Anthropic 数据工程师面试：流程与备考

你收到了 Anthropic 的面试邀请，想知道各个阶段考什么、规则是什么。本节把 Anthropic 公开说明的面试规则与数据工程岗位的通用做法区分开来。规则放在最前面，因为它们决定了你应该如何准备。

Anthropic 公布的是适用于各类岗位的面试指引，而不是为每个岗位单独设计的流程。它的说明如下：

• 申请。候选人应自己撰写申请的初稿，可以用 Claude 来润色。
• 形式。所有面试都通过 Google Meet 进行，Anthropic 可以兼顾不同时区。
• 现场编码。对于技术岗位，Anthropic 会使用 Colab 和 CodeSignal 等现场编码工具。候选人可以查资料，但应熟悉基本语法和标准库。
• 带回家完成的测评。除非 Anthropic 另有说明，完成时不得使用 Claude。
• 现场面试中的 AI 辅助。除非另有说明，一律不允许，因为 Anthropic 想看到候选人如何实时思考问题。

Anthropic 没有公布数据工程师的逐轮流程：没有轮次名称，没有面试次数，也没有固定顺序。请向招聘人员确认每次谈话涉及哪些方面、每场使用哪种编码工具，以及你的流程中是否包含带回家完成的作业。

为方便规划，下面列出的阶段是数据工程岗位的通用备考类别，并非 Anthropic 的轮次名称：

• 招聘人员沟通。你的背景、动机、团队情况和时间安排。
• 技术初筛。通常是在现场编码环境中考 SQL 和 Python，常会追问你运行过的某条数据管道。
• 经理面谈。你负责过的系统、如何处理故障，以及如何与使用你数据的人合作。
• 深入技术面试。数据建模、数据管道与系统设计，以及难度更高的 SQL。
• 行为与动机面谈。你如何与他人合作，以及你为什么特别想做这份工作。

Reddit 和 Glassdoor 上的帖子描述了个别候选人的面试经历。有些候选人提到，SQL 题一开始要求自己设计表结构，而不是在给定的表上查询。请把每个帖子看作某个候选人在某个团队的个人经历，不要当作 Anthropic 面试所有数据工程师的方式。

关于评估方式，Anthropic 最明确的说法是它不允许在现场面试中使用 AI 辅助的原因：它想看到候选人如何实时思考问题。对数据工程师来说，这意味着每道技术题都是在考察你可见的推理过程。下列内容是该岗位的通用做法，本页的示例问题只是练习题，并非 Anthropic 确认会问的题目。

• SQL 与表结构设计。不会造成行数膨胀的连接、窗口函数、去重，以及事件数据中的连续记录或会话。要准备好先设计表再查询，并说明每张表的粒度。
• 面向数据的 Python。用清晰的代码解析、转换和聚合记录。由于 Anthropic 要求熟悉基本语法和标准库，请练习只用标准库解题，以防练习中用不了你常用的包。
• 数据建模。事实表与维度表、随时间变化的属性，以及分析人员和研究人员可以放心查询、没有陷阱的表。
• 数据管道与系统设计。批处理与流处理、幂等写入、回填、延迟到达的数据、表结构变更和数据质量检查，并且追问中会中途改变需求。
• 行为判断。对故障的担当、关于指标定义的分歧，以及速度与正确性之间的取舍。
• 动机。为什么选这家公司、为什么做这类数据工作。结合你做过的工作给出具体回答，比泛泛的热情更有分量。

你不需要把自己包装成机器学习专家。Anthropic 表示，约一半的技术人员此前没有机器学习经验，因此对数据工程师来说，扎实的数据基础比经不起追问的机器学习术语更有用。不过请查看职位描述，因为具体团队仍可能要求相关经验。更多按技能分组的练习题见题库。

Anthropic 没有公布各岗位之间的差异，因此下面的岗位对比是数据工程的通用做法。

• 与软件工程相比。算法难题的比重较低，SQL、数据建模和数据管道可靠性的比重较高。设计题围绕数据如何流动、落地和修正，而不是对外提供请求服务的系统。
• 与数据科学相比。统计与实验设计较少，更多是构建分析人员和研究人员所依赖的表。你仍可能被问到某个指标如何定义，因为数据工程师往往负责该指标背后的表。
• 与分析工程相比。两者界限模糊。分析类岗位偏向报表用的建模和 SQL，数据工程师岗位则更深入数据摄取、分布式处理和基础设施。

与其他公司相比，Anthropic 公开的几条规则会改变你的备考方式。它的 AI 政策很明确：现场面试不允许任何 AI 辅助，带回家的作业也不能使用 Claude，除非 Anthropic 另有说明。现场编码时可以查资料，所以考察的重点不是死记语法，而是你如何推理、多快能找到所需信息。而且所有面试都通过 Google Meet 进行，因此没有需要安排差旅的现场面试日。其他公司面试流程的指南见公司面试。

Anthropic 没有公布数据工程师招聘的时间线。安排取决于团队、你的级别和面试官的时间；Anthropic 表示可以兼顾不同时区，如果你不在团队所在地区，这会有所帮助。要了解会有几轮谈话、通常多久出结果，请直接问你的招聘人员。

难度更适合定性描述。可以查资料减轻了死记语法的压力，但在其他方面提高了要求：允许你查文档的面试官，看的是你如何推理，而不是你是否记得某个函数签名。没有 AI 辅助，思路、代码和检查都要由你自己出声完成。

对大多数候选人来说，难点在于追问下的深度。你设计了一条数据管道，面试官接着加入延迟到达的数据，然后是表结构变更，再问你怎么知道输出是错的。在生产环境中运维过数据管道的候选人，通常比只搭建过的人更能应对这种不断变化的要求。

资深候选人应预期判断力的比重更大：选择不做什么、向非技术伙伴解释取舍，以及为过去的失误负责。

请围绕 Anthropic 公布的条件来备考，因为在不同条件下练习会养成错误的习惯。

• 不借助 AI 练习。每道练习题都不要用助手，因为除非另有说明，现场面试不允许使用。查文档可以，直接生成答案不行。
• 在类似的工具中练习。使用浏览器中的笔记本和在线代码编辑器，让环境变得熟悉。把基本语法和标准库烂熟于心，并练习在官方文档中快速找到答案。
• SQL，先设计表。每道练习题都先设计表再写查询，并在运行之前先说出每个结果的粒度。
• 建模与数据管道。为你熟悉的领域画一条数据管道，然后对它施压：部分失败后重跑、回填、延迟的批次、改名的列。
• 边想边说。录下自己解题的过程，听听有没有沉默的片段。实时推理正是 Anthropic 说想看到的。
• 带回家的作业（如有）。除非另有说明，完成时不要使用 Claude。加上测试、写明你的假设的简短 README，并清晰处理错误输入。
• 行为与动机。准备一次你负责过的数据管道故障、一次关于指标定义的分歧，以及你对这项工作感兴趣的具体原因。

设想一位数据工程师，多年来一直在编辑器里开着 AI 助手构建数仓表。在面试前，他每次练习都把助手关掉，只靠文档解决 SQL 和 Python 问题，并逐步说出自己的思路。最初几次练习感觉很慢，但到面试时，他已经能不等建议、直接出声推理。

练习工具只在练习中使用。SubcueAI 的模拟面试页面可以让你事先大声演练数据工程类问题；到了真正的面试中，请遵守 Anthropic 的规定：除非另有说明，不使用任何 AI 辅助。