标题腾讯大数据开发实习面经1. 先说背景为什么大数据开发岗值得认真准备现在这个时间点大数据早已不是什么新鲜概念但行业对大数据开发工程师的需求反而越来越旺盛。原因很简单数据量越来越大业务对实时性、准确性的要求越来越高从离线数仓到实时计算从数据湖到AI大模型的数据底座每个环节都缺人。腾讯的大数据开发实习生岗位核心工作是围绕数据基础设施展开的包括数据采集、数据加工、数据仓库建设、实时计算、调度系统维护等。你可能会参与腾讯内部的海量数据处理平台开发也可能是某个业务线的数据管道建设。不管分到哪个组底层要求是一致的熟悉大数据生态组件具备扎实的编程功底理解分布式系统的基本原理。准备这份面经时我翻了很多往年题目也结合自己实际面试的体验把高频考点、容易踩坑的地方、以及面试官真正想考察的能力点梳理了一遍。不管你是科班出身还是半路转行只要按着这条线去准备至少不会在基础题上翻车。2. 面试流程与考察逻辑拆解2.1 整体流程从投递到Offer要过几关腾讯校招实习的流程一般是这样投递简历 - 在线笔试 - 技术初面 - 技术二面 - 技术三面交叉面- HR面 - Offer。笔试通常是牛客网或者腾讯自研平台题型包括选择题和编程题。选择题覆盖数据结构、操作系统、网络、数据库、大数据组件原理编程题一般是两道难度在中等到偏上LeetCode Medium水平偶尔会出现Hard但很少。技术初面一般是一个小时左右前半场问基础后半场问项目或者实习经历。技术二面更深入会针对你做过的项目追问细节也会出场景设计题比如“如果给你一个日志分析需求你会怎么设计整个数据链路”。交叉面通常是其他团队的技术专家考察的广度更大可能会问你不太熟悉的领域但不会刻意刁难主要是看你的思维方式和学习能力。HR面主要聊职业规划、团队协作、抗压能力这个阶段基本不刷人但如果前面技术面评价一般HR面也可能是压死骆驼的最后一根稻草所以也不建议完全裸聊。2.2 面试官到底在考察什么能力表面上看面试是在问知识点实际上是在考察五个维度基础功扎实程度、项目深度、系统设计思维、学习能力、沟通表达。基础功是硬门槛Java集合源码、JVM内存模型、并发编程、计算机网络、操作系统这些必须过关。大数据方向的候选人还要额外掌握Hadoop、Spark、Flink、Kafka等组件的原理。这里说的“掌握”不是背概念而是能讲清楚背后的设计思想和数据流转过程。项目深度是最能拉开差距的环节。大多数候选人简历上写的是“基于Spark的用户行为分析系统”但细问下去分区如何设计、数据倾斜怎么处理、状态如何管理、背压机制是什么能答清楚的人不到三成。面试官不会期待实习生做出多牛的项目但会期待你对自己做过的每一行配置、每一个参数选择都能说出理由。系统设计思维和沟通表达这两个维度说实话是玄学。同样一个技术方案有的人上来就写代码有的人先分析场景再拆模块最后落到接口设计给面试官留下的印象完全不同。建议准备几个通用的设计方案模板比如实时数仓设计、日志采集系统设计、排行榜服务设计到时候套进去用。3. 高频技术考点八股文与实战题目逐一拆解3.1 Java与JVM必考要点腾讯对Java的考察比较常规但会往深处追问。从我的经验看HashMap的底层实现是出现频率最高的题没有之一。面试官一般会从“HashMap怎么put一个元素”问起然后延伸出hash函数设计、负载因子为什么是0.75、红黑树和链表的转换条件、ConcurrentHashMap的锁分段机制与CAS操作、JDK1.7和1.8的区别。这里有一个容易忽略的细节JDK1.8中ConcurrentHashMap为什么放弃了分段锁很多人只记得“CAS synchronized”这个结论但说不出原因。其实是因为分段锁粒度太大当某个段内竞争激烈时其他段也无法被充分利用而synchronized在JDK1.6优化后偏向锁、轻量级锁、重量级锁升级机制性能已经足够好配合CAS可以在绝大多数场景下避免真正的锁竞争。JVM部分重点准备四块内存区域划分、垃圾回收算法与收集器、类加载机制、性能调优工具。其中G1收集器的原理是腾讯面试官比较爱问的点因为腾讯内部很多Java服务都用G1。你需要能说清楚G1的Region划分、RSetRemembered Set的作用、混合回收Mixed GC的过程。