DS / DE / SWE / MLE / AI Engineer 岗位题型速查表

先定位优先级

不要平均处理所有条目。先根据目标公司、岗位、轮次和面试倒计时，圈出最可能影响结果的 3 个风险。

再做输出训练

每个条目都要落到可说出口的答案、可运行的测试样例或可复盘的项目证据，而不是只停在知道概念。

最后压缩复盘

面试前 48 小时只看错因、边界、项目追问和表达节奏，避免临时开启大范围新内容导致准备发散。

DS：SQL 必备题

• 留存：给 user_events 表，计算 D1 / D7 retention，处理同一用户重复事件、时区和注册当天定义。
• 漏斗：从 view -> click -> purchase 计算每步转化率，说明事件去重、时间窗口和跨天行为。
• 归因：广告曝光、点击、下单三表，计算 last-touch / first-touch attribution，并说明 bias。
• Sessionization：按 30 分钟 inactivity 切 session，计算平均 session length 和活跃用户。
• 窗口函数：每个用户最近一次购买、连续活跃天数、top N 商品、rolling 7-day revenue。
• 易挂点：先写 SQL 不先定义业务口径，忽略 NULL、重复行、late event 和 timezone。

DS：Product Sense / Experiment

• 指标设计：新用户激活率下降，先拆用户分层、漏斗、供给、渠道、产品改动和外部因素。
• 产品 case：推荐页点击率提升但留存下降，如何判断是不是低质量 engagement。
• A/B Test：设计 checkout 改版实验，说明 primary metric、guardrail、sample size、ramp 和停止条件。
• Bias：解释 selection bias、survivorship bias、network effect、seasonality 和 novelty effect。
• Switchback：marketplace / delivery / ride-sharing 场景为什么不能普通用户级 randomization。
• 易挂点：只给产品建议，不讲指标树、实验验证、风险和反事实。

DE：SQL / 数据建模

• 去重：event 表重复上报，按 event_id、user_id + timestamp 或 payload hash 定义唯一性。
• 增量：每天同步订单数据，处理 update、delete、late arriving data 和 backfill。
• SCD：用户 profile 变化，设计 type 1 / type 2 维表并解释查询口径。
• 数据倾斜：group by 某个超级大 key 导致 Spark job 慢，如何发现和缓解。
• Metrics Layer：GMV、active user、conversion rate 口径如何版本化、审计和复用。
• 易挂点：只会写 SQL，不会解释上游脏数据、口径治理、查询成本和消费方契约。

DE：Pipeline / Platform Design

• Pipeline 设计：SaaS source 到 warehouse，覆盖 ingestion、staging、mart、quality check、lineage 和 alert。
• CDC：从 OLTP 到 warehouse，同步 insert / update / delete，处理 ordering、schema evolution 和 exactly-once 近似。
• Backfill：历史数据修复时如何保证幂等、成本可控、不污染线上指标。
• Streaming：实时行为日志平台，处理 event time、processing time、watermark、dedup 和 replay。
• Data Quality：定义 freshness、volume、null rate、uniqueness、referential integrity 和 anomaly detection。
• 易挂点：只讲 Airflow / Spark / dbt 工具名，不讲 failure mode、SLA、owner 和 downstream impact。

SWE：Coding 题型

• 图：最短路、拓扑排序、cycle detection、connected components、edge reversal、multi-source BFS。
• 树：LCA、serialize / deserialize、reroot DP、path sum、subtree aggregation、trie。
• 数据结构：LRU、time-based KV、snapshot array、iterator、heap、rate limiter、leaderboard。
• Interval：meeting rooms、calendar booking、merge intervals、sweep line、sliding window。
• 业务规则：CSV validator、payment ledger、subscription timeline、ranking / scoring system。
• 易挂点：代码能 AC，但面试中不讲澄清、复杂度、测试和 follow-up 改约束。

SWE：System Design / Behavioral

• 基础设计：URL shortener、news feed、chat、file storage、notification、rate limiter、search autocomplete。
• 业务设计：payment system、subscription billing、food delivery、driver location、quota system、task scheduler。
• 每题固定讲：需求、API、schema、容量、读写路径、缓存、队列、数据库、监控、降级。
• Behavioral：ownership、conflict、failure、ambiguity、cross-team impact、mentorship、technical leadership。
• Senior+：准备 migration、tech debt、incident response、组织协作和长期演进。
• 易挂点：画了很多组件，但讲不清数据流、瓶颈、失败路径和为什么这样取舍。

