Anthropic 資料工程師面試：流程與備考

你收到了 Anthropic 的面試邀請，想知道各個階段考什麼、規則是什麼。本節把 Anthropic 公開說明的面試規則與資料工程職位的通用做法區分開來。規則放在最前面，因為它們決定了你應該如何備考。

Anthropic 公布的是適用於各類職位的面試指引，而不是為每個職位單獨設計的流程。它的說明如下：

• 申請。應征者應自己撰寫申請的初稿，可以用 Claude 來潤飾。
• 形式。所有面試都透過 Google Meet 進行，Anthropic 可以配合不同時區。
• 現場編碼。技術職位方面，Anthropic 會使用 Colab 和 CodeSignal 等現場編碼工具。應征者可以查資料，但應熟悉基本語法和標準函式庫。
• 帶回家完成的評測。除非 Anthropic 另有說明，完成時不得使用 Claude。
• 現場面試中的 AI 輔助。除非另有說明，一律不允許，因為 Anthropic 想看到應征者如何即時思考問題。

Anthropic 沒有公布資料工程師的逐輪流程：沒有輪次名稱，沒有面試次數，也沒有固定順序。請向招募人員確認每次對話涉及哪些方面、每場使用哪種編碼工具，以及你的流程中是否包含帶回家完成的作業。

為方便規劃，下面列出的階段是資料工程職位的通用備考類別，並非 Anthropic 的輪次名稱：

• 招募人員溝通。你的背景、動機、團隊情況和時間安排。
• 技術初篩。通常是在現場編碼環境中考 SQL 和 Python，常會追問你運行過的某條資料管線。
• 主管面談。你負責過的系統、如何處理故障，以及如何與使用你資料的人合作。
• 深入技術面試。資料建模、資料管線與系統設計，以及難度更高的 SQL。
• 行為與動機面談。你如何與他人合作，以及你為什麼特別想做這份工作。

Reddit 和 Glassdoor 上的貼文描述了個別應征者的面試經歷。有些應征者提到，SQL 題一開始要求自己設計資料表結構，而不是在給定的表上查詢。請把每篇貼文看作某位應征者在某個團隊的個人經歷，不要當作 Anthropic 面試所有資料工程師的方式。

關於評估方式，Anthropic 最明確的說法是它不允許在現場面試中使用 AI 輔助的原因：它想看到應征者如何即時思考問題。對資料工程師來說，這意味著每道技術題都是在考察你可見的推理過程。下列內容是該職位的通用做法，本頁的範例問題只是練習題，並非 Anthropic 確認會問的題目。

• SQL 與資料表結構設計。不會造成列數膨脹的連接、視窗函數、去重，以及事件資料中的連續紀錄或工作階段。要準備好先設計資料表再查詢，並說明每張表的粒度。
• 面向資料的 Python。用清晰的程式碼解析、轉換和彙總紀錄。由於 Anthropic 要求熟悉基本語法和標準函式庫，請練習只用標準函式庫解題，以防練習中用不了你常用的套件。
• 資料建模。事實表與維度表、隨時間變化的屬性，以及分析人員和研究人員可以放心查詢、沒有陷阺的表。
• 資料管線與系統設計。批次處理與串流處理、冪等寫入、回填、延遲到達的資料、資料表結構變更和資料品質檢查，而且追問中會中途改變需求。
• 行為判斷。對故障的擔當、關於指標定義的分歧，以及速度與正確性之間的取捨。
• 動機。為什麼選這家公司、為什麼做這類資料工作。結合你做過的工作給出具體回答，比泛泛的熱情更有分量。

你不需要把自己包裝成機器學習專家。Anthropic 表示，約一半的技術人員此前沒有機器學習經驗，因此對資料工程師來說，紮實的資料基礎比經不起追問的機器學習術語更有用。不過請查看職缺說明，因為具體團隊仍可能要求相關經驗。更多按技能分組的練習題見題庫。

