Snap 面试辅助：盲盒式 VO、Hard Coding 与 3/4 Pass 阈值

Coding（hard）：Union Find（LC 803 类）、BFS 网格最短路与 release 时间变体（LC 1293 类）、多源 BFS（逃生最短时间）、rate limiter（sliding window / token bucket）。

并发 follow-up：multi thread race condition、concurrent hashmap、synchronized 与锁的取舍（面试官偏好无锁或更高效方案）。

System Design：metrics collection 与 alerting（realtime + offline 双链路）、视频 feed 下发（Spotlight / Story）、广告投放统计与 spend（用户请求需取回 10k 广告的数据量处理）、Story 的收藏与 offline 支持。

MLE / ML Design：video recommendation 的 retrieval 与 ranking 如何对齐、server 间需要传递哪些数据、以及候选人的项目能否支撑 55 分钟深挖。

iOS：SwiftUI / UIKit 实现 scrollable square grid（需求逐层加码：固定行列 → 外部传入行列 → 随机颜色 → 跳转 detail → 回传数据）、LRU 变体、以及 Swift 与 GCD 的代码输出题（class vs struct、copy-on-write、stack vs heap、unowned vs weak）。

社招（L5 及以上）常见 Phone Screen 加 5 轮 VO，VO 构成为两轮 Coding、两轮 System Design、一轮 Culture / Q&A；同学提供的面经里 Q&A 轮的面试官会明确告知『前四轮里至少三轮 pass 才能进入讨论，只有两轮 pass 大概率凉』。

Coding 偏 hard 且需要现场跑测试：同学提供的面经样本里出现过 LC 803（Union Find）、LC 1293 及其变体（BFS 最短路，变体要求每个 cell 有 release 时间、只有 release 后才能进入，需比较全局时间与 cell 时间）、多源 BFS 逃生问题、以及 rate limiter。

Coding 的 follow-up 常转到并发：rate limiter 之后会讨论 multi thread 下的 race condition、concurrent hashmap、synchronized 的用法，并且同学提供的面经里面试官不喜欢 lock、认为不够高效。

System Design 偏深度、追问频繁：同学提供的面经样本里出现过 metrics collection 与 alerting（要求同时支持 realtime query 与 offline 分析，常见 lambda architecture 思路）、Spotlight 视频 feed 的后端下发、广告投放次数与 spend 统计（每个用户请求 ad server 需要找回 10k 个广告）、以及 Snapchat Story（支持收藏、保存与 offline）。

VO 轮次是『盲盒』：同学提供的面经里候选人问 recruiter 每轮考什么，得到的回复是公司文化强调管理模糊性（manage ambiguity），因此不预先公布每轮内容。

iOS 条线有独立的 5 轮 5.5 小时 VO 结构：System design（Story 功能，支持收藏 / 保存 / offline）、LeetCode（LRU 变体，item size 不同、可能需要淘汰多个）、Q&A、iOS coding（本地 Xcode 开发 scrollable square grid，需求逐层加码）、iOS Domain Specific（在 HackerRank 上读 Swift 与 GCD 代码判断输出）。

流程尾部有 Team Match 且可能等待数月；同学提供的面经里 team match 慢是常见情况，debrief 反馈也可能因 recruiter 休假而延后一周以上。

给定网格与障碍，求从起点到终点的最短路径；进阶要求每个 cell 有一个 release 时间数值，只有全局时间达到该值后才能进入，求最少总时间。

给定多源起点与障碍网格，求所有人到达任一出出口的最短时间（多源 BFS），并说明复杂度与边界处理。

实现一个 rate limiter（sliding window 或 token bucket 均可），然后讨论多线程下的 race condition：concurrent hashmap、synchronized 与无锁方案的取舍，面试官偏好更高效的方案。

设计一套 metrics 采集与告警系统，要求同时支持 realtime query 与 offline 数据分析，说明实时与离线链路的划分、延迟预算与成本取舍。

设计广告投放次数与 spend 的统计系统：采集每个广告的观看记录，并把结果提供给 ad server 判断新广告下发；考虑每个用户请求需要找回 10k 个广告的数据量。

设计短视频推荐系统：说明 retrieval 与 ranking 如何对齐、server 之间需要传递哪些数据、以及如何评估线上效果。

hard 题加现场跑测试，follow-up 常转并发

Snap 的 coding 轮同学反馈集中在两点：题目偏 hard，而且必须现场手写测试并跑通。出现过的题目包括 LC 803（需要用 Union Find）、LC 1293 及其变体、多源 BFS 逃生问题、以及 rate limiter。LC 1293 的变体很能说明 Snap 的出题风格：在原题基础上移除 eliminate 的要求，但给每个 cell 加一个 release 时间数值，只有 release 之后才能进入该 cell，求最少总时间——比较全局时间与当前 cell 的数值即可决定是否需要等待。这类变体『看着玄乎但算法不难』，前提是你对原题的逻辑足够熟。rate limiter 的 follow-up 更能体现评分点：同学提供的面经里面试官接着讨论了 multi thread 造成的 race condition、concurrent hashmap、synchronized 的用法，并且明确表示不喜欢用 lock、认为不够高效。所以准备时要练两层：第一层是把 sliding window 或 token bucket 写对并跑通测试；第二层是能讲清并发下的正确性方案与性能取舍。另外同学提供的面经里有面试官会提供 test case、也有需要自己写 test 并覆盖大量 edge case 的情况，两种都要练。