另外还会问一个很实际的问题线上频繁Full GC怎么排查。这个题看起来是开放性的实际上有标准套路。第一步用jps定位进程第二步用jstat查看GC情况第三步用jmap dump堆内存快照第四步用MAT或VisualVM分析大对象和引用链。如果能补充一个实际案例比如“我遇到过一次因为代码里循环new对象导致的老年代溢出”印象分会高很多。3.2 Hadoop生态深度解析Hadoop生态是笔试和面试的重头戏。HDFS读写流程、NameNode与SecondaryNameNode工作机制、YARN调度器、MapReduce Shuffle原理这四个点基本是必考的。HDFS写流程建议按步骤背诵客户端调用DistributedFileSystem.create() - 联系NameNode校验权限和配额 - 返回DataOutputStream - 客户端将数据分块写入Pipeline数据节点链路- DataNode之间通过Replication Pipeline复制副本 - 写入完成后汇报给NameNode。面试官常追问的是写入过程中某个DataNode挂了怎么办答案是基于Packet的ack确认机制客户端会从管线中移除坏节点将剩余数据写入其他节点。MapReduce Shuffle是另一个重灾区。Map端输入分片 - 自定义RecordReader - map() - 环形缓冲区默认100MB达到80%阈值触发溢写- 分区、排序、Combiner - 归并。Reduce端fetch - merge - 分组 - reduce()。面试官喜欢问环形缓冲区的设计原因其实就是为了减少磁盘I/O把尽可能多的数据留在内存中处理。YARN部分要搞清楚Capacity Scheduler和Fair Scheduler的区别。腾讯内部一般用Capacity Scheduler多租户场景下可以保证每个队列的最低资源。如果能说出“队列间弹性伸缩”和“队列内优先级调度”这两个机制基本上就能证明你真用过。3.3 Spark与Flink实时计算双雄现在的大数据岗位Spark和Flink是两个绕不开的组件。我的经验是面试官会先问Spark再根据你的简历方向决定要不要深入Flink。Spark必问题RDD的五大特性一组分区、依赖关系、计算函数、分区器、优先位置列表宽窄依赖的区别以及Stage划分依据Spark SQL执行流程SQL - Logical Plan - Optimized Plan - Physical Plan - RDD数据倾斜的处理方案这个几乎必问我会在项目环节详细讲Spark调优资源参数分配、序列化方式Kryo、内存管理Execution和Storage动态占用Flink必问题Flink与Spark Streaming的区别关键是流处理模型、时间语义、状态管理、端到端Exactly-OnceCheckpoint机制原理重点是Barrier对齐的过程窗口类型滚动、滑动、会话窗口的适用场景Flink SQL与DataStream API的取舍以及Flink CDCChange Data Capture的应用腾讯很多业务场景走的是实时链路比如腾讯会议的在线指标、腾讯游戏的实时运营大屏、广告的实时竞价。所以如果你在简历里提到Flink对窗口状态的使用和理解是绕不开的考察点。3.4 数据存储与消息队列存储和消息是数据链路的命脉。Kafka在腾讯的面试中出现频率极高而且问得越来越深。Kafka要准备的点包括分区与副本机制、ISRIn-Sync Replicas与HW/LEO、消费组与Rebalance、顺序消费与消息积压处理、Kafka为什么那么快顺序写Page Cache零拷贝。其中Rebalance是高频考点面试官会问Consumer加入或退出时会发生什么Coordinator如何选出来如果答出“Eager Rebalance和Cooperative Rebalance增量协同的区别”已经超出大部分人水平了。数据库方面MySQL索引结构B Tree、事务隔离级别、MVCC、Explain使用与慢查询优化、Redis数据结构与持久化、缓存穿透/击穿/雪崩的解决方案这些都是常规题。