1. **OpenAI 的系统设计面试是否有明确的评估标准？**

  OpenAI 的系统设计面试通常比一些公司（如 Meta）更灵活，不会有固定的评估标准。OpenAI 更加关注你在解决系统设计问题时的批判性和创造性思维。他们关注你对权衡取舍的理解、可扩展性以及你如何处理复杂问题。重点在于你的问题解决过程和沟通能力，而不是严格遵循预定义的标准。

2. **在 OpenAI 的系统设计面试中，通常会有哪些问题？**

  尽管具体问题可能有所不同，但以下是一些可能遇到的系统设计问题示例：
  - **为产品中的新功能设计一个可扩展的推荐系统。** 这个问题会考察你如何处理大规模用户数据，实施算法，并确保系统能够随着用户需求的增长而扩展。
  - **设计一个实时协作编辑系统（例如 Google 文档）。** 这将测试你对分布式系统、实时同步和一致性模型的了解。
  - **设计一个高吞吐量的数据摄取管道。** 你可能需要讨论如何处理大量数据、确保数据完整性以及管理处理延迟。

3. **你与 OpenAI 面试的经验如何？他们是否表现得开放和好奇？他们是否重视你作为候选人？**

  根据一些候选人的反馈，OpenAI 的面试官通常被认为是开放和好奇的。他们重视能够清晰地阐述思维过程并展示对系统设计原则深刻理解的候选人。面试通常是对话式的，让你可以和面试官进行来回讨论，面试官对你的方法和推理表现出真正的兴趣。他们也以尊重你的时间和努力著称，重视候选人的观点，并提供建设性的反馈。

总体来说，准备 OpenAI 的系统设计面试时，需要重点关注你的问题解决能力、对系统权衡取舍的理解，以及能够清晰和深思熟虑地讨论你的设计选择。

我最近在 OpenAI 面试了 TPM 职位……在你问之前，说明一下，这是我盲投的简历，没有任何推荐。

面试官在我讲述了在 Meta Infra 做的一个项目后问了我一个问题：“如果你需要更快地完成这个项目，你会怎么做不同的安排？”

我不太知道怎么回答，除了“提高工作效率”以外。这个项目的一部分涉及跨职能需求和约束的收集，以及在团队之间寻找解决方案，但我能做的只是加快自己的工作进度，并推动那些团队更快地交付。

我真的想不到一个“系统性更好的”方式，但这可能就是他们拒绝我的原因。

当然，以下是一篇关于Meta MLE（机器学习工程师）L5面试的详细面经，希望能为你提供一些有用的信息：

---


最近我完成了Meta的L5机器学习工程师面试，整个过程涉及了多个环节，包括电话筛选、技术面试以及现场面试。以下是我经历的详细情况，希望能对大家有所帮助。

**1. 电话筛选**

* **电话面试一（招聘人员）：** 
  - **内容:** 招聘人员主要讨论了我的背景和简历，同时问了一些基本的行为问题，比如“你在过去的项目中如何应对挑战？”、“你如何处理团队中的冲突？”等。虽然问题不算复杂，但招聘人员试图了解我是否适合Meta的公司文化和职位要求。
  - **准备:** 我提前准备了一些典型的行为问题的答案，确保可以清晰地阐述我的经历和能力。

* **电话面试二（招聘经理）：** 
  - **内容:** 这个面试主要集中在我的技术能力上，尤其是机器学习方面。我被问到了一些基础的机器学习概念，比如过拟合和欠拟合、交叉验证的方法、模型选择的标准等。此外，还问了一些具体的项目经验，比如我在之前的工作中如何应用特定的算法解决实际问题。
  - **准备:** 我复习了基本的机器学习理论，并准备了一些我参与过的项目的详细描述，能够清晰地讲述我的贡献和遇到的挑战。

* **电话面试三（技术面试）：** 
  - **内容:** 这是一轮技术面试，主要集中在算法和数据结构上。面试官问了几个算法问题，包括数组和链表的操作、排序和查找算法等。还问了一些关于机器学习模型的实现细节问题，比如如何优化模型的训练时间。
  - **准备:** 我刷了一些LeetCode题目，特别是那些涉及到数组、链表和排序的题目，确保能够在面试中迅速解决问题。

