCode 相近题上做命令解析/接口改造的 hands-on 实现题。

Onsite 公开样本常见 2 轮 System Design + 1 轮 Coding：SD 强绑定 Perplexity 产品（discovery 个性化推荐、trending queries、long-running agentic query 的 durable resumable 执行 + 进度流式）；官方按岗位组合 Practical Assessment / Hands-on Coding / Spike / Agentic Coding / System Design 等轮次。

ML coding 画风和御三家不同：店面 ML 轮指向 scikit-learn 在 toy dataset 上训练 binary classifier 并改进 eval metrics，不是手撕 Transformer / PyTorch 推导。

实现一个 In-memory File System：支持 mkdir / touch / read / write / ls，路径解析用 tree，unit test 全过并说明边界（符号链接、非法字符）。

给定 byte-level tokenizer 的 reference 实现，写出输出完全一致、总耗时 ≤10s 的更快实现（常需 priority queue + linked list），再用受限 sample_size 采样估算 token 数。

设计 Perplexity 的 long-running agentic query 执行：durable resumable 执行、进度流式推送、失败恢复与成本/延迟取舍。

设计 discovery 页个性化推荐：召回、排序、多样性与冷启动，说明规模估算与一致性。

用 scikit-learn 在 toy dataset 上训练 binary classifier，说明 train/test split、cross-validation，并提出 2 个 eval metric 的改进方向。

数据结构选型 + 主动讲假设

店面/phone coding 主打魔改题：In-memory File System、beam search、ToDo list for AI，考点是数据结构选型（tree/trie + path parsing）、unit test 全过、以及在面试官少提示时主动讲假设和排查步骤。平时要练「读懂题面 → 选结构 → 实现 → 全过 test → 主动说明假设」的完整闭环。

SD 强绑定 Perplexity 产品

Onsite SD 强绑定产品：discovery 页个性化推荐、home 页 trending queries、long-running agentic query 的 durable resumable 执行 + 进度流式。考点是规模估算 + 一致性/延迟/成本取舍 + failure handling，不是通用 SD 模板。准备时把「可恢复执行 + 进度流式」这类 agentic 特性作为 SD 的差异化切入点。

scikit-learn 画风和御三家不同

店面 ML 轮指向 scikit-learn 在 toy dataset 上训练 binary classifier 并改进 eval metrics，而不是手撕 Transformer / 用 PyTorch 推导。平时不碰 scikit-learn API 的候选人会在这里吃时间，建议提前过一遍 train/test split、cross-validation 和常用 classifier API，以及 eval metric 的改进思路。

Perplexity 常见目标岗位

建议重点模拟这些轮次

Perplexity AI Engineer 面试流程是怎样的？

流程快、淘汰快：HR / Recruiter Screen（也会问 ML 基础，如 transformer positional encoding）→ Practical Assessment / CoderPad OA（公开样本显示约 4 小时）→ 店面 coding → Onsite（公开样本常见 2 轮 System Design + 1 轮 Coding）→ HM / Team Match。官方按岗位组合轮次类型，headcount 紧、面试互动少，必须自己主动推进节奏。

Perplexity 的 CoderPad OA 考什么？

OA 公开样本显示 CoderPad 上约 4 小时（recruiter 说多数人约 1 小时）的 byte-level tokenizer 题：先读懂 reference 实现并用英文描述算法 → 写出输出完全一致、总耗时 ≤10s 的更快实现（常需 priority queue + linked list）→ 用受限 sample_size 采样估算 token 数。后一 part 依赖前一 part，时间管理是最大挂点。

Perplexity 的店面 coding 和 System Design 有什么特点？

店面 / phone coding 主打'魔改题'：In-memory File System、beam search、ToDo list for AI 这类在 LeetCode 相近题上做了命令解析 / 接口改造的 hands-on 实现题，考点是数据结构选型（tree / trie + path parsing）、unit test 全过、主动讲假设。Onsite SD 强绑定 Perplexity 产品（discovery 页个性化推荐、trending queries、long-running agentic query 的 durable resumable 执行 + 进度流式），不是通用 SD 模板。

Perplexity 的 ML coding 和御三家有什么不同？

Perplexity 的 ML coding 画风和御三家不同：店面 ML 轮公开信号指向 scikit-learn 在 toy dataset 上训练 binary classifier 并改进 eval metrics，而不是手撕 Transformer / 用 PyTorch 推导——平时不碰 scikit-learn API 的候选人会在这里吃时间。建议提前过一遍 scikit-learn 的 train/test split、cross-validation 和常用 classifier API。

Perplexity 面试需要准备多久？

建议至少提前 4-6 周。前 2 周练'魔改题'（文件树 / trie + 命令解析）和 CoderPad 时间管理，中间 2 周做 Onsite SD 模拟（个性化推荐、agentic query 执行）+ scikit-learn ML coding，最后 1-2 周练 HR 轮 ML 基础问答和主动推进节奏的表达。

Perplexity 一亩三分地面经应该怎么看？

一亩三分地等公开面经适合用来判断 Perplexity 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。

Perplexity 代面、面试辅助多少钱？

Perplexity 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。