值得提醒的是腾讯内部大量使用HBase和ClickHouse内部叫如Kona或自研类似系统。如果你简历里写了熟悉HBase一定要准备Region分裂过程、MemStore与HFile关系、RowKey设计原则。ClickHouse则重点准备MergeTree引擎、稀疏索引原理、以及它为什么在聚合查询上比传统OLTP快两个数量级这个往往是加分项因为多数候选人只懂MySQL和Redis。3.5 数据仓库理论维度建模与分层架构数据仓库理论在大数据开发面试中经常被单独拿出来问因为它决定了一个数据工程师能不能把数据变成资产而不只是跑几个MapReduce任务。必背内容数仓分层ODS - DWD - DWS - ADS 每一层做什么为什么这么分维度建模三范式与反范式星型模型和雪花模型的区别缓慢变化维SCD的处理策略拉链表是怎么做的事实表类型事务事实表、周期快照事实表、累积快照事实表数据质量保障完整性、准确性、一致性如何监控腾讯面试官喜欢从业务场景切入问数仓问题。比如“有一个游戏充值记录表想统计每个玩家最近30天的累计充值金额你怎么设计表和调度任务”。这种问题其实就是DWS层建设答案是建设一张以玩家维度为核心的累积快照事实表每天用一个增量任务更新近30天窗口数据。4. 项目经验怎么把“小项目”讲出“大价值”4.1 项目准备的核心原则讲深讲透一个自研点很多同学简历上写了两三个项目看起来挺丰富但一面试就露馅。原因在于每个项目都只停留在“会跑”的层面没有任何一个能经得起追问。我的建议是把精力集中在一个项目上把一个点做到极致。面试官真正想了解的不是你用了多少组件而是遇到具体问题时你有没有能力独立排查和解决。我当时准备的这个项目是一个基于Flink和Kafka的实时用户行为分析系统用来统计App埋点日志中的PV/UV、用户路径、漏斗转化。整体链路是Nginx埋点日志 - Kafka - Flink清洗/计算 - ClickHouse - 可视化大屏同时用HDFS做原始数据归档。如果只是把这个流程说出来最多得到一个“还行”的评价。真正让我在面试中有话可谈的是里面几个细节埋点日志存在字段缺失和乱序怎么用Flink处理高峰期数据流量猛增导致Kafka分区消费倾斜怎么解决指标计算中有大量去重计数UV怎么选择存储和去重方案我建议你也按这个思路挑一个项目里真实踩过坑的技术细节把它完整复盘一遍从问题表象、定位过程、解决方案、最终效果四个方面去准备。这比背一百道八股文都有用。4.2 数据倾斜问题的完整案例分析数据倾斜是大数据开发岗位面试中几乎必问的场景题也是我项目中真实遇到的问题所以单独拆出来讲。问题描述我负责的Flink去重计数任务使用HyperLogLog进行UV估算但某个userId对应的日志量特别大比如某个大V的粉丝行为数据导致该key所在的子任务处理延迟极高整个作业的吞吐量被拖到只有正常水平的十分之一。排查过程先通过Flink Web UI查看各子任务的BackPressure状态和数据积压情况定位到确实是某个key的数据量异常。再对上游日志做抽样统计找到大key。最后看数据本身确认是否为大V、爬虫或异常设备导致的流量集中。解决方式做了两级缓解。第一级对于真正的大key在进入统计前按用户属性比如event_id二次打散第二级对不能打散的需求如必须精确统计某个大V的独立访客数用Flink的KeyedState按子维度粒度拆开计算再合并结果。最终效果任务恢复平稳吞吐量恢复到正常水平的90%以上准确率影响在可接受范围内。这个案例在面试中非常实用因为它既有问题定位过程又有方案取舍还能顺带展示你对Flink状态编程和窗口机制的熟悉程度。如果你有类似的真实经历哪怕规模不大也值得深入准备。4.3 场景设计题模板从需求到落地除了追问项目细节腾讯面试官还喜欢给一个需求让你现场设计数据链路。这类题目没有标准答案但有一个通用的回答框架。比如面试官问“如果有一个需求要把App的启动日志实时统计出每分钟的启动次数和启动用户数你会怎么做”我的回答思路第一步先确认需求细节。问清楚数据量级、实时性要求秒级还是分钟级、是否需要精确去重、数据源是什么格式。不要一上来就设计先框定边界。第二步画整体链路。埋点SDK采集 - 数据上报网关 - Kafka - Flink实时计算 - 结果写入Redis/ClickHouse - 前端展示。