Amazon AS 面经｜Applied Scientist 全流程复盘：电面 + Loop + Bar Raiser

Amazon Applied Scientist 面试几乎每一轮都会穿插 Leadership Principles 行为面试，因此除了算法和机器学习基础，还需要提前准备真实、经得住追问的项目案例。L4（Entry Level）和 L5（Mid Level）的侧重点不同：L4 更看重基础和潜力，L5 更看重独立建模与落地，L6（Senior）还要展示更大影响范围。

Phone Screen（技术电面）

主要考察基础算法 Coding、机器学习基础知识（ML Breadth），穿插少量 LP 行为问题。通过后才安排 Onsite。这一轮围绕简历和项目展开，面试官会顺着项目不断追问机器学习细节，涉及高度不平衡数据的处理、评估指标（Precision、Recall、F1、ROC-AUC）、SFT 训练流程与 Loss、Bias 与 Variance、过拟合判断与处理、Bagging 与 Boosting 的区别。

比较难的一题是：面对不同分类任务，如何在 Logistic Regression、Decision Tree、Random Forest 和 DNN 之间选择？除了说明各模型特点，还要结合数据规模、特征类型、非线性程度、可解释性和推理成本，讲清各自适合的场景。BQ 两道（主动承担职责外工作却发现缺少经验、深入分析找到根因），都会继续追问技术细节，所以准备项目故事时不能只记 STAR 框架，要把技术原理、方案取舍和量化结果一起梳理清楚。

Loop 第一轮：Coding + LP

两个 senior AS reviewer，自我介绍、讲简历项目后，问一道算法题和两道 BQ（How to deal with tight deadlines、How to dive deep），最后给一个业务问题：对交易来说有哪些 critical features、如何用 ML 筛选出容易让 deal fail 的特征——这题在 LiveCode 里但不写代码，只说思路。

Code 题：给一组日志数据，算出每个用户在规定时间段里的活跃天数，筛出活跃度最少的 5 个用户。表面是哈希表计数，但要求考虑数据量极大时的内存优化，最优方案是哈希表 + 最小堆，且现场不让用 heapq，要自己手写堆结构和调整逻辑。

def top5_least_active(logs, start_day, end_day):
    active = {}
    for user, day in logs:
        if start_day <= day <= end_day:
            active.setdefault(user, set()).add(day)
    heap = []
    for user, days in active.items():
        cnt = len(days)
        if len(heap) < 5:
            heap.append((cnt, user))
            heap.sort(reverse=True)   # 维护大顶堆简化：堆顶是当前第 5 大
        elif cnt < heap[0][0]:
            heap[0] = (cnt, user)
            heap.sort(reverse=True)
    return [u for _, u in heap]

活跃天数要按「去重后的天数」计数，同一用户同一天多条日志只算一次，所以 value 用 set 而非计数器。

Loop 第二轮：Case Study + 优化理论

Principal AS 技术面，先深挖简历项目，随后进入机器学习算法和优化理论：现场实现梯度下降并说明学习率、收敛条件与停止标准；手写 KNN 并讨论距离度量、K 值选择与查询复杂度；介绍牛顿法与梯度下降在收敛速度和计算成本上的区别；凸优化为什么更容易求全局最优、哪些问题有闭式解；原问题与对偶问题、KKT 条件的内容与适用场景。

def gradient_descent(grad, x0, lr=0.01, tol=1e-6, max_iter=1000):
    x = x0
    for _ in range(max_iter):
        g = grad(x)
        if abs(g) < tol:
            break
        x -= lr * g
    return x

接着是一道优化建模题：为 Amazon 配送中心设计商品补货计划，在满足需求、供应量和仓储容量约束的前提下，最小化运输成本与库存成本。Follow-up 是部分商品需求过高时采用动态加价，目标函数和最优补货策略会怎么变化。

Loop 第三轮：OOD

自我介绍后先问一道 Ownership 行为题，随后进入 OOD 设计：物品租赁系统，实现 Item、User、Rental 等实体类，通过 Manager 类提供借出、归还和查询接口。重点在类职责是否清晰、对象关系是否合理、能否支持后续扩展。Follow-up 包括增加租赁到期时间和逾期罚金、按名称模糊搜索物品、返回完整物品目录接口、如何设计单元测试。

class RentalManager:
    def __init__(self):
        self.items = {}
        self.rentals = {}
    def borrow(self, user_id, item_id):
        if item_id in self.rentals:
            return None
        self.rentals[item_id] = user_id
        return self.items[item_id]
    def return_item(self, item_id):
        return self.rentals.pop(item_id, None)

Loop 第四轮：ML Application + LP

偏机器学习系统设计，面试官通常是 Hiring Manager，题目是广告推荐、CTR 预估等真实业务系统。按「需求澄清、数据与特征、模型选型、训练与离线评估、在线部署、监控与 A/B 测试」的顺序展开。技术问题从 L1/L2 正则化、过拟合、梯度消失、损失函数一直延伸到 Transformer 原理，不能只背定义，要能说明适用场景和优缺点。L4 候选人不一定安排这一轮。

Loop 第五轮：Bar Raiser

主要考察 Leadership Principles，由不属于招聘团队的 Bar Raiser 主持，对最终结果影响较大。L4/L5 重点准备 Ownership、Deliver Results、Customer Obsession、Learn and Be Curious；L6 还要展示 Think Big、Invent and Simplify、Hire and Develop the Best，以及处理分歧的成熟度（Have Backbone; Disagree and Commit）。建议每条 LP 至少准备一个真实案例，整理背景、目标、个人行动、结果和复盘。

FAQ

AS 和普通 SDE 面试最大的区别是什么？

AS 除了算法还要求机器学习基础和概率统计，项目深挖更细：会一路问到你为什么选这个特征、指标怎么定义、模型上线后如何监控，甚至现场推导优化方法和收敛条件。

极大日志数据求活跃最少用户，为什么用哈希表加堆？

哈希表按用户聚合去重后的活跃天数，堆维护「当前最小的 5 个」，数据量极大时不必把全部用户排序，只保留 5 个候选，内存稳定在 O(唯一用户数 + 5)。

参考来源

联系 VOPathway

如果你希望把这套方法用于自己的 OA 或 VO 准备，可以把目标岗位、当前阶段、面试时间和主要难点发给 VOPathway，我们会据此安排针对性的练习与复盘。

微信：Coding0201
邮箱：[email protected]
Telegram：@OAVOProxy
WhatsApp：+86 178 6396 8105

可提供 OA辅助、OA辅导、VO辅助与 VO辅导。文章用于训练参考，不代表相关公司的官方流程；实际安排请以候选人收到的通知为准。