第一轮：RRK 基本都是开放式 Agent Design，没有标准答案

第一轮都是 RRK (Role Related Knowledge)，但是和传统 System Design 完全不是一个风格。整体分成三个阶段：Scoping、System Design 和 Deployment。前大约 15 分钟会单独进行 Scoping，需要把面试官当作 CTO，通过提问主动澄清业务目标、用户需求、约束和成功标准。Scoping 结束后进入架构设计和部署，这两个阶段不需要严格分开，可以自然融合；由于总时间只有约 50 分钟，所以不要把打断理解成负面反馈，也不用因为 Deployment 开始得比较晚而紧张，核心是控制时间、明确沟通对象，并在有限时间内覆盖完整的思考过程。

题目不会给很多限制，让你自己不断问问题、缩小范围，然后一步一步把方案设计出来。整个过程更像和客户开 Discovery Workshop，而不是做一道设计题。我们了解到的题目都比较偏真实企业场景。HR提前交代的内容一定要牢记于心，除了传统的high level design，还要cover到deployment、scalability、evaluation、monitoring等等。

最高频的题目就是客户作为一家大型广告公司，希望通过 Workflow Automation Agents 自动完成市场趋势搜索，并将公开信息与 Google Drive / Office 365 以及包含敏感数据的内部 CRM 进行交叉分析。Agent 最终需要判断哪些客户与趋势相关，生成对应的客户邮件并完成发送，同时保证敏感数据的安全与权限控制。

还有一题是给一家银行设计一个 AI Fraud Investigation Assistant。背景是风控团队每天都要查看大量交易记录、聊天记录、历史案件和 AML 报告，希望 Agent 能帮助调查可疑交易。整个讨论会涉及如何连接企业数据库、如何同时检索结构化和非结构化数据、是否需要 Graph Database 分析资金流、Agent 如何调用内部风控系统、不同调查员如何做权限隔离，以及所有回答如何保留引用来源方便审计。后面还会追问，如果模型产生错误结论怎么办、如何保证不能泄露其他客户信息、以及如何满足金融行业的 Compliance。

另一题是给航空公司设计 Customer Operations Copilot。客服希望利用 AI 自动处理航班延误、改签、退款和行李查询。这里讨论重点就在于 Agent 如何调用 Reservation System、Payment System 和 Loyalty Program，哪些操作允许自动执行，哪些必须人工审批。如果多个 Tool 都返回失败怎么办，Workflow 如何回滚，以及如何避免 LLM 幻觉导致错误退款。后面还会聊到高峰期并发、Prompt Injection、防止恶意用户骗退款等问题。

整个 RRK 最大的特点就是一直在聊天，很多时候甚至不用画架构图，而是在 Google Docs 上不断写需求、补充模块、讨论方案。面试官会不停根据你的回答继续追问，所以千万不要急着开始设计，多花点时间做 Requirement Discovery 往往效果更好。

第二轮：Coding 偏工程实现，比传统 Google SWE 简单一些

第二轮 Coding 整体感觉没有 Google SWE 那么偏算法，更多都是工程里可能会写到的小型组件，实现难度大多在 LeetCode Medium 左右。

除了比较常见的 Trie 实现 Search Autocomplete，还有不少类似题目。

有人遇到实现一个支持 TTL 的 In-Memory Key Value Store，需要支持 put、get、delete，每个 Key 有自己的过期时间。写完之后还会继续追问如果有几百万个 Key，怎么高效清理过期数据，以及 Redis 为什么采用 Lazy Expiration 和 Active Expiration 两种策略。

还有一道高频题是实现 API Rate Limiter。需要支持按 User ID 做限流，比如一分钟最多允许请求 N 次。写完 Sliding Window 或 Token Bucket 之后，面试官会继续问如果部署成多台机器怎么办、如何利用 Redis 保证多个实例之间的数据一致性，以及如果 Redis 挂了应该怎么办。

还有实现一个 Task Scheduler。支持添加任务、取消任务、按照执行时间触发任务。基础实现完成以后，会继续讨论如果支持 Priority、Recurring Job、Multiple Worker 或 Distributed Scheduler 应该怎么扩展。

另外还有简单的 Versioned Key Value Store。同一个 Key 可以保存多个版本，每次读取可以指定 Timestamp 返回对应版本的数据。主体实现其实就是 HashMap 加 Binary Search，后面会继续讨论如果数据一直增长怎么办、如何做 Compaction、如何减少内存占用。

整体来看，Coding 很少出现特别难的 DP 或图论，更偏向 HashMap、Tree、Trie、Heap、Queue 这些基础数据结构，加上一点 OOP 设计。代码写完以后几乎都会继续问如何支持并发、如何分布式部署、如何优化时间和空间复杂度，所以不要只停留在算法本身，而是把它当成一个真正的工程组件去思考。

总体感受

整体来说，Google Cloud GenAI FDE 的面试和普通 Google SWE 差别还是挺大的。第一轮更像真实工作中的 Solution Workshop，考察的是如何和客户一起把一个非常模糊的 AI 想法落地成可交付的产品，重点是需求分析、Agent 设计、企业系统集成、安全、成本和工程实现。第二轮虽然是 Coding，但也明显更偏工程设计，不会特别卷算法，而是更关注代码质量、模块设计以及后续扩展能力。如果平时做过 AI Agent、RAG 或企业 AI 应用，这类面试会比单纯刷 LeetCode 更容易发挥优势。