Uber VO 面试的流程一共四轮，分别是两轮 coding（算法和数据结构）、一轮系统设计、一轮BQ。整体节奏紧凑，面试官都很专业，考察点覆盖得比较全面。

第一轮 coding 偏算法，题目是 在两个数组中找所有 anagram 对的索引。输入是两个 string 数组 A 和 B，返回所有 (i, j) 使得 A[i] 和 B[j] 是字母异位词。我的思路是：先把每个字符串排序后用一个 map 存每个词的 canonical form，接着分别在两个数组中建立映射，然后遍历所有可能的匹配组合生成索引对。面试官在代码写完之后重点问了时间复杂度，还问了如果两个数组非常大，有没有更省内存的方式（比如只用 char count 代替排序字符串）。

第二轮是经典的 数据结构设计题。题目是实现一个数据结构，支持以下操作：insert(val), remove(val), getRandom()，并且都要求 O(1) 时间复杂度。我用了一个 list 搭配一个哈希表来记录元素和其索引位置，插入和删除都可以通过 swap trick 来保持 list 连续性。getRandom 直接用 random.choice(list) 实现。面试官接着问我如果这个数据结构需要支持重复元素该怎么改，我讲了如何在哈希表中存 set 来记录所有索引的位置。

第三轮是系统设计，题目是设计一个类似 Uber 的 ETA预估系统。面试官限定了 scope，强调要 focus 在 “车辆位置汇报 + ETA 算法 + 查询服务” 上。我从整体 pipeline 出发，分为三部分：第一是 vehicle location service，每隔几秒上报车辆坐标；第二是 ETA estimator，会根据历史行驶速度、交通状态等因素做动态估算；第三是 client-facing 的 query API。我提到了可以用 Kafka 做实时数据流，用 Redis 做位置的缓存，ETA 模型可以离线训练但需要在线推理。面试官追问了如何处理大城市的车辆分布热点、如何扩展到支持不同城市的模型，以及如何 rollback 一个 buggy ETA 模型版本。

第四轮是 BQ，面试官是个 EM，语气轻松，但问得很深入。他让我举例："Tell me about a time you had to disagree with a teammate." 我讲了一个我在项目中因为数据质量和数据团队有分歧的经历，强调了如何用事实说话、一步步推动对方接受我的观点。还有一个问题是 "Describe a technically challenging bug you debugged"，我讲了一个在异步多线程环境下的内存泄露问题，怎么一步步缩小范围，最终通过修改线程池的行为解决。面试官很在意细节，尤其是你有没有理解当时发生了什么，怎么验证的，怎么确保同类问题不会复发。

整体来看，Uber 的 SDE 面试非常系统化，算法题虽然不是很 tricky，但会要求你做 clean implementation 和合理的复杂度分析；系统设计有一定深度，建议大家提前准备好高频场景如位置服务、实时数据流、rate limiter 等；BQ 部分不走过场，建议准备一些有冲突、有技术挑战、有 ownership 的故事。只要你能讲清楚 trade-off 和真实的经验，面试体验还是挺正面的。