**2. 现场面试**

* **现场面试一（机器学习算法设计）：** 
  - **内容:** 这个面试集中在设计机器学习算法上。我被要求设计一个用于推荐系统的算法，并解释如何处理大规模数据集的问题。面试官对我设计的算法提出了一些挑战，询问如何优化性能和减少计算复杂度。
  - **准备:** 我回顾了推荐系统的常见算法和优化方法，并准备了一些常见的设计问题的解决方案。

* **现场面试二（代码实现和技术讨论）：** 
  - **内容:** 这个面试主要考察了我的编码能力和技术讨论能力。我需要在白板上实现一个机器学习算法，并解释我的实现过程。面试官还讨论了我选择的算法的优缺点，并询问了可能的改进方案。
  - **准备:** 我练习了在白板上编写代码，确保能够清晰地解释我的思路和实现过程。同时，我准备了一些常见的算法和数据结构问题的解答。

* **现场面试三（系统设计）：** 
  - **内容:** 这个面试的重点是系统设计。我被要求设计一个大规模的数据处理系统，包括数据收集、存储和分析的各个环节。面试官询问了我如何处理系统的扩展性、容错性和性能优化等问题。
  - **准备:** 我学习了系统设计的基础知识，包括分布式系统的设计原则、数据存储和处理的最佳实践等。

* **现场面试四（行为面试）：** 
  - **内容:** 这轮面试主要考察了我的行为和沟通能力。面试官问了我在团队合作、冲突解决和项目管理方面的经历。还讨论了我如何应对工作中的压力和挑战。
  - **准备:** 我回顾了我的工作经历，准备了一些关于团队合作和问题解决的真实案例，并确保能够清晰地表达我的观点。

* **现场面试五（文化适配）：** 
  - **内容:** 这轮面试集中在文化适配上。面试官询问了我对Meta的文化价值观的理解，并讨论了我如何与团队成员和公司文化相契合。
  - **准备:** 我研究了Meta的公司文化和价值观，准备了一些能够体现我如何与这些文化和价值观相符的例子。

**总结**

整个面试过程相对顺利，每一轮面试都针对不同的能力进行评估。从行为面试到技术面试，Meta的面试官都非常注重细节和深度。建议未来的候选人充分准备，尤其是在机器学习算法设计和系统设计方面。确保能够清晰地表达你的思路，并对Meta的文化和价值观有一定的了解，这将有助于你在面试中表现出色。

希望这篇面经能为正在准备Meta MLE面试的你提供一些有用的参考。祝好运！

我刚刚经历了亚马逊的L5面试流程，简直是我经历过最疯狂的面试之一。

最近我每周大概都会收到五封来自亚马逊招聘人员的邮件，最后我决定回应一封，就当练习一下?。

通过了电话面试，只被问了一个问题——这是我在任何电话面试中遇到的最简单的问题之一（比“Hello World”程序稍微复杂一点）。

电话面试后的第二天，招聘人员就询问我的现场面试时间。

在现场面试前几天，这位招聘人员用他的个人Gmail账户发了几道问题给我（系统设计和LeetCode问题），据说这些问题会在面试中被问到（面试时我确实被问了这些问题，完全一样的措辞）?。

