最近面完 OpenAI SWE （偏 Infra 方向），把几份近期匿名面经按同一条流程重新拼成综合版，不对应某一个人的单场经历。整体考察非常务实，算法不是重点，系统思维、工程落地和需求变化下的适应能力才是核心。
OpenAI SWE 面试流程总览
- Screen：Coding + System Design
- VO：Coding、Design、Project Deep Dive + BQ
- 节奏：从 Screen 到 VO 间隔 1-2 周，VO 通常一天或分两天完成
Screen Coding
这道题是渐进式的，从简单状态扩展到复杂场景，考的就是你的代码能不能随着需求变化保持干净。
第一问：二维网格，植物有“正常”和“感染”两种状态，感染的每天向四邻传播。求多少天后所有能感染的植物都被感染。标准多源 BFS，所有初始感染点同时入队，按层扩散计天数。
第二问：加入免疫状态，免疫植物不会被感染。BFS 时跳过免疫格子，其余不变。
第三问：植物感染 D 天后康复并获得免疫。每个格子要记录感染开始时间，每天先处理感染扩散、再检查是否到期康复。求系统什么时候进入稳定状态（没有正在感染的植物且不会再有新感染）。
第四问：加入死亡状态，感染超过一定天数后死亡。多加一个时间维度判断，逻辑和第三问类似，死亡格子不再传播。
第五问：第 0 天可以烧掉一整行或一整列，被烧掉的植物不会继续传播，但也算死亡，要求最小化最终死亡数量。这问是真正的难题，需要枚举所有行列组合、模拟各种情况下的最终死亡数，贪心不一定成立，暴力枚举 O(n+m) 种选择加模拟是可行的方向。
最大的坑：每天“先感染、先康复还是先死亡”的顺序，一开始没问清楚很可能方向全错。第一件事就是 clarify 这个顺序，别急着写代码。
Screen Design：Cloud IDE Sandbox
设计一个在线写代码并运行的云端 IDE。
重点追问：
- 代码如何上传和执行
- 不可信代码的隔离（这是 OpenAI 最在意的，容器/沙箱隔离、syscall 限制）
- VM 是现开还是维护 warm pool（冷启动 vs 资源成本的 trade-off）
- 超时、爆内存、死循环怎么处理（资源限制 + watchdog + 强制 kill）
VO Coding
Social Network Snapshot：实现 follow、unfollow 和 snapshot；给定快照返回当时的好友；基于快照推荐好友；比较两个快照之间新增和删除的关系。
核心 trade-off：每次 snap 做整张图的 deep copy（空间大但查询简单）vs. 记录关系历史再用二分查询（空间省但实现复杂）。主动讲清楚这个取舍是加分点。
VersionedArray：实现 set(index, value)、snap() 返回版本号、get(index, version)。
空间优化的关键：不存完整快照，只存每个 index 的历史修改记录（时间戳 + 值），get 时二分找目标版本最近的一次修改。追问“100 万次 set 和 snap 怎么优化”——稀疏快照 + 二分查历史，避免线性扫描。
VO Design
正常支付流程讲完，真正考点全在追问里：幂等性设计，同一笔请求重复打过来怎么处理；账本和状态机，订单状态流转要无歧义；第三方回调重试，使用幂等 + 指数退避；长时间卡住的订单怎么处理，超时检测 + 人工介入或自动 rollback；夜间统一结算的一致性；Worker 中途挂掉后任务如何恢复，持久化任务状态 + at-least-once 语义。
这道题考的是你有没有在生产环境真的踩过这些坑。
Project Deep Dive + BQ
Project Deep Dive 就是深挖你简历上最复杂的项目，和亚马逊那套类似，但追问更偏技术决策——为什么选这个方案、trade-off 是什么、如果重来会怎么改。
BQ 高频题包括：Why OpenAI、怎么看 AI safety，这题认真准备，没有标准答案但要有自己的观点；跨团队冲突怎么处理；有没有做完但决定不上线的项目，考工程判断力和责任心。
写在最后
OpenAI 的面试强度高，但也非常公平。准备时多练“需求变化下的适应能力”，会更有优势。
如果你也在准备 OpenAI 或类似前沿 AI 公司，Interview Show 是专注北美技术岗位的面试辅助团队，凭借多年硅谷及北美求职实战经验，提供 面试辅助、OA辅助、VO辅助 与面试协助 一体化方案。团队成员来自北美一线互联网公司，从笔试到视频面试，从技术细节到表达策略，他们深知大厂招聘的每一道关卡，能够为你量身定制解法。