一般都是60min，分成三个part：聊简历 + 两个sql题 + 一个python题。面试官可能在San Jose 或者国内。PT 6pm之后一般都是国内的面试官，PT 6pm之前一般都是美国面试官。国内的面试官100%讲中文，美国的面试官小概率讲中文。

Part 1：Resume Deep Dive

面试一开始是简历deep dive。这一部分总体以candidate的输出为主，没有特定的考点，只要你的项目和data engineering相关，并且足够熟悉就没啥问题。面试官让我从项目中挑一个最能体现数据工程能力的例子，我选择讲一个基于 Kinesis + Flink 的实时用户行为分析系统。我主要介绍了从数据采集、实时计算到下游入库的整体链路。他问到如何应对 Flink 的 checkpoint 延迟或状态膨胀问题，我解释说可以通过调整 RocksDB state backend、控制 checkpoint 频率，以及给状态数据设置 TTL 来避免积压。他还问当流处理任务出现 back pressure 时该如何排查。

Part 2：SQL 实战（HackerRank）

第二部分是两道 SQL 题，在 HackerRank 平台上完成。第一题考的是用户活跃度增长分析，要求根据用户注册与事件表计算每日活跃用户数，并统计相较前一天的增长率。面试官进一步追问如何在大规模数据下优化查询，我提到可以按日期字段进行表分区，配合日期范围过滤避免full table scan。第二题是关于content creator内容互动的分析，需要从多张表中进行 JOIN，计算过去一段时间内 engagement 得分最高的creator。面试官继续问如果事件表规模达到亿级，如何优化大表 JOIN。我回答可以通过 broadcast join 或预聚合 summary 表降低计算量；在分布式环境下，也可以使用窗口函数与 CTE 优化查询逻辑。这部分总体难度中等，更注重分析清晰度与优化思路。

Part 3：Python 编程题（HackerRank）

最后一部分是 Python 编程题，同样在 HackerRank 平台完成，难度低于 SDE 面试。题目要求在一组用户日志中找出满足特定行为模式的用户，例如连续执行相同行为达到一定次数。我的解法是先按用户分组并根据时间排序，再用单次遍历统计连续出现的行为次数，时间复杂度为 O(n log n)。面试官随后追问了followup（感觉是临时想出来的）：如果日志是乱序输入的分布式数据流，如何保证处理顺序；以及当数据量过大无法一次性加载内存时，如何处理。我分别解释了可以通过时间分桶与 watermark 控制乱序日志的延迟窗口，也可以使用流式处理或外部排序的方式分批计算。