Amazon 的面试不算简单，不是靠刷几道题就能搞定的类型。它不追求“花哨解法”，但对基础要求非常扎实，尤其爱考一些中等偏上的 Leetcode 题。这篇我整理了 Amazon VO 的整体流程、高频题型分类、真题讲解和行为面tips，都是带学员实战总结出来的，希望可以帮到正在冲 Amazon 或其他大厂的你。
Amazon 面试整体流程
根据 Glassdoor 和 Levels.fyi 2025 年数据，Amazon 技术岗位（尤其是 SDE）面试流程通常包括：
- Online Assessment (OA)：1-3 轮 LeetCode 风格编码题 + 工作风格调查。
- Phone Screen：1 轮编码 + Behavioral。
- Virtual Onsite (Loop)：4-6 轮虚拟面试（通常一天完成，或分两天），包括编码、系统设计（中高级别）、Behavioral 和 Bar Raiser 轮。
- 决策时间：通常 5 个工作日内反馈。
2025 年趋势：虚拟面试为主，Bar Raiser 程序继续强化（确保新员工“Raise the Bar”），Behavioral 贯穿全程，严格基于 16 个 Leadership Principles（LP）评估。
| 阶段 | 轮数/时长 | 重点考察 | 常见形式 |
|---|---|---|---|
| Online Assessment | 1-3 小时 | 算法、数据结构、工作风格 | HackerRank/Amazon 平台 |
| Phone Screen | 1 轮 60 分钟 | 编码 + LP Behavioral | 虚拟共享屏幕 |
| Virtual Onsite | 4-6 轮 x 45-60 分钟 | 编码、系统设计、深度 LP、Bar Raiser | 虚拟视频 |
1. Hiring Manager Chat
- 常规行为面 + 经历深挖 + 团队介绍 + 文化契合度考察
- 准备好讲清楚过往项目、解决问题的方法、为什么对 Stripe 感兴趣。
| 问题 | 目标原则 |
|---|---|
| Tell me about a time you failed and what you learned | Learn & Be Curious, Earn Trust |
| Tell me about a time you disagreed with your manager | Have Backbone; Disagree & Commit |
| Tell me about delivering with tight deadlines | Deliver Results |
| Describe how you improved customer experience | Customer Obsession |
2. Code Question 1
核心：类似 LeetCode 上 “最小交易次数平衡账户” 的简化版。
任务：Devise a solution (not necessarily optimal) to adjust all account balances to their respective target values.
Follow-up 1：如何实现最小 transaction？按 LC 原题思路（图论/贪心）回答即可。
Follow-up 2：如何 Audit（审计）交易？方案：先做一次 Dry Run 模拟所有交易，将结果与实际数据库状态对比验证一致性。【重点考察可验证性】
3. Code Question 2
给定一个有向图 conns：分布式系统中不同 cluster 之间的连接关系：conns[i] = [a, b] 表示 cluster a 可以访问 cluster b，给出一个起点 source 和终点 dest，判断是否所有从 source 出发的路径都必须以 dest 结尾。
4. Code Question 3
Given a integer list 和integer limit，找到一个子数组（连续的），使得这个子数组中的最大值和最小值的差值小于等于limit，返回该子数组的最大长度。
Offer 不靠运气，靠准备！
PROGRAMHELP，7位顶尖学长来自牛津、普林斯顿、北大及亚马逊、阿里等大厂，提供OA代考、VO辅助、面试代面、代码代写等服务，助您轻松斩获名企Offer！
本文基于作者面试辅导经验、多名 2024-2025 年候选人匿名反馈，以及公开平台（如 Glassdoor、Levels.fyi、TeamBlind）近期数据整理而成。Amazon 面试流程因岗位、级别、团队和年份而异（如 SDE 岗位通常有 OA，Applied Scientist 可能更注重 ML 知识），本文主要针对软件开发工程师（SDE）及相关技术岗位，仅供参考。