这里关键是说清楚每个环节的作用和选型理由。第三步拆解核心细节。Kafka的Topic怎么设计按业务线分还是按数据类型分、分区数怎么定和下游消费能力匹配、Flink的窗口怎么开滚动窗口60秒、去重怎么做HyperLogLog还是RoaringBitmap取决于精度要求、Sink端如何保证不丢数据。第四步补充容错与扩展。作业挂了怎么恢复Checkpoint 重启策略、流量翻倍怎么扩容Kafka分区扩容 Flink并行度调整、数据延迟和乱序怎么处理Watermark 允许迟到时间。这样一套回答下来前前后后可以说十几分钟面试官能从中看到你的全局观和工程设计能力。5. 笔试与算法不只是LeetCode5.1 腾讯在线笔试的特点腾讯的在线笔试和LeetCode有些区别我体验下来最明显的感觉是工程感更强输入输出格式复杂、需要自己处理边界条件、有些题是实际业务场景的简化版。出现过的一些典型题目包括给一个日志文件路径列表合并重叠的时间区间设计一个带过期时间的LRU缓存字符串解析成嵌套JSON结构两个有序数组找第K大的数要求O(log(mn))求矩阵中岛屿数量。这些题目本身不难但时间限制比较紧平时刷题不足很容易做不完。我的建议是在牛客网刷近三年的腾讯笔试真题尤其是技术类岗位的编程题。不要只在IDE里写要习惯在牛客的网页编辑器里调试因为这个编辑器的自动补全和安全检查逻辑和LeetCode不完全一样很多人在本地写着很顺换到网页就手忙脚乱。5.2 算法题的复习优先级算法题这一块按优先级准备第一梯队数组、链表、二叉树、哈希表、栈与队列。这是基础中的基础必须滚瓜烂熟。第二梯队动态规划、贪心、回溯、二分查找、滑动窗口。腾讯笔试高频出现的类型。第三梯队图论、字符串匹配、并查集、线段树。这些相对低频但如果简历里写了ACM经历或者算法竞赛奖项肯定会考。这里有一个常见误区很多人花大量时间刷Hard题觉得面试就这么难。实际上腾讯更看重的是在限定时间内写出清晰、正确、可读的Medium题。能写出没有语法错误、边界考虑完整、时间空间复杂度分析清楚的代码远比会做一道Hard题更有价值。我个人刷题方式是定一个“核心100题”清单覆盖所有高频考点每道题写清楚思路和复杂度。面试前一周专门过这个清单不求新题只求把老题稳扎稳打地复习好。5.3 手写SQL题别忽略的送分题笔试和面试中经常有手写SQL题这是最不应该丢分的部分。腾讯常考的是窗口函数的应用比如计算连续登录天数、分组TopN、同比环比、用户留存分析。举一个高频题给定用户登录表user_id, login_date求连续登录3天及以上的用户。标准解法是用row_number()按用户分组按日期排序然后用日期减去序号如果差值相同则说明这些日期是连续的。这个解法效率高也容易理解但一定要自己动手写一遍因为笔试编辑器里敲SQL和文本编辑器完全不一样表名和括号很容易出错。额外提醒一点如果笔试里遇到不会的题尽量不要空着。写上部分思路、注明使用了什么函数有时候也能拿到一部分分数。比完全空白好得多。6. 软技能与HR面实战6.1 HR面的常见问题与回答思路HR面虽然技术含量不高但也有自己的套路。常见问题包括你为什么要来腾讯而不是其他公司你未来3到5年的职业规划是什么你怎么看待加班你最大的优点和缺点是什么如果在团队中和同事意见不一致怎么办这些问题的回答有一个共同原则真诚、具体、积极。不要背诵网上的“标准答案”会显得非常假。比如“你为什么来腾讯”可以从业务体量、技术氛围、个人成长三个角度说但一定要结合具体细节。我当时确实是因为喜欢腾讯文档的地图协作能力去深入了解大厂技术栈的所以回答时能讲出这个细节HR也明显听得进去。6.2 面试中的提问环节问什么才能加分面试最后面试官一般会问“你还有什么想问我的”。这个环节千万别回答“没有了”也不要只问薪资和加班要把握机会展示自己的思考深度。推荐问这几类问题未来这个团队半年到一年的核心目标是什么想通过这个问题了解团队方向顺便判断自己加入后做的事情是不是自己感兴趣的。目前团队在大数据技术栈上遇到的最大挑战是什么一方面能了解团队的真实痛点另一方面也能引到自己的优势点上。如果我有机会入职前三个月的期望是什么这个问题能显示出你的主人翁意识和务实态度。