轮次不公布，3/4 pass 是进入讨论的门槛

Snap 的 VO 有一个非常特殊的设计：除了不计分的 Culture / Q&A 轮，其余四轮技术面不会提前告诉你哪一轮考什么。同学提供的面经里有候选人发邮件询问，recruiter 的回复是公司文化强调 manage ambiguity，因此不能分享每轮的具体内容。这对准备策略有直接影响——你必须假设每一轮都可能是 Coding 或 System Design，无法针对性押注。另一个关键机制来自 Q&A 轮面试官的明确说明：前面四轮里至少要有三轮 pass 才能进入讨论，只有两轮 pass 大概率会被拒。这解释了同学提供的面经里那种『自我感觉发挥不错但被自动邮件拒了、且不给原因』的情况——四轮里有两轮失手，就已经在阈值之外。可执行的策略是：把四轮当成四个独立的评分单元，不要指望某一轮表现特别好来弥补另一轮，优先保证没有明显失手的一轮。另外 Q&A 轮虽然不计分，但它是你唯一能主动获取信息、展示产品理解的机会，准备 4-5 个有质量的问题（关于团队的工程挑战、产品方向、技术债）比问福利更有价值。

四类主题：metrics、feed、Story、广告统计

Snap 的 System Design 同学提供的面经样本集中在四个主题，而且追问都很细。第一类是 metrics collection 与 alerting，要求同时支持 realtime query 与 offline 数据分析，常见思路是 lambda architecture（实时与离线分开处理）；这类题的关键是讲清实时链路的延迟预算与离线链路的成本取舍。第二类是视频 feed 下发（Spotlight 或 Story），只需要设计后端 video feed vending 部分，支持前端上滑下滑；同学提供的面经里候选人的思路接近 news feed 的设计，准备时可以复用 ranking、缓存与分页的框架。第三类是广告投放次数与 spend 统计，要求数据用于让 ad server 判断新广告的下发；这道题的难点在数据量——同学提供的面经里提到每个用户请求 ad server 时需要找回 10k 个广告，所以要讲清数据聚合层级、缓存策略与预计算。第四类是 Snapchat Story，要求支持收藏、保存与 offline。共同点是面试官会主动打断并 challenge，同学提供的面经里明确提到『必须讲满意，不然会留下 red flag，只了解名词帮助不大』。所以准备方式是把每个主题的架构与量级估算写成完整口述，并让人专门扮演追问者。

项目深挖 55 分钟，或本地 Xcode 实操

MLE 与 iOS 是两条独立的深水区。Staff MLE 同学提供的面经里有两轮 Design（Phone Screen 阶段）加四轮 VO：Product（聊一个你喜欢的产品并给改进建议）、Coding（O(1) get 与 add 套壳）、ML Design（video recommendation 的 retrieval 与 ranking 如何 align、server 间需要传递哪些数据）、以及一轮名为 Behavioral 但实际揪着候选人一个项目问满 55 分钟的 Leadership & QA（从 background 到 design 到 method 持续质疑『这个问题为什么是问题』）。这条反馈的启示是：MLE / Staff 条线的项目深挖强度极高，你需要把一个项目的背景、动机、方案对比、指标与反驳都准备好，并且能解释为什么用模型而不是规则。iOS 条线的 VO 结构是 5 轮 5.5 小时（可同日或分两天）：System design（Story 功能，支持收藏与 offline）、LeetCode（LRU 变体，每个 item size 不同、超总容量时可能需淘汰多个）、Q&A、iOS coding（在本地 Xcode 里开发 scrollable square grid，SwiftUI 或 UIKit 均可，需求逐层加码：固定行列 → 行列由外部传入 → 每次点击随机颜色 → 点击跳转 detail 页面 → detail 修改后回传上一级）、iOS Domain Specific（面试官在 HackerRank 上写代码让你判断输出，只考 Swift 与 GCD，不问 UI）。iOS 方向准备时要覆盖 class vs struct、copy-on-write、stack vs heap、unowned vs weak（含为什么 unowned 可能 crash 而 weak 不会）、以及手写一个不依赖系统 Dictionary 的字典结构。

Snap 常见目标岗位

建议重点模拟这些轮次

Snap 面试流程一般有几轮？

Snap 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。

Snap 最常考什么题型？

根据同学提供的面经信号，Snap 最常考的题型包括 Coding（hard）：Union Find（LC 803 类）、BFS 网格最短路与 release 时间变体（LC 1293 类）、多源 BFS（逃生最短时间）、rate limiter（sliding window / token bucket）。、并发 follow-up：multi thread race condition、concurrent hashmap、synchronized 与锁的取舍（面试官偏好无锁或更高效方案）。、System Design：metrics collection 与 alerting（realtime + offline 双链路）、视频 feed 下发（Spotlight / Story）、广告投放统计与 spend（用户请求需取回 10k 广告的数据量处理）、Story 的收藏与 offline 支持。、MLE / ML Design：video recommendation 的 retrieval 与 ranking 如何对齐、server 间需要传递哪些数据、以及候选人的项目能否支撑 55 分钟深挖。。建议先从高频题型入手，再做项目深挖和模拟面试。

Snap 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。

Snap SWE 岗位最难的是什么？

Snap 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。

Snap 面经应该怎么看？

同学提供的面经适合用来判断 Snap 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。

Snap 代面、面试辅助多少钱？

Snap 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。