TikTok SDE 的流程走完了，从 OA 到 VO 四轮，整体偏实战。Coding 难度中等，System Design 贴短视频业务，BQ 会追跨团队协作。按自己碰到的情况写一下。
TikTok OA
CodeSignal，70 到 90 分钟，四道题。前两道偏模拟，比较送分；第三道矩阵相关，第四道有点调度/区间的味道。
题库和 Uber、Capital One 高度重合，刷过 CodeSignal 公共题的会有熟悉感。我那次四题过了，没有加电面，直接约了 VO。
第一轮：Coding
面试官是亚裔，开场问了几道网络和分布式一致性的基础。有一题没答完整，他直接跳过了，没揪着不放——我当时以为要凉，事后才发现这家更看重你能答到哪一层，而不是非得每题全对。
因为简历里写了 TypeScript，接着围绕类型系统聊了一会儿：泛型的使用场景、interface 和 type alias 的区别、组件库项目里怎么做类型收窄和条件类型。这块得结合项目讲，只背定义是接不住追问的。
然后深挖 Co-Op 实习，从需求到上线每个决策点都问——为什么选这个方案、当时有没有别的选项、内存泄漏为什么用 Instruments 定位、怎么定位的。这段花了不少时间。
Coding 是 LC 424 原题（最长重复字符替换），滑动窗口加字符计数，O(n) 过了，没有 follow-up。
也有同批同学碰到合并重叠区间：按 start 排序，能合并就更新 end，不能就新开；follow-up 是两个有序区间列表求交集，双指针扫。
其他Coding 高频题型总结
区间类：合并重叠区间（LC 56）、两个有序区间列表的交集（LC 986）、会议室系列（LC 252/253）。这类题在第一轮出现频率很高，排序加双指针或扫描线是核心。
滑动窗口：最长重复字符替换（LC 424）、滑动窗口最大值（LC 239）、最小覆盖子串（LC 76）。面试官喜欢在这类题上加短视频场景的包装，比如”找出播放时长超过 k 秒的最长连续视频序列”。
链表：带随机指针的链表深拷贝（LC 138）、合并 K 个有序链表（LC 23）、LRU Cache（LC 146）。LRU 是 SDE 岗高频题，要能闭眼写完 HashMap + 双向链表的完整实现。
DP：最大整除子集（LC 368）、最长递增子序列（LC 300）、编辑距离（LC 72）。DP 题在 TikTok 出现频率中等，但一旦出现通常是有 follow-up 的那种，得能讲清楚状态转移的直觉。
图 / 树：课程表系列（LC 207/210）、二叉树的各种路径问题、BFS 层序遍历变体。图题通常包了一层业务场景，比如”视频依赖关系检测”本质是拓扑排序。
第二轮：Coding
国人姐姐，先问 BQ。
第一题问上司违规怎么处理。我按 STAR 讲了一次合规争议，重点说了怎么留证据、提替代方案，没有只站队表态。
第二题问超预期的项目。讲了课程作业里的缓存优化，响应时间从 2 秒降到 200 毫秒，把前后数据和改动点都说清楚了。面试官追问了怎么测的、有没有监控，我补充了性能测试的方法。
Coding 两道，30 分钟写完：
最大整除子集（LC 368）：先排序，DP 找最长链，parent 数组回溯构造实际子集。
带随机指针的链表深拷贝（LC 138）：原地穿插节点，三步走，O(1) 额外空间。
写完还剩时间聊了技术栈。同批有人第二轮碰到的是 LRU Cache 或滑动窗口最大值，短视频场景下后者可以理解成”窗口期内找热门视频”。
第三轮：System Design
题目是设计实时热门视频检测系统——找出 5 分钟内播放量增速超 10 倍的视频，并提供查询接口。
我的思路：数据进 Kafka，Flink 做 5 分钟滑动窗口、每分钟滑一次（窗口重叠，避免卡在固定边界，突变更容易被捕捉），Redis 存每个视频每分钟的播放计数（Hash：视频 ID → 分钟时间戳 → 计数），算增速时取最近 5 分钟总和除以前 5 分钟总和，超过阈值就标记，查询接口直接打 Redis。
面试官追问了热点视频怎么处理、如果检测服务挂了怎么降级、误报怎么过滤。我补了本地缓存和简单的平滑过滤。整体把”为什么用滑动窗口”说清楚是这轮的关键。
System Design 其他高频方向
除了实时热门视频检测，TikTok 的 System Design 还有几个反复出现的方向，提前准备能省很多时间：
短视频 Feed 流设计：核心是推拉结合——大 V 账号用拉模式（发布时不主动推，用户打开 app 时拉取），普通用户用推模式（发布时写入粉丝的 feed 队列）。追问集中在：如何保证 Feed 的时效性、如何处理用户关注了几千个账号的场景、离线用户的 Feed 如何处理。
视频上传和存储分发：用户上传原始视频，后台转码成多种分辨率和格式，通过 CDN 分发给全球用户。考点是分片上传（断点续传）、转码任务调度、CDN 选择策略（就近原则 + 负载均衡）。追问通常会到：如果 CDN 节点挂了怎么回源、如何做视频的防盗链。
评论系统设计：支持点赞、回复、楼中楼、实时显示最新评论数。数据模型上用树形结构或者扁平化加 parent_id，存储上评论列表用 MySQL 加 Redis 缓存热门评论，实时计数用 Redis 计数器。追问集中在：如何处理热门视频下的高并发评论写入、评论排序逻辑（时间序 vs 热度序）。
TikTok for Business 广告系统（偏 infra 岗）：广告竞价、预算控制、展示频控。核心是实时竞价（RTB）的延迟要求极低，存储上用 Redis 维护实时预算余额，追问通常到分布式计数的一致性和超卖问题。
第四轮：BQ + HM
项目深挖加行为题。TikTok 很看重跨文化、跨时区协作，碰到的问题包括：跨团队意见不一致怎么推进、deadline 很紧时怎么取舍、技术决策上和别人有分歧怎么处理。
我准备的故事尽量带具体动作和量化结果，不只是说”沟通解决了”。HM 会顺着项目再往下挖一层——你当时为什么选这个方案、如果重来会不会改。
几点体会
Coding 不是最难的部分，Medium 为主，时间够一般能写完。真正要提前准备的是：
简历上每一段经历都能讲清决策和结果，经得住三四层追问。
至少准备一套贴短视频业务的 System Design（热度检测、Feed 流、视频存储分发都是高频）。
BQ 里跨团队、合规争议、超预期交付这几类故事要有具体细节，不能空讲。
OA 题库和其他 CodeSignal 厂重合度高，提前练模拟和区间类题会省事很多。
有在准备 TikTok 的同学，可以来找我们聊聊。我们是 InterviewShow，做过 TikTok、Amazon、Meta 这些公司的面试，简历深挖的打磨、热度检测系统设计的思路拆解、BQ 故事的量化包装都有覆盖，一对一跟着走。