Entrevista de Data Engineer na Anthropic: processo e preparação

Você recebeu um convite de entrevista da Anthropic e quer saber o que cada etapa envolve e quais são as regras. Esta seção separa o que a Anthropic declara sobre suas entrevistas do que é prática geral para vagas de engenharia de dados. As regras vêm primeiro, porque elas definem como você deve se preparar.

A Anthropic publica orientações de entrevista que valem para todas as funções, em vez de um roteiro para cada uma. O que ela declara:

• Candidatura. Os candidatos devem escrever eles mesmos o primeiro rascunho da candidatura e podem usar o Claude para refiná-lo.
• Formato. Todas as entrevistas são feitas pelo Google Meet, e a Anthropic consegue acomodar diversos fusos horários.
• Live coding. Para funções técnicas, a Anthropic usa ferramentas de live coding como Colab e CodeSignal. Os candidatos podem pesquisar, mas devem estar à vontade com a sintaxe básica e as bibliotecas padrão.
• Desafios para fazer em casa. São feitos sem o Claude, a menos que a Anthropic indique o contrário.
• Ajuda de IA em entrevistas ao vivo. Nenhuma é permitida, a menos que se indique o contrário, porque a Anthropic quer ver como os candidatos raciocinam sobre problemas em tempo real.

A Anthropic não publica um roteiro etapa por etapa para data engineers: sem nomes de rodadas, sem número de entrevistas, sem ordem fixa. Pergunte ao recrutador quais áreas cada conversa cobre, qual ferramenta de código cada sessão usa e se um desafio para fazer em casa faz parte do seu processo.

Para planejar, as etapas abaixo são categorias gerais de preparação para vagas de engenharia de dados, não nomes de rodadas da Anthropic:

• Conversa com o recrutador. Sua trajetória, motivação, o time e o agendamento.
• Triagem técnica. Em geral SQL e Python em um ambiente de live coding, muitas vezes com perguntas sobre um pipeline que você já operou.
• Conversa com o gestor. Os sistemas pelos quais você foi responsável, como lidou com falhas e como trabalha com as pessoas que usam seus dados.
• Entrevistas técnicas mais profundas. Modelagem de dados, design de pipelines e sistemas, e SQL mais difícil.
• Conversas comportamentais e de motivação. Como você trabalha com os outros e por que quer especificamente este trabalho.

Posts no Reddit e no Glassdoor descrevem processos individuais. Alguns relatos de candidatos descrevem perguntas de SQL que começam com o design do seu próprio schema, em vez de consultar um schema dado. Trate cada post como a experiência de um candidato em um time, não como a forma como a Anthropic entrevista todo data engineer.

A declaração mais clara da Anthropic sobre avaliação é o motivo de não permitir ajuda de IA em entrevistas ao vivo: ela quer ver como os candidatos raciocinam sobre problemas em tempo real. Para um data engineer, isso transforma cada pergunta técnica em um teste de raciocínio visível. As áreas abaixo são prática geral para a função, e as perguntas de exemplo desta página são exercícios de prática, não perguntas que a Anthropic confirmou fazer.

• SQL e design de schema. Joins que não multiplicam linhas, window functions, deduplicação e sequências ou sessões em dados de eventos. Esteja pronto para projetar as tabelas antes de consultá-las e para explicar a granularidade de cada uma.
• Python para dados. Fazer parsing, transformar e agregar registros com código claro. Como a Anthropic pede à vontade com sintaxe básica e bibliotecas padrão, pratique resolver problemas só com a biblioteca padrão, caso seus pacotes habituais não façam parte do exercício.
• Modelagem de dados. Fatos versus dimensões, atributos que mudam ao longo do tempo e tabelas que analistas e pesquisadores consigam consultar sem armadilhas.
• Design de pipelines e sistemas. Batch versus streaming, escritas idempotentes, backfills, dados que chegam atrasados, mudanças de schema e verificações de qualidade de dados, com perguntas de acompanhamento que mudam os requisitos no meio do caminho.
• Julgamento comportamental. Responsabilidade por falhas, discordâncias sobre definições de métricas e trade-offs entre velocidade e correção.
• Motivação. Por que esta empresa e este tipo de trabalho com dados. Uma resposta específica, ligada a um trabalho que você fez, pesa mais do que entusiasmo genérico.

Você não precisa se apresentar como especialista em machine learning. A Anthropic diz que cerca de metade de sua equipe técnica não tinha experiência prévia em ML, então bons fundamentos de dados servem melhor a um data engineer do que um vocabulário de ML que ele não consegue defender diante de perguntas de acompanhamento. Confira a descrição da vaga, porém, pois um time específico ainda pode pedir experiência relacionada. Mais exercícios agrupados por habilidade estão nos bancos de perguntas.

A Anthropic não publica diferenças entre funções, então a comparação abaixo reflete a prática geral de engenharia de dados.