几天后，他们给了我一个大约30万美元的offer，我立刻拒绝了。我觉得这可能是一个“先招后炒”的案例。

不确定有没有其他人有过类似的经历，感觉他们现在变得非常急迫。

Is this true?
https://youtu.be/oOFUAF6e7kU?si=BxrqULxEBhVoEypj

我向招聘经理介绍了我的简历，并被问到了一个STAR问题。招聘经理并不无礼或匆忙，我通过询问与职位相关的问题试图让面试持续更长时间，招聘经理也很投入。

这是好兆头还是坏兆头？

更新：亚马逊通知我他们不会继续前进了。感觉新年就想一了百了。

$150k 基本工资/82k 第一年奖金，62k 第二年/55 股权奖励
第一年总薪资：$240k。
更新：职位 Sr.BIE 西雅图
面试流程：

1. 整个面试流程非常顺利，我很喜欢与每个人的交谈。先是三个电话面试（招聘人员、招聘经理和技术编码人员），然后进入循环面试！
   
2. 循环面试：这是我第一次在亚马逊面试。共有5轮，总共6个人参与。行为面试（BR）有两个人。
   
3. 其中一轮是类似 coder-pad 的 SQL 面试。大部分问题都围绕窗口函数（如 lag、运行总计、移动平均值）和自联接展开。
   
4. 每位面试官至少问了两个领导力原则问题，行为面试官问了3个。我觉得行为面试是最难的，有很多跟进问题。所以一定要深入细节。如果你真的参与过相关工作，回答这些问题会自然而然地流露出来。
   

最近刚面了亚马逊SDE L5的职位，整个流程走下来真的感触挺深的。亚马逊的面试流程有点特别，不仅要准备算法和系统设计，亚马逊的领导力原则（Leadership Principles）贯穿了整个过程。这次面试包含一次电话筛选和四轮onsite，我就给大家分享下具体的面试过程和感受。

### 电话筛选
一开始是一个电话筛选，大概一个小时的时间。面试官是一位非常友善的工程师，整个气氛还算轻松。问题不算太难，两个Leetcode中等难度的题目。第一题是一个常见的数组问题，要求找到数组中两个数的和等于一个目标值，我用的是哈希表的解法，面试官问了一些关于时间复杂度和边界条件的问题。第二题是关于树的深度优先搜索，问的是如何找出一棵二叉树的所有路径，递归搞定。整体感觉这一轮比较顺利，五天之后就收到了onsite面试的通知。

### Onsite 面试
接下来是onsite，总共四轮，主要包括两轮算法，一轮系统设计和一轮行为面试。整体难度比L4要高，但也是可以通过准备应对的。每一轮的考察重点都不太一样，具体情况如下：

#### 第一轮：算法和数据结构
这轮考察了数组和链表的相关问题。第一题是一个变形的“滑动窗口最大值”问题，要求在一个数组中找到固定长度窗口的最大值。我先用暴力解法，然后优化成用双端队列（deque）实现，面试官显然对我的优化过程比较满意。第二题是关于链表的反转，要求在K个一组的情况下反转链表，典型的递归题目，我一步一步解释了递归的过程，面试官对我的代码实现和边界条件的处理提了一些问题，整体感觉这一轮表现还不错。

#### 第二轮：算法和数据结构
这轮题目比第一轮难度稍大。第一题是“最小覆盖子串”问题，我用滑动窗口解决了，虽然实现过程稍微有些卡顿，但最终还是写出了正确答案。第二题是关于图的遍历，问的是如何在一个有向图中找出所有环，典型的深度优先搜索（DFS）应用。面试官问了我如何处理图中不存在环的情况，我详细解释了拓扑排序的解法，面试官似乎对我的解答比较满意。虽然题目难度较大，但我觉得我对算法的掌握还是可以的。

#### 第三轮：系统设计
系统设计一直是大厂面试中的重要环节，这轮题目是设计一个简化版的社交网络消息系统，类似Twitter的发布和订阅模型。我先从需求入手，讨论了系统的核心功能，包括消息发布、订阅、存储和推送。接着我们讨论了如何处理海量数据和用户，特别是如何通过分片（sharding）提高系统的扩展性。面试官问了我关于数据一致性和高可用性的实现方法，我提到了使用Kafka做消息队列，并进一步讨论了如何保证消息的有序性和幂等性处理。感觉这轮的讨论比较深入，面试官对我的设计思路也表现得比较认可。

