Amazon 的面試不算簡單，不是靠刷幾道題就能搞定的類型。 它不追求「花哨解法」，但對基礎要求非常紮實，尤其愛考一些中等偏上的 Leetcode 題。 這篇我整理了 Amazon VO 的整體流程、高頻題型分類、真題講解和行為面 tips，都是帶學員實戰總結出來的，希望可以幫到正在衝 Amazon 或其他大廠的你。
Amazon 面試整體流程
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 輪 LeetCode 風格編碼題 + 工作風格調查。
- Phone Screen：1 輪編碼 + Behavioral。
- Virtual Onsite (Loop)：4-6 輪虛擬面試（通常一天完成，或分兩天），包括編碼、系統設計（中高階別）、Behavioral 和 Bar Raiser 輪。
- 決策時間：通常 5 個工作日內反饋。
2025 年趨勢：虛擬面試為主，Bar Raiser 程式繼續強化（確保新員工“Raise the Bar”），Behavioral 貫穿全程，嚴格基於 16 個 Leadership Principles（LP）評估。
| 階段 | 轮数/时长 | 重點考察 | 常见形式 |
|---|---|---|---|
| Online Assessment | 1-3 小时 | 演算法、資料結構、工作風格 | HackerRank/Amazon 平台 |
| Phone Screen | 1 輪 60 分鐘 | 编码 + LP Behavioral | 虛擬共享螢幕 |
| Virtual Onsite | 4-6 輪 x 45-60 分鐘 | 编码、系统设计、深度 LP、Bar Raiser | 虛擬影片 |
1. Hiring Manager Chat
- 常規行為面 + 經歷深挖 + 團隊介紹 + 文化契合度考察
- 準備好講清楚過往專案、解決問題的方法、為什麼對 Stripe 感興趣。
| 問題 | 目標原則 |
|---|---|
| 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：類似 LeetCode 上 「最小交易次數平衡帳戶」 的簡化版。
任务：Devise a solution (not necessarily optimal) to adjust all account balances to their respective target values.
Follow-up 1：如何實現最小 transaction？ 按 LC 原題思路（圖論/貪心）回答即可。
Follow-up 2：如何 Audit（審計）交易？ 方案：先做一次 Dry Run 類比所有交易，將結果與實際資料庫狀態對比驗證一致性。 【重點考察可驗證性】
3. Code Question 2
給定一個有向圖 conns：分散式系統中不同 cluster 之間的連接關係：conns[i] = [a， b] 表示 cluster a 可以訪問 cluster b，給出一個起點 source 和終點 dest，判斷是否所有從 source 出發的路徑都必須以 dest 結尾。
4. Code Question 3
Given a integer list 和 integer limit，找到一個子陣列（連續的），使得這個子陣列中的最大值和最小值的差值小於等於 limit，返回該子陣列的最大長度。
Offer 不靠運氣，靠準備！
PROGRAMHELP，7 位頂尖學長來自牛津、普林斯頓、北大及亞馬遜、阿裡等大廠，提供 OA 代考、VO 輔助、面試代面、代碼代寫等服務，助您輕鬆斬獲名企 Offer！
本文基於作者面試輔導經驗、多名 2024-2025 年候選人匿名反饋，以及公開平臺（如 Glassdoor、Levels.fyi、TeamBlind）近期資料整理而成。Amazon 面試流程因崗位、級別、團隊和年份而異（如 SDE 崗位通常有 OA，Applied Scientist 可能更注重 ML 知識），本文主要針對軟體開發工程師（SDE）及相關技術崗位，僅供參考。