MLE：ML Coding / ML Design

• ML Coding：numpy broadcasting、top-k、cosine similarity、ranking metric、batch normalization、negative sampling。
• PyTorch：tensor shape、custom dataset、loss function、training loop、gradient、masking 和 batching。
• ML Design：推荐、广告排序、搜索排序、内容安全、fraud detection、LLM inference、embedding retrieval。
• 每题固定讲：数据、标签、特征、模型、训练、评估、serving、监控、rollback、privacy / safety。
• 线上问题：offline-online skew、feature freshness、data drift、latency、cost、cold start、bad case analysis。
• 易挂点：只讲模型结构和指标，不讲数据闭环、serving 约束、监控和失败恢复。

MLE：项目深挖

• 推荐 / 排序项目：讲 retrieval、ranking、feature store、online feedback、A/B test 和 guardrail。
• LLM / GenAI 项目：讲 prompt / fine-tune / RAG、eval、latency、safety、cost 和 fallback。
• 模型上线项目：讲 batch vs online serving、model version、canary、rollback、monitoring 和 data contract。
• 失败复盘：准备一次模型效果下降、数据污染、线上延迟或 bad case 引发的修复经历。
• Impact：不要只说 accuracy 提升，要连接 business metric、latency、cost、human review 或 user experience。
• 易挂点：项目像论文介绍，听不出工程 ownership 和生产系统判断。

AI Engineer：RAG / Agent / LLM Eval

• RAG Design：ingestion、chunking、hybrid retrieval、rerank、citation、ACL（检索前过滤）、freshness 和 stale 标记。
• Agent Design：tool calling、state / memory 分层、retry 与幂等、approval 流、observability 和 prompt 注入防御。
• LLM Eval：golden set 构建、LLM-as-judge 偏差、human eval 双评仲裁、regression 告警和 A/B 灰度。
• Production：TTFT / latency 拆解、token cost 口径、cache 与模型路由、fallback、rate limit 和 incident response。
• 每题固定讲：目标与 guardrail、数据 / 工具链路、评估方案、成本延迟、失败恢复和演进路径。
• 易挂点：会搭 Demo 但讲不清 Eval、权限边界、token 成本和线上故障恢复。

AI Engineer：Python Coding 与项目深挖

• Python Coding：字符串处理、图 / 树、LRU、top-k、并发基础，限时加边界测试。
• Applied AI Coding：embedding 相似度、检索打分、prompt 模板解析、token 计数和简单 RAG 管道实现。
• 项目深挖：把 AI 项目讲成 Demo → 生产的证据链，重点补 eval 集、成本、延迟、安全取舍和失败案例。
• 与 MLE 区分：不背推荐 / 排序模板，要能讲 LLM 应用特有的 retrieval、tool 调用和 eval 闭环。
• 易挂点：coding 能 AC 但项目深挖停在概念层，追问 token cost 或 incident response 就卡住。

面试前优先级怎么选

• 只剩 OA：SWE / MLE 先练 coding 限时和测试；DS / DE 先练 SQL 口径和边界。
• 只剩 Phone Screen：每题练口头解释，不要只看答案；重点补澄清、复杂度和 follow-up。
• 只剩 VO：先做 mock 找失分点，再把 coding、design、project、BQ 各压成一页复盘。
• 只剩 HM / Final：优先准备项目 impact、失败复盘、冲突处理、目标团队匹配和 level 证据。
• 如果时间很少，每个岗位最多选 3 个最高风险题型，不要重新开全量题库。
• 如果目标公司明确，优先按公司题型过滤岗位题型，例如 Stripe SWE 先练业务规则，Snowflake DE 先练 SQL + pipeline。

每轮训练后的复盘表

• 题目类型：coding、SQL、system design、ML design、project、BQ。
• 失分原因：读题、概念、实现、测试、表达、时间管理、follow-up、项目细节。
• 下次动作：补一个概念、重做一道变体、改一段项目叙事、做一轮 mock。
• 可复用模板：这题能沉淀成什么模式，例如 sliding window、ledger、CDC、feature freshness。
• 风险等级：面试前是否还会在同类问题上挂，如果会，优先级提升。
• 复盘结论：下一轮只改一个主问题，避免同时改太多导致训练发散。