最近刚结束一场 Amazon 2026 SDE Intern 的 VO 面试。整个流程是两轮技术面，每轮都是 Behavioral + Coding 的组合。两位面试官都是国人大哥，沟通上比较顺畅，节奏也比较自然。趁着记忆还比较清晰，把这次 VO 的过程整理一下，给后面准备 Amazon Intern 面试的同学做个参考。
Round 1
BQ 环节
第一轮开场就是比较典型的 Amazon Behavioral。面试官先问了一个关于tight deadline 的问题。例如在项目时间非常紧的时候是如何处理的。当我讲完大致背景之后，面试官开始持续追问细节。
例如：
- 这个 deadline 是谁定的？
- 当时留给你的时间具体有多久？
- 同一时间是否还有其他任务？
- 你是如何进行任务优先级排序的？
基本上围绕这个问题连续追问了好几轮，感觉是想确认事情的真实性以及你当时的决策逻辑。
之后又问到了一个和同事产生 conflict 的经历。这个问题同样被追问得非常细，比如：
- 冲突的具体原因是什么
- 当时双方各自的观点是什么
- 最终是如何达成一致的
另外还有一个比较开放的问题：平时有没有想过可以用 AI 做什么事情？
这个问题更偏思考型，没有标准答案，主要看你平时是否有一些技术思考。整个 BQ 环节大概持续了 30 分钟左右，深挖程度还是比较高的。
Coding
Coding 部分的题目整体不算难，是 LeetCode 215 的变形题，只是套了一个 Amazon 的业务场景。
题目的核心还是在一个数据集合中找到第 K 大元素。常见的解法可以使用 Heap，也可以使用 QuickSelect。
当时我选择的是最小堆的解法。整体思路是维护一个大小为 k 的堆，遍历数组时不断更新堆中的元素，最后堆顶就是答案。
实现代码的过程比较顺利，没有遇到明显的卡点。完成之后面试官让简单讲一下时间复杂度和空间复杂度，然后让我用一个简单例子dry run 一遍算法过程，确认逻辑没有问题。
第一轮 Coding 部分整体还是比较顺利的。
Round 2
第二轮面试安排在同一天，面试官依然是国人大哥。流程和第一轮基本一致，也是先 Behavioral，然后再做 Coding。
Behavioral Interview
这一轮 Behavioral 主要围绕数据驱动（Data Driven） 的经历展开。
面试官让我分享一次使用数据做决策的经历。我先介绍了项目背景、数据来源以及分析目标，之后面试官开始往细节继续追问。
例如数据是如何收集的，使用了哪些指标来判断结果，以及在分析过程中是否遇到过异常数据或者结果不符合预期的情况。
接下来面试官又问到了在这个过程中有没有犯过错误。比如当时错误是怎么产生的，是如何发现这个问题的，以及后来是怎么修复的。
最后还进一步追问，如果未来再遇到类似情况，会有哪些改进方式或者新的思路。这一部分讨论得非常深入，整个 Behavioral 环节大概持续了接近半个小时。
Coding
第二轮 Coding 是Amazon 自己出的题目，不是 LeetCode 原题。
题目的核心思路是使用BFS（广度优先搜索）。整体更像是一个状态搜索类问题，需要从一个初始状态开始，通过 BFS 逐层扩展节点，直到找到满足条件的结果。
实现过程中主要就是建立一个队列，然后逐层遍历节点，在每一层生成新的状态并继续加入队列搜索。过程中需要注意避免重复访问，同时处理好一些边界情况。
题目整体难度不算高，代码写完之后面试官只是简单确认了一下逻辑，并没有继续问 follow up。
面试结果&
最后在Programhelp的助攻下，两轮都顺利完成了。如果最近在准备 Amazon OA 或 VO，建议提前熟悉常见题型，比如 Heap、BFS、Graph 等，同时准备好几套 Behavioral 故事，确保能够经得起连续追问。如果自己准备没有方向，也可以多参考一些真实面经。我们这边长期整理 Amazon、Google、Citadel、Uber 等大厂 OA 与面试题库，同时也提供实时OA与 VO辅助 ，在关键环节给到思路提醒，帮助顺利完成整个流程。