#### 第四轮：行为面试
这一轮基本围绕亚马逊的领导力原则展开，面试官问了很多关于团队合作、如何解决冲突以及如何在压力下完成任务的案例。我举了几个在过去项目中的具体例子，比如一次遇到的技术瓶颈，以及如何带领团队在紧迫的时间内找到解决方案。面试官对我的回答很感兴趣，不时会深入问一些细节，比如我在面对团队分歧时是如何权衡技术决策和项目进度的。亚马逊非常看重候选人是否具备“ownership”和“bias for action”，所以我在回答中尽量突出自己在项目中如何主动承担责任和推动项目进展。

### 面试后的感受
整个面试下来感觉亚马逊对候选人的综合素质要求挺高的，不仅仅是技术水平，领导力原则也非常重要。总的来说，我觉得我的表现还是不错的，虽然有些环节略微紧张，但大部分问题都答得比较顺利。如果你想面亚马逊的SDE L5职位，建议不仅要刷题，还要熟悉系统设计，并提前准备好关于领导力原则的行为题目，能够提供具体的例子来说明自己如何应对复杂的工作环境。

我最近参加了亚马逊SDE L5职位的面试，整个过程从电话筛选到现场面试一共经历了5轮。整体感觉亚马逊的面试风格比较直接，注重实际解决问题的能力和领导力原则（Leadership Principles）的应用。以下是每轮面试的细节，希望能给其他人一些参考。
### 电话筛选：
面试一开始是一个小时的电话筛选，由一位工程师主持。主要集中在编程题和一些基础的系统设计问题。第一道题是Leetcode中等难度的链表问题，要求我们合并两个有序链表。第二道题是关于哈希表的经典问题，需要查找数组中是否存在两数之和为给定目标值。我采用了O(n)时间复杂度的哈希表解法，并在面试官的要求下进行了一些优化讨论。
### Onsite 面试：
大概两周后我收到了onsite的邀请，分成了四轮技术面试，每轮一个小时。

#### 第一轮：算法和数据结构
这轮面试的主要内容是数组和字符串的操作问题。第一道题是经典的“最长回文子串”问题，我用了动态规划的解法，并解释了它的时间复杂度。第二道题是一道数组的滑动窗口问题，要求找出所有满足条件的子数组。这道题我当时没有很快找到最优解，但是通过面试官的提示调整了策略，最终用双指针法解决。

#### 第二轮：系统设计
系统设计的题目是设计一个URL缩短服务，类似于bit.ly。我一开始从数据库设计入手，讨论了如何存储短链接和原始链接的映射关系，然后进入高可用性、扩展性和缓存等方面的设计。我在这轮中讨论了如何利用一致性哈希来实现负载均衡，还提到了使用Redis进行缓存加速。面试官在这轮的反馈相对积极，他提出了一些更复杂的场景，让我进一步阐述如何处理分布式系统中的故障恢复。

#### 第三轮：行为面试
这轮面试主要围绕亚马逊的领导力原则展开，面试官会让你具体讲述一些过去的工作经验。问题包括“描述一次你如何处理团队冲突的情况？”和“讲述一个你在项目中遇到困难并克服的例子。” 我准备了几个实例，特别强调了自己如何主动承担责任、做出决策并推动项目完成。亚马逊非常看重候选人是否具备符合他们公司文化的领导能力，所以我在这轮尽量展现了自己对结果负责和深入思考的能力。

#### 第四轮：系统设计（深度探讨）
最后一轮是更为复杂的系统设计题目，面试官要求设计一个分布式的文件存储系统。这个系统需要具备高可用性、强一致性和低延迟的特性。我提出了基于AWS S3的设计，并深入探讨了如何处理数据复制、负载均衡和一致性问题。面试官非常关注我对一致性模型的理解，我们深入讨论了CAP理论以及如何在不同场景下做出权衡。
### 面试总结：
整体来说，亚马逊的面试非常注重解决实际问题的能力，尤其在编程和系统设计方面要求较高。此外，领导力原则贯穿整个面试过程，每个面试官都会围绕这些原则提问。最终我收到了L5的offer，整个过程虽然紧张但也充满了收获。如果你正在准备亚马逊的面试，建议多刷Leetcode，系统设计要有框架思维，同时不要忽视行为面试的准备。

选择用于白内障手术的人工晶体时需要考虑的因素有哪些？