Amazon SDE 面经（2024 New Grad）

岗位：Software Development Engineer, New Grad（Seattle）
背景：美硕 CS Top 20，一段 AWS 暑期实习（return offer 面试）
结果： offer，评级 L4（New Grad 标准）
时间线：7.15 投递 → 7.20 OA → 8.5 VO Schedule → 8.20 Round 1 → 8.22 Round 2 → 9.1 offer

面试流程概览

Amazon 的 New Grad 面试流程相对标准化：

没有系统设计轮次，这是 New Grad 与 Experienced Hire 的主要区别。

OA（Online Assessment）

算法部分（2 题，每题 70min）

Amazon 的 OA 由 Hackerrank 提供，两道算法题难度通常是 Easy + Medium。

我的题目回忆：

题目 1：Reorder Data in Log Files（LeetCode 937，Easy）

def reorderLogFiles(logs):
    def sort_key(log):
        identifier, rest = log.split(" ", 1)
        return (0, rest, identifier) if rest[0].isalpha() else (1,)

    return sorted(logs, key=sort_key)

题目 2：Number of Islands（LeetCode 200，Medium）

def numIslands(grid):
    if not grid:
        return 0

    rows, cols = len(grid), len(grid[0])
    count = 0

    def dfs(r, c):
        if r < 0 or c < 0 or r >= rows or c >= cols or grid[r][c] != '1':
            return
        grid[r][c] = '0'
        dfs(r+1, c)
        dfs(r-1, c)
        dfs(r, c+1)
        dfs(r, c-1)

    for r in range(rows):
        for c in range(cols):
            if grid[r][c] == '1':
                count += 1
                dfs(r, c)
    return count

OA 建议：

• 两道题建议在 40-60 分钟内完成，留出时间检查边界条件
• 编译器只有少量测试用例，需要自己多想 edge case
• 不需要提交即最优解，但要通过所有 visible test cases

工作风格问卷（Work Style Assessment）

约 30 分钟，没有选择对错，全是情景判断。例如：

“When you encounter a problem you’ve never seen before, you usually:”
A. Research it on your own for a while before asking
B. Ask a teammate immediately to save time
C. Try a quick fix and see if it works
D. Document the problem first before doing anything

答题策略：

• 仔细阅读 Amazon 的 16 条 LP，理解其价值观
• Customer Obsession 和 Ownership 是最重要的两条
• 不要选极端答案，选择体现"先尝试再求助"、“团队协作”、“以客户为中心"的选项

VO Round 1（LP + Coding）

面试官是一位 L5 SDE，在 AWS S3 团队工作了 6 年。开场白很标准：“I’ll ask a few behavioral questions first, then we’ll do coding.”

LP 问题 1：Customer Obsession（10min）

问题：Tell me about a time you went above and beyond for a customer.

我的回答（STAR）：

S：实习期间负责一个数据分析工具，用户是内部的金融分析师团队。
T：一位分析师反馈说工具导出的 CSV 在 Excel 中打开时中文字符乱码。
A：

1. 我不仅修复了编码问题（从 UTF-8 改为 UTF-8 BOM），还主动调研了 Excel 的编码兼容性；
2. 添加了导出格式选项（CSV/Excel/XLSX），让用户自己选择；
3. 编写了 FAQ 文档，包含常见编码问题的解决方案；
4. 在团队周会上分享了这个 issue，推动我们在所有导出功能中统一处理编码。
   R：该分析师后续在团队满意度调查中给了满分，她的团队有 3 个人开始高频使用我们的工具。

追问：

• “What would you do if fixing this encoding issue took 3 days instead of 3 hours?”
• “How did you balance this unplanned work with your sprint commitments?”

LP 问题 2：Ownership（10min）

问题：Tell me about a time you took on something outside your responsibility.

