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。题目不会给很多限制，反而会故意说得特别模糊，基本都是一句背景，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。

有一题是给一家大型银行设计一个 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。

还有一道比较有意思，是给跨国零售公司设计 Store Operations Assistant。店长每天需要查看库存、预测补货、分析销量、查询供应商信息，希望 Agent 可以统一完成这些工作。这里主要会聊企业 ERP、Inventory System、Data Warehouse 如何接入，RAG 和 SQL Agent 怎么结合，以及 Agent 是否应该自己决定调用哪个 Tool。面试官还会追问，如果今天商品价格刚更新，而向量库还没有同步，如何保证回答是最新的数据。

也有人遇到医疗方向的题，比如给医院设计一个临床医生 Copilot，帮助医生查询病历、医学指南和药物说明。整个讨论重点不是模型，而是 HIPAA、权限管理、引用来源、人工审核以及 Patient Data 如何保证不能泄露。很多问题其实没有固定答案，重点就是不断分析 tradeoff。

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，我了解到还有不少类似题目。

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。

还有人遇到实现一个 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。

另外还有一道实现简单的 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。

还有一道偏文件系统，要求实现一个简化版 Virtual File System，支持 mkdir、ls、createFile、readFile 等操作。整体和 LeetCode 的 Design In-Memory File System 有点像，不过面试官更关注代码结构和 OOP，而不是功能写得特别全。

还有人遇到实现一个 Event Logger，支持记录事件、按照时间范围查询、按照事件类型过滤，最后继续讨论如果每天有几十亿条日志应该如何扩展到分布式系统。

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。