【图文】Google、Meta 技术面试怎么准备：按岗位拆解信号与 6 周备战排期

篱笆资讯

Google、Meta 技术面试怎么准备：按岗位拆解信号与 6 周备战排期

Google、Meta 技术面试怎么准备：按岗位拆解信号与 6 周备战排期

准备 Google 或 Meta 技术面，最容易浪费时间的方式是把所有模块平均用力：白天刷算法，晚上看系统设计，临近面试才想起项目介绍和行为题。问题不在于练得少，而在于没有把准备转换成面试官能观察到的“信号”。

大厂流程会因团队、地区、职级和招聘节奏变化，Google、Meta 也不会为每个岗位使用完全相同的题型组合。但对多数 New Grad 和 1 至 3 年经验候选人来说，评估通常围绕四件事：能否拆解问题、能否写出可靠代码或分析方案、能否讲清取舍、能否证明自己在真实协作中做过有效决策。

先按岗位决定重心，再按剩余时间压缩范围，备战才会有结果。

Introduction

先看岗位：每一轮到底在收集什么信号

先看岗位：每一轮到底在收集什么信号

电话筛选、技术初面、虚拟 onsite 或终轮面试，名称不一定一致。不要只问“这一轮会不会考系统设计”，更该问：这个岗位需要面试官确认什么能力？

岗位与阶段	常见重点	面试官在听什么	最常见失分
SWE New Grad	算法、编码、基础 BQ	分析复杂度、边界处理、代码可运行性、沟通节奏	只报答案，不解释思路变化
SWE 早期职场	算法、项目深挖、基础至中等系统设计	是否能独立推进模块，是否理解扩展性与故障点	系统设计只会背组件名
DE	SQL、数据建模、ETL、分布式数据处理、项目经验	数据质量、幂等性、调度、成本和可追溯性	只谈工具，不谈数据口径和失败恢复
DS	SQL、统计推断、指标设计、产品案例、项目沟通	能否定义问题、处理偏差、解释结论边界	直接跑模型，没先澄清业务指标
ML	编码、ML fundamentals、建模、ML system design、项目深挖	训练和线上服务是否连得起来，是否理解数据漂移与评估	只讲模型结构，回避数据和上线结果

Meta 面试流程常被理解成“高频算法题加快速决策”，Google 则常被认为更重视结构化推理。这样的概括有一定参考价值，但不能替代岗位判断。真正影响结果的是，你能否在每一轮稳定输出清晰的证据。

例如，同样是设计一个 feed：

SWE 候选人要说清读写路径、缓存、容量估算、热点和故障降级。
DE 候选人要说清事件 schema、数据延迟、去重、回填和数据质量监控。
DS 候选人要先定义成功指标、实验分流、显著性与指标被操纵的风险。
ML 候选人要补上特征时效、训练服务偏差、排序延迟、反馈回路和模型监控。

New Grad 不需要假装做过千万级流量系统，但需要展示可推导的工程判断。早期职场候选人则应能把自己的项目从“我负责了某个功能”，讲到约束、决策、影响范围和复盘。

四类必须提前写出来的输出物

四类必须提前写出来的输出物

技术面试准备的单位不该是“今天刷了几题”，而是“我是否有一段能在压力下复述的答案”。以下四件套建议写在同一份文档里，每周迭代。

1. 90 秒自我介绍

适合技术招聘方、hiring manager 或面试开场。结构可以是：

> 我目前专注于领域，过去在场景中解决过问题。最近一个代表项目是，我的职责是。我做出的关键技术或分析选择是，结果是。接下来我希望在类型的团队继续做___。

避免按时间顺序背简历，也不要罗列每一种语言和框架。介绍的作用是为后续追问埋下两个可展开的项目点。

2. 项目深挖问题树

每个项目至少准备一棵问题树。不要只准备“项目背景”和“结果”。

追问方向	你要准备的内容
问题定义	用户或业务问题是什么，成功指标如何确定
个人贡献	你亲自拥有的模块、决策和代码或分析工作
技术选择	为什么选这个方案，替代方案为何没有采用
复杂约束	延迟、成本、数据质量、兼容性、协作冲突
结果证据	指标、上线范围、反馈，或实验结果
复盘	哪个判断错了，下一次会如何修改

