Amazon AS的面试分成 Screening 和正式的 Onsite / Virtual Loop。Loop 一般有 4–5 轮，主要覆盖 ML Breadth、ML Depth、Coding / DSA、ML Design / Application 和 Bar Raiser。不同 Team 的安排会有差异，ML Depth 可能由 Hiring Manager 主持，Coding 由 SDE interviewer负责，Bar Raiser 通常来自其他 Team。对于 Intern 或 New Grad，前面还可能有 OA，包括 Coding 和 Workstyle Assessment。

Screening：Research / Project Background

如果 Resume 上有论文或 ML Project，Screening 往往会直接 Deep Dive。举个例子，最简单的从 Dataset 开始，继续追问 Ground Truth 如何确定、如何处理异常标注、如何衡量 annotator quality，甚至讨论 Regression vs Pairwise Ranking 等。如果项目涉及 Retrieval，还可能延伸到 Cold Start、offline embedding、Bi-Encoder vs Cross-Encoder、ANN、Knowledge Distillation。因此 Resume 上写到的技术都需要真正讲透彻。面试官很容易从一个技术名词连续追问几层 Why 和 Trade-off。

Coding / DSA

Coding 整体以常规 DSA 为主，包括 Array、HashMap、Merge Intervals、Tree、Graph、DP 等，也可能出现 String DP 或简单的 Low-Level Design。题目本身未必难，但比较看重 reasoning process。比较好的答题方式是先解释 Brute Force，做一次 dry run，分析 Time / Space Complexity，再指出 bottleneck 并逐步优化。所以准备 Coding 时，与其单纯刷题，更重要的是练习边写边解释，以及 interviewer 修改 constraint 后如何快速调整方案。

ML Breadth

ML Breadth 主要考察 Machine Learning 基础是否完整，范围通常比较广。很多都是基本概念，但是仍然会问到。

传统 ML 需要覆盖 Supervised vs Unsupervised Learning、Evaluation Metrics、PCA、K-Means、GMM、Boosting / Bagging、Optimizer、Class Imbalance 等；Deep Learning 涉及 Transformer、Self-Attention、BERT、LSTM，以及 Attention 的时间复杂度。Representation Learning 方面可能讨论 Two-Tower、Siamese Network、InfoNCE Loss、negative sampling 等。另外还可能穿插 Probability 和最新的 LLM topics。

这一轮的深浅并不固定，有时只问 intuition，有时也可能要求解释 Logistic Regression / SVM 的 MLE、MAP、Kernel Trick、Naive Bayes 等，因此不能只准备热门的 LLM 内容。

ML Depth

ML Depth 往往是整个 Loop 最核心的一轮。面试官通常会从 Resume 中挑一个重要 Project，从 Business Problem 一直追问到 Modeling 和 Production。

常见讨论路径是：为什么这个问题值得解决，如何定义成 ML Problem，Dataset 和 Label 怎么构建，Baseline 是什么，为什么选择当前 Model，有哪些 Alternative，具体使用什么 Loss Function，以及 Offline Metric 和 Online Metric 如何对应。之后还可能继续进入 System Architecture，例如 Training Pipeline、Online / Offline Inference、Latency、Deployment、Scaling 和 Model Drift。

这一轮最重要的是能够解释每一个技术决策背后的 Why，不只是介绍最终方案。LP 也经常穿插其中，如 Dive Deep、犯错后如何纠正、为什么选择简单方案，以及什么时候超出预期完成任务。

ML Design / Application

这一轮更接近 ML System Design。比如给出 Design Amazon Search Relevance System ，要求candidate从 Business Objective 开始，一直设计到 Training、Evaluation 和 Serving。

通常需要讨论 Training Data、Label、Feature、Retrieval、Ranking、Model Architecture、Loss Function、Offline / Online Metrics，以及最终的 Serving Architecture。面试官还可能逐渐增加新的 Business Objective，如同时优化 Relevance、CTR 和 Conversion，引导candidate考虑 Multi-Task Learning、shared representation、task-specific head 或自定义 Loss。

所以这一轮真正考察的是能不能把一个模糊的 Business Problem 转化成完整、可落地的 ML Solution，同时根据新的 constraint 动态调整设计。

Bar Raiser 与 Leadership Principles

LP 并不一定只出现在 Bar Raiser，很多 Technical Round 都会穿插 Behavioral Questions。

常见主题包括 Dive Deep、Invent and Simplify、Ownership、Learn and Be Curious 和 Deliver Results。例如什么时候发现自己的判断是错的、什么时候深入找到 Root Cause、什么时候主动选择简单方案，以及什么时候做出了超过原本 expectation 的结果。比较有效的准备方式是精选几个信息量足够大的 Project Story，让同一个故事能够从 Ownership、Failure、Dive Deep、Simplification 和 Impact 等不同角度展开。

备考重点

Amazon AS 面试比较明显的特点是连续 Deep Dive。你提到一个 Model，可能马上被问为什么选择它；提到一个 Metric，会被问为什么不用另一个；提到 Production System，又可能继续追问 Latency、Scaling 和 Failure Handling。因此相比背大量标准答案，更重要的是确保自己说出来的每个关键技术点，都能够继续回答两三层 Why。