拿到 Anthropic 的面试机会的时候说实话有点懵——投了之后本来没抱太大希望，没想到一周多就收到了 OA 邀请。
Anthropic 在国内论坛上的面经真的非常少，备考的时候我基本只能靠 Glassdoor、Blind 上零星的英文帖子拼凑。所以整个过程打完之后，第一件事就是想把这些记录下来。不管结果怎样，希望这篇帖子能帮到后面的人。
流程是：OA → Recruiter Screen → 4 轮 Virtual Onsite，全程大概三周走完。
Anthropic OA
平台是 CodeSignal，总时长 70 分钟，4 道编程题，难度依次递增。
CodeSignal 的评分机制和 HackerRank 不同——它不只看 AC 数量，而是给每道题打分（满分 300/300），代码风格、边界覆盖、运行效率都会影响得分。所以哪怕逻辑对了，写得乱也会扣分，这点一开始没注意到，后来才意识到。
题目类型和方向（真题回忆）：
Q1（Easy）：字符串处理。
给一段 log 文本，按规则解析出结构化字段，输出格式化结果。基本就是字符串分割 + 条件判断，没有算法难度，但要注意 edge case，比如空行、字段缺失。
Q2（Easy-Medium）：数组操作。
经典的滑动窗口变体，给一个整数数组，找满足条件的最长子数组长度。条件涉及多个约束，要想清楚窗口收缩的逻辑。
Q3（Medium）：图/树结构。
具体是一个类似”员工层级汇报关系”的树形结构问题，给定若干查询，每次问某个节点到另一个节点的路径上满足条件的节点数。考察 LCA + DFS，思路清楚但实现细节多。
Q4（Medium-Hard）：设计 + 模拟。
要实现一个简化版的”任务调度器”——有任务优先级、依赖关系、时间窗口，按规则输出执行顺序。这题最耗时，我最后 10 分钟在赶，有几个依赖冲突的 case 没完全过。
整体感受： 时间压力比较大，4 题 70 分钟对于 Q3/Q4 来说并不宽裕。建议 Q1/Q2 控制在 15 分钟以内，给后两题留足空间。
Recruiter Screen（30 分钟）
OA 过了大概 5 天后收到邮件，约了 Recruiter 电话。
内容比较轻松，主要是：
- 介绍 Anthropic 的 mission 和这个 team 在做什么
- 问我为什么对 Anthropic 感兴趣、了解多少
- 确认 timeline、薪资预期、是否需要 visa
有一个问题当时让我想了一下：”你怎么看待 AI safety，你认为它和产品开发之间存在矛盾吗？” Anthropic 很在意候选人是否真的认同他们的使命，不只是把这里当一个 fancy 的 AI 公司跳板，建议认真准备这类问题。
Virtual Onsite（4 轮，同一天）
约在同一天连续进行，中间各有 10 分钟休息。每轮 45～60 分钟。
Round 1：Coding
面试官来自 Core Infrastructure team，人很 nice，开始先闲聊了几分钟。
题目：设计一个 Rate Limiter。
不是纯算法题，而是从功能实现角度出发：先实现一个基础版（固定窗口），然后面试官追问能不能改成滑动窗口，再问如果要支持多个 user 怎么扩展，最后聊到分布式场景下的挑战。
我用 Python 实现，整个过程是边讲边写，面试官会适时打断问”为什么这样选”。感觉他更在意你的思路是否清晰，而不是代码有没有 bug。
提示： Rate Limiter 是 Anthropic 高频题，一定要提前熟悉固定窗口、滑动窗口、Token Bucket 三种方案的优缺点。
Round 2：Coding
题目偏业务逻辑，大概是：实现一个简版的对话上下文管理器。
给定一个 token 上限，维护对话历史，当新的消息加入导致超出 token limit 时，需要按策略裁剪旧消息。策略分几个 follow-up 迭代：先是简单的 FIFO 裁剪，然后改成保留 system prompt 不裁剪，最后加入优先级标签。
这题很明显和 Claude 的实际产品场景直接相关，做的时候感觉自己在给 Claude 写基础设施，有点奇妙。代码量不大，但需要把边界情况想清楚，比如单条消息本身超过 token limit 怎么处理。
Round 3：Behavioral
这轮是我觉得准备最重要的一轮，面试官是 Engineering Manager。
高频问题回忆：
- “讲一个你做了一个你认为正确但团队不认同的技术决策的经历，最后怎么解决的？”
- “你在项目里做过最复杂的 trade-off 是什么？”
- “你有没有主动发现过一个没人在跟进但很重要的问题，然后推动解决？”
- “你怎么判断一个技术方案是否 good enough to ship？”
Anthropic 的行为面非常看重主动性和判断力，不只是”我完成了任务”，而是”我为什么这样判断、我看到了别人没看到的东西”。STAR 框架可以用，但不要太模板化，多讲自己的 reasoning。
Round 4：Values & Mission Fit
这轮很多人没有准备，但其实挺重要。面试官是 Senior Researcher，聊得很深。
核心话题：
- 你如何理解 AI safety？你认为 Anthropic 的方向是否正确？
- “如果你在开发某个功能时发现它可能存在被滥用的风险，你会怎么做？”
- “你怎么看待 helpful 和 harmless 之间的 tension？”
这轮没有标准答案，面试官想看的是你是否真的独立思考过这些问题，而不是背了一段官网介绍。我提到自己读过 Anthropic 发布的 Constitutional AI 论文，面试官立刻展开聊了很多，气氛很好。
建议： 提前读一下 Anthropic 的 research blog、Claude 的 model card，以及他们公开的 AI safety 相关文章，有自己的观点比什么都重要。
备考 checklist
- 刷题：LeetCode Medium 为主，图/树/滑动窗口/设计类题要重点准备
- 系统设计：了解常见限流、缓存、消息队列的基本原理
- 行为题：准备 5～6 个有深度的 STAR 故事，覆盖 conflict、trade-off、initiative 三个方向
- AI 认知：读 Anthropic blog、了解 Constitutional AI、对 safety vs capability 有自己的看法
一点补充｜关于备考效率
上面是我自己硬啃下来的过程。但说实话，Anthropic 的面经实在太少了，OA 的题目风格也跟 LeetCode 不太一样——更偏实际场景、边界条件更隐蔽。到了 VO 阶段就更关键了。Anthropic 的面试官会很深地追问你的思路、复杂度分析、甚至代码风格的一致性。后面为了稳妥起见，我提前预约了 ProgramHelp 的 VO 实时助攻服务，相当于给自己上了一层保险。
如果你也面临以下情况：
- 面经稀缺，不知道最近在考什么
- OA 有思路，但总在 hidden cases 上翻车
- VO 担心现场卡壳、思路表达不够清晰、跟不上面试官的追问
不妨给自己多准备一张底牌，上场时的心态真的会稳很多。
