Uber 2026面经|黑车 面试真题|Uber SDE 后端面经

顶级技术积累,独家导师资源,面试实战演示(FREE!)

anthony
Anthony W
Senior @ Meta

UCSD博士毕业,前Pinterest senior MLE。在CVPR、ECCV等顶级学术会议上以第一作者身份发表过十余篇论文。研究方向集中在可解释的人工智能和鲁棒模型架构的研究。对MLE的面试技巧和得分点了如指掌,培训了团队内的数十名新同事。

Luke P

Senior @ 谷歌

前谷歌高级软件开发工程师,精通分布式系统、云计算和大规模数据处理。在顶级技术会议KubeCon和Google Cloud Next上发表多篇技术报告。专注于提升系统的可扩展性和可靠性。在Github上发布了System Design面试手册,收获上千 🌟

samuel
Samuel
Nick L
L7 @ Amazon

前 Amazon 工程老兵,长期深耕SDN核心系统研发。专注于提高系统的可扩展性、可靠性和成本效率。在服务治理、网络系统、事件驱动架构方面有丰富的实战经验。专做 Amazon 和 Meta 的 SDE 面试辅助,一年内帮助候选人成功斩获超过 30 个 L5和 L6 offer。

Uber 2026面经|黑车 面试真题|Uber SDE 后端面经


想要和我们的面试辅助团队进行一次免费的沟通?

当然可以!
我们会直击要点,回答你的所有疑问,并介绍我们的服务。
还有顾虑?
我们可以提供免费的面试实战展示。我们团队到底有多少水平,你说了算。


Phone screen 

一开始基本就是 standard 流程,前 5–10 分钟聊简历。interviewer会让你挑一个你觉得 most challenging 或者 most proud 的 project。当时讲的是一个高并发的推荐系统项目。面试官比较感兴趣,就一直往下 deep dive,问了很多细节,比如online inference latency 怎么控制、有没有做过 A/B test、以及如果traffic翻倍系统会不会崩之类的。这里其实就是看你对自己项目有没有 ownership,以及能不能讲清楚 tradeoff


后面大概 50 分钟做一道题,是一道偏 data structure + design 的题,类似于设计一个支持多种操作的 key-value store,需要支持 insert、get、以及带 TTL 的自动过期。先用一个 hashmap + heap 做了基本版本,然后 interviewer 就开始 follow up,比如说如果 QPS 很高怎么办,heap 会不会成为 bottleneck,还有如果分布式怎么做。最后稍微聊了一点类似 Redis 的实现思路。整体感觉就是题本身不难,但是会一直往系统层面延伸

Loop - Coding 1

Coding1 基本和 phone screen 一样的节奏,也是先聊项目再做题。这一轮的题更偏 algorithm,是一个经典变形题,类似给一组 intervals,返回重叠最多的时间段,先讲了 sweep line 的思路,然后写了 code。写完之后 interviewer 开始加条件,比如 intervals 是 streaming 的怎么办、如果要支持删除怎么办,慢慢就变成一个更像 real-world system 的问题。这里感觉他们比较看你能不能把一个 leetcode 题扩展成 production-level 设计


Loop - Coding 2

Coding2 说是 Depth in Specialization,但实际体验下来还是 coding + 一点设计。这轮题是一个 OOP 设计题,大概是设计一个 ride dispatch system,支持 driver 和 rider 的匹配。一开始先定义了几个 core class,比如 Driver、Rider、Trip,然后设计了一个 matching service。面试官会不断问为什么这样设计,比如如果以后要支持 carpool 怎么扩展,或者 surge pricing 应该放在哪一层。这里重点不是写特别多代码,而是看你的 abstraction 和 extensibility


Loop - SD

System Design 是 Uber Eats home page feed design,这个题确实最近挺高频的。一开始先 clarify 需求,比如是 personalized feed 还是 generic feed,latency 要求是多少,QPS 大概多少。然后给了一个比较经典的 backend feed 架构:client 请求进来之后,先经过 API gateway,然后进入 feed service。feed service 会从多个 upstream service 拉数据,比如 restaurant service、promotion service、inventory service,然后做 aggregation 和排序。排序这里不涉及 ML,就是基于一些规则,比如距离、评分、是否在营业、是否有优惠等等。

后面 interviewer 会一直 deep dive,比如 feed 是 pull-based 还是 push-based,一开始说 pull,然后被问如果用户很多会不会压力很大,就讨论了 pre-compute + fanout-on-write 的方案,比如提前给活跃用户生成一部分 feed 存在 cache 里。还聊到 caching,比如用 Redis 存 feed,如何做 invalidation,比如 restaurant 下架、库存变化的时候怎么更新。还有 consistency 问题,比如用户看到的餐厅已经关门了怎么办,这里就要在 read path 做一次实时校验。


再往后会聊 scaling,比如如果是全球业务,怎么做 multi-region deployment,如何保证低延迟,以及不同城市的数据隔离。整体就是一个很典型的 backend system design,更偏 data aggregation + caching + scalability,没有涉及 ML。

Loop - BQ

BQ 这一轮就比较轻松一点,主要围绕 collaboration 和 leadership。比如问你有没有和 difficult teammate 合作的经历,或者有没有带项目的经验。基本就是讲之前带一个 feature rollout 的故事,中间有需求变更、跨团队沟通这些点。manager 对我之前讲的推荐系统挺感兴趣,又稍微做了一点 technical deep dive,比如问我 offline metric 和 online metric 不一致的时候怎么处理。所以 BQ 其实也不是完全 non-technical,还是要准备好随时切回技术细节。

求职辅助服务,是关于时间和品质的较量。咨询 Alpha 小助手,获取最专业的Tech求职辅助。

客户怎么评价我们