我的回答：

S：实习团队的 on-call runbook 非常陈旧，很多排查步骤已经失效。
T：维护 runbook 本来不是实习生的职责，但 on-call 时经常因为文档错误浪费大量时间。
A：

1. 我在两次 on-call 中记录了所有文档错误和缺失的步骤；
2. 用周末时间重写了 runbook，添加了故障排查决策树；
3. 邀请团队成员 review，根据反馈补充了常见错误案例；
4. 将 runbook 从内部 wiki 迁移到 searchable 的 documentation 平台。
   R：后续 on-call 的平均 MTTR（Mean Time To Recovery）从 45 分钟降到 15 分钟。

算法题（35min）

题目：Course Schedule（LeetCode 207，Medium）

判断有向图中是否有环（拓扑排序）。

from collections import deque, defaultdict

def canFinish(numCourses, prerequisites):
    # 构建图和入度数组
    graph = defaultdict(list)
    in_degree = [0] * numCourses

    for course, prereq in prerequisites:
        graph[prereq].append(course)
        in_degree[course] += 1

    # Kahn's algorithm
    queue = deque([i for i in range(numCourses) if in_degree[i] == 0])
    processed = 0

    while queue:
        course = queue.popleft()
        processed += 1
        for next_course in graph[course]:
            in_degree[next_course] -= 1
            if in_degree[next_course] == 0:
                queue.append(next_course)

    return processed == numCourses

追问：

1. 时间/空间复杂度？ $O(V + E)$ 时间，$O(V + E)$ 空间
2. 如果要求返回一种有效的课程顺序？ 用同样的 Kahn 算法，队列中弹出的顺序就是拓扑序
3. 如果用 DFS 怎么做？ 维护三种状态（未访问/访问中/已访问），DFS 遇到「访问中」的节点说明有环

def canFinishDFS(numCourses, prerequisites):
    graph = defaultdict(list)
    for course, prereq in prerequisites:
        graph[prereq].append(course)

    # 0=未访问, 1=访问中, 2=已访问
    state = [0] * numCourses

    def dfs(course):
        if state[course] == 1:  # 访问中，有环
            return False
        if state[course] == 2:  # 已访问
            return True

        state[course] = 1
        for next_course in graph[course]:
            if not dfs(next_course):
                return False
        state[course] = 2
        return True

    for i in range(numCourses):
        if not dfs(i):
            return False
    return True

VO Round 2（LP + Coding）

面试官是一位 L6 Senior SDE，在 Alexa 团队。这一轮的 LP 追问明显更深。

LP 问题 1：Dive Deep（10min）

问题：Tell me about a time you uncovered a problem by digging into the data.

我的回答：

S：实习期间负责一个批处理任务，每天凌晨处理前一天的日志数据。
T：某天早上收到告警说任务比平时多跑了 2 小时。
A：

1. 我先看 CPU 和内存监控，发现内存使用飙升到 90%；
2. 深入排查发现是某个新加的聚合逻辑在极端 case 下内存泄漏；
3. 进一步分析日志发现，泄漏只发生在 “user_id = null” 的脏数据上；
4. 修复了空值处理逻辑，并添加了数据质量检查；
5. 在 pipeline 入口处增加了数据校验，防止脏数据进入。
   R：任务运行时间恢复稳定在 30 分钟内，后续 3 个月没有再出现类似告警。

追问：

• “How did you know it was a memory leak and not just high memory usage?”
• “What metrics did you look at first, and why that order?”
• “If the issue only happened in production and you couldn’t reproduce it locally, what would you do?”

LP 问题 2：Have Backbone; Disagree and Commit（10min）

问题：Tell me about a time you disagreed with your team and how you handled it.