Anthropic 沒有公布各職位之間的差異，因此下面的職位對比是資料工程的通用做法。

• 與軟體工程相比。演算法難題的比重較低，SQL、資料建模和資料管線可靠性的比重較高。設計題圍繞資料如何流動、落地和修正，而不是對外提供請求服務的系統。
• 與資料科學相比。統計與實驗設計較少，更多是建置分析人員和研究人員所依賴的表。你仍可能被問到某個指標如何定義，因為資料工程師往往負責該指標背後的表。
• 與分析工程相比。兩者界限模糊。分析類職位偏向報表用的建模和 SQL，資料工程師職位則更深入資料匯入、分散式處理和基礎設施。

與其他公司相比，Anthropic 公開的幾條規則會改變你的備考方式。它的 AI 政策很明確：現場面試不允許任何 AI 輔助，帶回家的作業也不能使用 Claude，除非 Anthropic 另有說明。現場編碼時可以查資料，所以考察的重點不是死記語法，而是你如何推理、多快能找到所需資訊。而且所有面試都透過 Google Meet 進行，因此沒有需要安排差旅的現場面試日。其他公司面試流程的指南見公司面試。

Anthropic 沒有公布資料工程師招募的時程。安排取決於團隊、你的資歷級別和面試官的時間；Anthropic 表示可以配合不同時區，如果你不在團隊所在地區，這會有所幫助。要了解會有幾輪對話、通常多久出結果，請直接問你的招募人員。

難度更適合定性描述。可以查資料減輕了死記語法的壓力，但在其他方面提高了要求：允許你查文件的面試官，看的是你如何推理，而不是你是否記得某個函式簽章。沒有 AI 輔助，思路、程式碼和檢查都要由你自己出聲完成。

對大多數應征者來說，難點在於追問下的深度。你設計了一條資料管線，面試官接著加入延遲到達的資料，然後是資料表結構變更，再問你怎麼知道輸出是錯的。在正式環境中維運過資料管線的應征者，通常比只建置過的人更能應對這種不斷變化的要求。

資深應征者應預期判斷力的比重更大：選擇不做什麼、向非技術夥伴解釋取捨，以及為過去的失誤負責。

請圍繞 Anthropic 公布的條件來備考，因為在不同條件下練習會養成錯誤的習慣。

• 不藉助 AI 練習。每道練習題都不要用助手，因為除非另有說明，現場面試不允許使用。查文件可以，直接產生答案不行。
• 在類似的工具中練習。使用瀏覽器中的筆記本和線上程式碼編輯器，讓環境變得熟悉。把基本語法和標準函式庫熟記於心，並練習在官方文件中快速找到答案。
• SQL，先設計資料表。每道練習題都先設計資料表再寫查詢，並在執行之前先說出每個結果的粒度。
• 建模與資料管線。為你熟悉的領域畫一條資料管線，然後對它施壓：部分失敗後重跑、回填、延遲的批次、改名的欄位。
• 邊想邊說。錄下自己解題的過程，聽聽有沒有沉默的片段。即時推理正是 Anthropic 說想看到的。
• 帶回家的作業（如有）。除非另有說明，完成時不要使用 Claude。加上測試、寫明你的假設的簡短 README，並清楚處理錯誤輸入。
• 行為與動機。準備一次你負責過的資料管線故障、一次關於指標定義的分歧，以及你對這項工作感興趣的具體原因。

設想一位資料工程師，多年來一直在編輯器裡開著 AI 助手建置資料倉儲表。在面試前，他每次練習都把助手關掉，只靠文件解決 SQL 和 Python 問題，並逐步說出自己的思路。最初幾次練習感覺很慢，但到面試時，他已經能不等建議、直接出聲推理。

練習工具只在練習中使用。SubcueAI 的模擬面試頁面可以讓你事先大聲演練資料工程類問題；到了真正的面試中，請遵守 Anthropic 的規定：除非另有說明，不使用任何 AI 輔助。