我当时在终面问了团队自研的实时计算平台和社区版Flink的区别随后面试官详细讲了半小时平台建设思路聊到超出时间。虽然不能确定这是否改变结果但至少让他记住了我。不过这里要提醒一下这类问题只适合技术面HR面就问一些工作节奏、团队氛围、新人培养机制这类比较轻松的问题就好。7. 准备节奏与整体规划7.1 时间线安排从现在开始倒推如果时间充足正常的准备周期建议是两个月左右具体可以这样分。第一个月打基础。每天固定花两小时刷算法题数据结构与操作系统快速过一遍周末集中学习大数据组件原理用Java写几个核心源码相关的Demo比如手写一个简易版的RPC框架、实现一个SimpleExecutor等目的是巩固基础并能在面试中展示编码能力。第二个月项目冲刺和模拟面试。把项目里的技术细节逐一整理成文档形成可以脱口而出的表达每周找朋友进行一次模拟面试训练应答节奏和心理素质根据面经查漏补缺重点关注自己比较薄弱的环节。时间不足两周的话只能抓重点了优先复习高频考点HashMap、JVM、HDFS写流程、Shuffle、Kafka、数据倾斜、准备项目讲述、刷近三年笔试真题。这个阶段不可能面面俱到但通过突击打底仍有机会过简历和初面。7.2 投递渠道与内推投递渠道上腾讯每年校招季会有很多提前批和内推机会而且通过内推码投递通常能免笔试直接进入面试环节或者至少给简历加一个绿色通道。留意牛客网、V2EX、脉脉上相关的校招信息帖子很多在职员工会发布内推码甚至直接帮你递简历给招聘团队。有一点要提醒内推不是万能的简历本身如果项目经历和岗位匹配度太低内推也会被卡在简历筛选阶段。简历中关于项目技术栈的描述要用关键词法比如“Flink”“Kafka”“ClickHouse”“高并发”“数据倾斜治理”这些词能让招聘系统更容易把你匹配到对应岗位。7.3 心态调整面试结果不等于能力高低最后说一点实际体会。投腾讯之前我在牛客上刷了很多面经越刷越焦虑总觉得自己哪里都不够。但后来想通了面经是用来查漏补缺的不是用来对比焦虑的。别人能聊五个技术栈我只需要把自己熟悉的那个聊到极致。面试过程也是一样不可能每个题目都答上来遇到不会的很正常。关键是在不会的题上怎么处理——诚恳地说自己不熟悉同时尝试给出思路而不是沉默或乱编。面试官评价一个候选人往往更看重面对未知问题时能不能展现逻辑和思考而不是一次答题有没有对。我记得二面的时候面试官问了一个我完全没有接触过的组件我当时有点懵但很快冷静下来说“这个我不太了解但如果让我猜的话它的设计初衷可能是为了解决XX问题因为同类方案的通用做法是……”面试官听了之后居然笑了笑说思路还行。那一刻我意识到面试本质上是一次沟通只要你的表达有逻辑、有依据即使答案是错的也不会造成致命伤。8. 面试中容易踩的坑与独门技巧我在准备过程中踩过不少坑总结成以下几点希望对你有帮助。第一个坑简历上写了“熟悉”但实际不会。这是一个致命伤。如果你写了“熟悉Spark”那么面试官默认你有能力独立使用Spark解决实际问题任何Spark相关问题都可能被追问。如果只是做了简单Demo建议写“了解”而不是“熟悉”。提前自述一下简历中每个词的定义边界会更稳妥。第二个坑只背结论不推过程。八股文背得再熟面试官换个角度问就露馅。比如问你“HashMap为什么负载因子是0.75”如果你只回答“默认值就是0.75”就会很减分。更好的回答是“0.75是空间和时间的一个折中太小会导致频繁扩容太大容易发生哈希冲突同时0.75这个值在泊松分布下可以让链表长度到达8的概率极低。”这个回答不仅显示了结论还显示了推导过程和统计原理。第三个坑项目叙述时只讲做了什么不讲为什么这么做。项目经历必须按“背景、方案、难点、效果”的结构讲。比如为什么选Flink而不是Spark Streaming为什么用ClickHouse而不是MySQL来存储聚合结果这些选型的理由比技术本身更能体现你的工程判断力。第四个坑忽视软技能的准备。前面提到腾讯面试里面试官对沟通能力的要求很高。表达技术方案时注意逻辑清晰先说结论再展开理由避免东一句西一句。如果有机会多找同学进行模拟面试在真实对话中练习“把复杂事情讲简单”的能力。第五个坑没有准备好“反向提问”。不提问或者只问薪资是很多候选人折戟HR面的原因之一。