• Em comparação com engenharia de software. Menos peso em quebra-cabeças de algoritmos, mais em SQL, modelagem de dados e confiabilidade de pipelines. As perguntas de design giram em torno de como os dados se movem, chegam e são corrigidos, e não de serviços que atendem requisições.
• Em comparação com ciência de dados. Menos estatística e design de experimentos, mais construção das tabelas das quais analistas e pesquisadores dependem. Ainda assim, podem perguntar como uma métrica é definida, porque o data engineer costuma ser dono da tabela por trás dela.
• Em comparação com engenharia de analytics. A linha é tênue. Funções de analytics tendem a modelagem e SQL para relatórios; as de data engineer vão mais fundo em ingestão, processamento distribuído e infraestrutura.

Em comparação com outras empresas, algumas regras declaradas pela Anthropic mudam a forma de se preparar. A política de IA é explícita: nenhuma ajuda de IA em entrevistas ao vivo e nenhum Claude em desafios para fazer em casa, a menos que a Anthropic diga o contrário. Pesquisar é permitido durante o live coding, então o teste tem menos a ver com sintaxe decorada e mais com como você raciocina e com que rapidez encontra o que precisa. E toda entrevista acontece pelo Google Meet, então não há um dia presencial para o qual planejar viagem. Guias sobre como outras empresas estruturam seus processos estão em entrevistas de empresas.

A Anthropic não publica um cronograma para a contratação de data engineers. O agendamento depende do time, do seu nível e da disponibilidade dos entrevistadores; a Anthropic diz que consegue acomodar diversos fusos horários, o que ajuda se você estiver sendo entrevistado de fora da região do time. O recrutador é a pessoa certa para perguntar quantas conversas esperar e quanto tempo as decisões costumam levar.

A dificuldade é mais fácil de descrever de forma qualitativa. Poder pesquisar tira parte da pressão de decorar sintaxe, mas eleva a exigência em outro ponto: um entrevistador que deixa você consultar a documentação está observando como você raciocina, não se você lembra da assinatura de uma função. Sem ajuda de IA, você mesmo gera a abordagem, o código e as verificações, em voz alta.

O difícil para a maioria dos candidatos é a profundidade nas perguntas de acompanhamento. Você projeta um pipeline, depois o entrevistador acrescenta dados que chegam atrasados, depois uma mudança de schema, e então pergunta como você saberia que a saída está errada. Candidatos que operaram pipelines em produção costumam lidar melhor com essa deriva do que os que apenas os construíram.

Candidatos seniores devem esperar mais peso no julgamento: escolher o que não construir, explicar um trade-off a um parceiro não técnico e assumir um erro do passado.

Monte a preparação em torno das condições declaradas pela Anthropic, porque praticar sob condições diferentes treina os hábitos errados.

• Pratique sem IA. Resolva cada exercício sem assistente, já que as entrevistas ao vivo não permitem nenhum, a menos que se indique o contrário. Consultar a documentação tudo bem; respostas geradas, não.
• Pratique em ferramentas parecidas. Trabalhe em um notebook no navegador e em um editor de código online para que o ambiente pareça familiar. Mantenha a sintaxe básica e a biblioteca padrão na ponta dos dedos e pratique encontrar uma resposta rapidamente na documentação oficial.
• SQL, primeiro o schema. Em cada exercício, projete as tabelas antes de escrever a consulta e diga em voz alta a granularidade de cada resultado antes de executá-la.
• Modelagem e pipelines. Esboce um pipeline para um domínio que você conhece e depois o submeta a estresse: uma reexecução após falha parcial, um backfill, um lote atrasado, uma coluna renomeada.
• Pense em voz alta. Grave-se resolvendo um problema e procure trechos de silêncio. Raciocínio em tempo real é o que a Anthropic diz querer ver.
• Desafio para fazer em casa, se houver. Faça sem o Claude, a menos que digam o contrário. Inclua testes, um README curto com suas premissas e um tratamento claro de entradas inválidas.
• Comportamental e motivação. Prepare uma falha de pipeline pela qual você foi responsável, uma discordância sobre a definição de uma métrica e um motivo específico pelo qual este trabalho o interessa.

Pense em um data engineer que há anos constrói tabelas de data warehouse com um assistente de IA sempre aberto no editor. Antes da triagem, ele o desliga em todas as sessões de prática e resolve problemas de SQL e Python apenas com a documentação, narrando cada passo. As primeiras sessões parecem lentas, mas, na hora da entrevista, ele consegue raciocinar em voz alta sem esperar por uma sugestão.

Ferramentas de prática pertencem à prática. A página de entrevista simulada do SubcueAI permite ensaiar perguntas de engenharia de dados em voz alta antes; na entrevista ao vivo em si, siga a regra da Anthropic de nenhuma ajuda de IA, a menos que se indique o contrário.