收到面试邀请后，最容易犯的错误是立刻打开 LeetCode，按热门题单一路往下刷。问题在于，SWE、Data Analyst、Data Engineer 和 ML 相关岗位的技术面试，考察组合并不相同。剩下两周时，把时间投错方向，比少做十道题更危险。

短期准备的目标不是补完全部知识体系，而是让你在已排定的面试轮次里稳定交付。先用 JD、招聘邮件和面试安排做一次倒推，再决定算法、SQL、项目、系统设计和行为题各占多少时间。

把招聘邮件、日历邀请和 JD 放在一起看，先标出明确出现的词。

如果邮件已经写明“60-minute SQL interview”，SQL 的优先级就应高于泛泛刷算法。反过来，若第一轮是 HackerRank 或现场 coding，不要因为 JD 提到“system design”就提前花四天画架构图。系统设计可能在后轮，但第一轮没过，后面的准备不会产生结果。

信息不完整时，可以直接向 recruiter 确认：本轮是否包含 live coding、SQL、系统设计或项目讨论，使用什么语言，是否允许查询标准库语法。这类问题正常且专业，比猜测题型更有效。

下面的比例适用于基础已经具备、但需要集中冲刺的情况。若某项是明显短板，可以从低优先级项中挪出 10% 到 15%，不要把所有模块同时加量。

对多数 Software Engineer 面试，尤其是初中级岗位，建议把时间分成：算法与编码 50%，项目深挖 20%，系统设计 15%，行为面试 15%。

算法部分不等于做题数量。每天至少完成两道题，其中一道要模拟真实面试：

若 JD 明确写了 distributed systems、backend architecture 或 senior-level design，再把系统设计提高到 25%。但如果你的 coding 轮正确率不稳定，系统设计不应抢走核心练习时间。

数据岗技术面试常常把 SQL、业务判断和项目表达放在同一轮里。Data Analyst 可按 SQL 与数据解释 40%，项目和业务案例 30%，Python 或统计基础 15%，行为面试 15% 分配。

Data Engineer 则更适合 SQL 与数据建模 35%，Python 或编码 25%，数据管道及项目深挖 25%，系统设计 15%。如果 JD 提到 ETL、Airflow、Spark、warehouse、data quality，不要只复习语法。你要能说明数据从哪里来、如何清洗、如何监控失败、如何处理重复和迟到数据。

数据岗技术面试里，一条 SQL 即使写对，也可能被继续追问：“这个指标的分母是什么？”“用户当天多次访问如何定义？”“为什么用 LEFT JOIN？”练习时必须把口头解释算进完成标准。

ML Engineer、Applied Scientist、Data Scientist 等岗位的重点差异很大。招聘邮件若写明 coding screen，就按 SWE 的方式准备第一轮。若安排模型讨论或 ML system design，可使用以下比例：编码与 SQL 25%，ML 项目深挖 35%，模型基础和实验设计 20%，系统设计 10%，行为面试 10%。

项目深挖至少准备一个端到端案例：问题如何定义，训练数据如何获得，标签或特征有什么风险，为什么选择该模型，离线指标如何选，线上如何监控，失败后做了什么调整。不要只说“准确率提高了”。面试官更可能问，提升是否具有统计意义、样本是否泄漏、类别不平衡怎么处理，以及上线后数据分布变化怎么办。

如果面试就在第 14 天，前 10 天用于建立输出能力，后 4 天用于模拟和修补。每天建议安排 2.5 至 4 小时高质量训练，时间更少时，宁可减少题量，也保留讲题和复盘。

暂缓事项同样重要。若你面的是 Data Analyst，不要把两天花在图算法和复杂系统设计上。若你面的是 entry-level SWE，也不必试图背完分布式数据库细节。没有出现在 JD、邮件或已知轮次中的内容，只保留最低限度浏览，除非它正是你的项目背景。

很多候选人 LeetCode 面试准备不足，不是因为不会解，而是沉默写代码太久，或者没有解释选择。英文讲题不需要复杂措辞，关键是结构稳定。

可以使用这个最小表达框架：

每次练习结束，用五分钟写复盘，不要只记录“这题不会”。更有用的是以下四项：

两周冲刺的判断标准，不是题库完成百分比，而是你能否在限定时间内，把最可能出现的题型讲清楚、写完整，并解释自己的选择。先让准备内容与实际轮次匹配，再增加题量，面试表现通常会更稳。