准备几个高质量的问题不仅让你更了解团队还给了面试官一个对你留下好印象的机会。9. 高频面试题速查表复盘必备清单最后整理一份高频题速查表面试前一天过一遍非常管用。这些题覆盖了腾讯近三年出现频率最高的考点每一题都值得认真准备。Java基础与JVM知识点核心问题记忆口诀HashMap底层结构、扩容机制、线程安全性数组链表红黑树ConcurrentHashMapCASsynchronized如何保证并发安全JDK1.8放弃分段锁JVM内存堆、栈、元空间、直接内存的分配线程私有vs线程共享GCG1回收过程、Full GC排查RegionRSet混合回收类加载双亲委派机制及打破场景父加载器优先SPI打破Hadoop生态知识点核心问题记忆口诀HDFS写入Pipeline复制与故障恢复客户端-NameNode-DataNode链路HDFS读取就近读取与块定位返回块列表后客户端直连ShuffleMap端溢写与Reduce端合并环形缓冲区80%溢写YARN调度器对比Capacity vs FairNameNode元数据管理不存文件内容只存元数据计算引擎知识点核心问题记忆口诀RDD五大特性分区依赖计算分区器位置宽窄依赖Stage划分窄依赖不出StageSpark SQL执行流程SQL-Plan-RDD数据倾斜常见解决方式打散/预聚合/二次聚合Flink CheckpointBarrier对齐分布式快照Flink窗口滚动/滑动/会话窗口时间语义决定窗口行为存储与消息队列知识点核心问题记忆口诀Kafka高性能原因顺序写PageCache零拷贝KafkaISR与HW副本同步机制KafkaRebalanceCoordinator协调Redis缓存问题穿透/击穿/雪崩MySQL索引与事务聚簇索引MVCCClickHouse聚合查询为什么快列式稀疏索引9.1 现场答辩的节奏控制准备充分是一回事现场发挥是另一回事。这里分享几个我个人总结的答题节奏技巧。先说一个很多人都有的误区觉得回答得越快越好。但实际上面试官更喜欢看到你有一个短暂但清晰的思考过程而不是条件反射式的回答。听到题目后先说“让我想一下”然后用五到十秒整理出回答框架再分点作答。这个过程会让你显得稳重、有逻辑也会减少答题途中卡壳的概率。另一个技巧是多做“对比回答”。比如被问到“Flink和Spark Streaming的区别”时不要只给出结论而是先分类再逐点对比从流处理模型、时间语义、状态管理、容错机制、适用场景几个维度展开。这样回答的层次感会更强面试官也能顺着你的思路追问下去。还有一点是关于代码题的。手写代码时不要上来就埋头写哪怕思路已经在脑海里也建议先用一两句话向面试官说明“我打算用XX方案时间复杂度是O(n)核心思路是……”确认对方没有异议后再动手。这既是沟通能力的体现也能避免理解偏差导致白写。9.2 从“会做面试题”到“像个工程师”的切换我想特别想说的是面试到了二面、三面面试官基本不看你会不会背八股文了而是在判断你是不是一个“能一起干活的人”。这背后最本质的区别在于你是按“知识点”组织自己的技术体系还是按“问题”组织自己解决问题的能力。按知识点学习的人面试时被问“Kafka会不会消息丢失”时会答“不会因为ISR机制保证副本同步”但如果你继续追问“那如果Leader和Follower都挂了还没同步的消息怎么恢复”就答不上来了。按问题驱动学习的人不一样他脑子里装的是完整的数据链路和故障场景换个角度问也能找到答案。所以在准备过程中不妨用“故障视角”来复习。比如如果你是负责Kafka的运维日常会收到哪些告警每条告警背后对应着哪个机制如何排查和处理。这种场景化的复习方式对二面和交叉面尤其管用。9.3 一条非常实在的复盘建议面试结束后建议做一个动作当天立刻用文字记录所有被问到的问题和自己当时的回答。不管面试结果如何这份记录都是你下一轮面试最宝贵的资料。我在面完腾讯初面后把被追问的所有点梳理了一遍发现有两个地方其实可以说得更好第二天马上针对性地补齐了到二面的时候就明显从容了许多。另外如果你同时投了多家公司不同公司的面试节奏和侧重点差异很大。像腾讯、阿里更重视项目深度和设计能力字节更重视算法和编码美团更重视工程落地。准备时可以横向比较一下往年各家的大数据开发面经找到它们在考察点上的异同有针对性地区别准备效率会高很多。