我的回答：

S：团队讨论是否在一个高并发接口中引入 Redis 缓存。
T：我的导师（ senior engineer ）认为不需要缓存，因为当前 QPS 不高；但我认为这个接口的增长趋势很快，应该提前优化。
A：

1. 我没有直接反对，而是花了一个下午收集了历史 QPS 增长数据（过去 6 个月增长了 300%）；
2. 做了一个简单的压测，模拟 10 倍 QPS 下的响应时间；
3. 在团队会议上展示了数据，提出「先实现但默认关闭，通过 feature flag 控制」的中立方案；
4. 最终团队同意添加缓存层，但只在监控指标超过阈值时自动开启。
   R：一个月后 QPS 确实翻倍，缓存自动启用，接口 P99 保持在 50ms 以下。我的导师在周会上特别肯定了我的 proactive 态度。

算法题（35min）

题目： LRU Cache（LeetCode 146，Medium）

这道题在 Amazon 面试中极其高频。

class DLinkedNode:
    def __init__(self, key=0, value=0):
        self.key = key
        self.value = value
        self.prev = None
        self.next = None

class LRUCache:
    def __init__(self, capacity: int):
        self.capacity = capacity
        self.cache = {}
        self.head = DLinkedNode()
        self.tail = DLinkedNode()
        self.head.next = self.tail
        self.tail.prev = self.head
        self.size = 0

    def get(self, key: int) -> int:
        if key not in self.cache:
            return -1
        node = self.cache[key]
        self._move_to_head(node)
        return node.value

    def put(self, key: int, value: int) -> None:
        if key in self.cache:
            node = self.cache[key]
            node.value = value
            self._move_to_head(node)
        else:
            node = DLinkedNode(key, value)
            self.cache[key] = node
            self._add_to_head(node)
            self.size += 1
            if self.size > self.capacity:
                removed = self._remove_tail()
                del self.cache[removed.key]
                self.size -= 1

    def _add_to_head(self, node):
        node.prev = self.head
        node.next = self.head.next
        self.head.next.prev = node
        self.head.next = node

    def _remove_node(self, node):
        node.prev.next = node.next
        node.next.prev = node.prev

    def _move_to_head(self, node):
        self._remove_node(node)
        self._add_to_head(node)

    def _remove_tail(self):
        node = self.tail.prev
        self._remove_node(node)
        return node

追问：

1. 如何实现线程安全？ 加锁（threading.Lock()）或者用 collections.OrderedDict（Python 3.7+ dict 有序）
2. 如果缓存容量是 1GB，但实际数据只有 100MB，如何优化内存使用？ 可以使用更紧凑的数据结构，或者将不常用数据序列化到磁盘
3. LRU 的淘汰策略有什么缺点？ 对突发热点不友好（scan 攻击），可以改进为 LRU-K 或 LFU

面试复盘与建议

Amazon 面试的核心竞争力

LP 准备清单

必须准备的 8 个故事（覆盖最常见的 LP）：

1. Customer Obsession：超出职责范围帮助客户/用户
2. Ownership：主动承担不属于你的责任并产出结果
3. Dive Deep：通过数据分析发现并解决隐藏问题
4. Disagree and Commit：与团队有分歧但最终达成共识
5. Invent and Simplify：提出创新的解决方案或简化流程
6. Deliver Results：在压力/资源限制下按时交付
7. Learn and Be Curious：快速学习新技术并应用
8. Bias for Action：在信息不全时果断决策

算法准备重点

Amazon 的高频题目：

• LRU Cache（⭐⭐⭐⭐⭐ 极高频）
• Number of Islands / Course Schedule（图类）
• Reorder Log Files（字符串处理）
• Two Sum / 3Sum（数组）
• Merge Intervals（区间）

Amazon 的算法题通常不是最难的，但要求：

• 代码一次写对：面试官不喜欢看反复修改
• 主动分析复杂度：写完立刻说出时间/空间复杂度
• 讨论 trade-off：比如 HashMap vs TreeMap 的选择

推荐阅读

• Amazon 官方 LP 页面：amazon.jobs/content/en/our-workplace/leadership-principles
• 《Cracking the Coding Interview》Amazon 相关章节
• LeetCode Amazon 题单（Top 50）