项目没有漂亮指标时，也可以诚实说明限制，例如项目尚未全量上线、数据样本不足，随后讲清你如何验证风险。编造影响数字比没有数字更危险。

3. 算法讲解脚本

算法题不是默写模板。每题练习时，用下面的顺序说出来：

复述题意，确认输入规模、重复值、空输入和返回要求。
先给暴力解，说明为什么时间复杂度不够。
提出优化思路，并讲清关键不变量。
写代码前说数据结构和核心循环。
写完手动走一个正常案例和一个边界案例。
报出时间、空间复杂度，并说明可否进一步优化。

英文表达不必追求复杂句。比起长篇解释，“Let me clarify the constraints first”“The invariant is…”“I will test an edge case”更容易让面试官跟上。

4. 系统设计答题骨架

系统设计面试准备的目标，不是背 Kafka、Redis 或 Kubernetes 的定义，而是能在信息不完整时推动设计。

可固定使用这个骨架：

澄清用户、核心用例、读写比例、延迟和一致性要求。
定义 API、核心实体和关键数据流。
粗估请求量、存储量与瓶颈，数字不必精确，但假设要明确。
给出高层架构，再挑最关键的一条链路深入。
讨论分片、缓存、异步队列、索引或预计算等取舍。
补充可靠性、安全性、监控与故障处理。
回到需求，说明设计满足了什么，也牺牲了什么。

对于早期职场 SWE，优先练“设计 URL shortener、聊天、通知、文件上传、feed”等能覆盖读写、异步处理和扩展性的题目。ML、DE 则应把数据生命周期纳入答案，而不是套用纯后端架构。

6 周、4 周、2 周，如何分配有限时间

6 周、4 周、2 周，如何分配有限时间

先算总时长。假设每周可稳定投入 12 小时，6 周就是 72 小时。不要把 72 小时拆成五个模块各 14 小时，应该让短板和岗位权重决定投入。

距离面试 6 周：建立可复用答案库

周次	重点	每周产出物	验收标准
第 1 周	岗位拆解、算法诊断、项目盘点	目标岗位题型表，2 个项目问题树	能说明自己最弱的两个模块
第 2 周	算法基础题型与讲题	8 至 12 道复盘题	每题可在 35 至 45 分钟内讲完并写完
第 3 周	系统设计或岗位核心技能	2 套完整设计稿或 SQL、ML case	能说出至少 3 个设计取舍
第 4 周	项目深挖与 BQ	6 个 STAR 事件素材	每个故事有个人行动和结果证据
第 5 周	混合 mock	2 次算法 mock，1 次系统设计 mock	能收到具体失分点，而非“表达不够好”
第 6 周	弱项修补与面试模拟	最终答案库、面试日流程	连续两次 mock 达到目标节奏

STAR 适用于 BQ，但不要把每一题都讲成同一种“克服困难”。Google、Meta 的行为面更关注你如何处理分歧、模糊目标、失败、优先级变化和跨团队协作。

只剩 4 周：减少新题，增加回放

4 周内不建议同时从零学动态规划、分布式系统、机器学习系统设计和十个项目故事。选择一个主攻弱项。

SWE New Grad：算法约占一半时间，剩余时间给讲题、项目和 BQ。
SWE 早期职场：算法和系统设计各占约三分之一，项目深挖不能低于四分之一。
DE、DS、ML：以岗位核心 case 为主，算法保持手感即可，除非初面已明确以编码为主。
英文表达较弱：每天留 20 分钟录音复述，不要把语言训练独立到最后一周。

此阶段每次练习都要留下可回放的记录。刷完一道题却没有写下卡点，下一次大概率还会卡在同一处。

只剩 2 周：只做“面试表现”训练

两周的目标不是补齐知识体系，而是降低失误率。保留高频基础算法、两个代表项目、三到四个 BQ 故事，以及两套最相关的系统设计题。

停止做三件事：追逐陌生难题、临时更换解题模板、为了“显得懂”而把答案讲得过度复杂。此时最有价值的是计时 mock 和逐句复盘。

用 mock 找到真正的挂点，面试前 48 小时只做检查

每次 mock 后，用下面这张表记录，避免只凭感觉判断“发挥不好”。

项目	记录问题	下次修正动作
澄清需求	是否过早开始写代码或画架构	开场先问 2 至 3 个关键约束
推理过程	是否跳步，面试官是否需要追问才能跟上	每一步先说假设和原因
技术正确性	是否遗漏边界、复杂度、失败场景	增加固定的测试与风险检查
沟通节奏	是否沉默过久或讲得过满	每 5 分钟总结一次当前进度
项目归因	是否说不清“我做了什么”	用第一人称重写关键行动
反馈模式	同类问题是否重复出现	下次 mock 只盯一个主问题