這兩輪 Uber SDE VO 剛剛結束，整體體驗相當不錯，節奏非常快、交流也自然流暢。 兩位面試官都比較 chill，但題目考察點非常清晰：一輪偏向數據結構設計（LCA 思維），一輪偏向演算法基礎與細節把控。
Uber 面試流程總覽
| 環節 | 內容簡介 | 題型/考點 | 面試重點 |
|---|---|---|---|
| 線上評估 (OA) | 通常在 Codesignal 上完成，含 3–4 道演算法題 | 數據結構、字串、圖論、動態規劃 | 時間複雜度控制、邊界條件處理 |
| Recruiter Call | 簡短溝通，確認職位、面試時間、薪資預期等 | 職業動機、專案匹配度 | 清晰表達職業規劃 |
| Technical Interview / VO Round 1 | 一輪或多輪 coding 面試，使用共用 IDE（如 coderpad） | 樹、圖、陣列、哈希、雙指標等 | 代碼正確性 + 思維清晰度 + 複雜度分析 |
| Technical Interview / VO Round 2 | 進階演算法或系統思維題，含 follow-up 討論 | 設計題、延展型問題 | 是否能靈活變通與討論優化方案 |
| Behavioral / HM Round | 與 Hiring Manager 交流 | 領導力、溝通能力、主人翁意識 | STAR 框架敘述經驗 |
| System Design（針對中高階） | 大部分 SDE II 及以上會考 | 分散式架構、服務拆分、擴展性設計 | Trade-off 分析 + 可落地性 |
| Offer Discussion | 與 recruiter 溝通 offer 細節 | 薪資、簽證、入職時間等 | 谈判表达 |
第一輪 Coding：員工層級樹 + 找共同上級
面試官是一位白人小哥，開場非常友好，寒暄完直接進入技術環節。 題目核心其實就是 Lowest Common Ancestor (LCA) 的變體，只不過是以 Uber 的員工體系為背景包裝。
題目描述：
公司層級結構是一棵樹，從 CEO 到普通員工，每個員工節點包含：
- id
- name
- 指向其直接經理（
mgr）的引用- 以及所有直接下屬（
directReports）的引用實現一個
whoIsYourBoss(emp1, emp2)方法，返回他們的最近共同上級的 ID。
我先問清楚了幾個關鍵點，這一步其實很重要：
每個人只有一個直屬經理嗎？
CEO 沒有經理？
輸入同一個員工怎麼辦？ ➡️ 返回自身。
如果節點不存在樹中？ ➡️ 返回 null。
這類樹題最容易出問題的地方就是這些「邊界條件」，問清楚反而能給面試官留下良好的溝通印象。
實現部分我採用常規 LCA 思路：
- 自底向上回溯（記錄父節點路徑）。
- 若公司規模大，也可提前存 manager 映射 + visited 集合判斷。
Follow-up 比較有意思：
“如果節點不包含指向經理的引用，只能從 CEO 出發搜索，該如何實現？”
這時不能用哈希路徑法，需要用 DFS 從上往下搜。 我寫完兩個版本（自底向上 + 自頂向下）后，面試官表示很滿意。
第二輪 Coding：找出只出現一次的使用者 ID
第二輪是一位很帥的 Latino 小哥，全程笑眯眯的。 題目看起來簡單，但其實挺考細節。
題目描述：
給定一個陣列，表示一段時間內訪問 Uber 系統的使用者 ID，找出只出現過一次的 ID。
關鍵點是「出現次數不固定」，我沒直接問「是不是每個元素都出現兩次」，而是用舉例法確認：
“例如，這樣的輸入合理嗎？ [1,1,2,2,2,3,4,4]”
面試官點頭確認。
我先寫了一個最直觀的哈希表解法：
- 遍曆統計頻次
- 輸出頻次為 1 的 ID
Follow-up 是进阶版：
如果每個重複 ID 只出現兩次呢？
我立刻切換到 XOR 解法，O（n） 時間 + O（1） 空間，完美回答收尾。
小結
整體感覺 Uber 的 VO 題目非常「乾淨」，代碼考察和溝通比例接近 7：3。 面試官都非常在意你是否先問清需求、是否思考邊界，再開始寫。
成功拿下 Offer 的好幫手
像這種 Uber / Meta / TikTok / Capital One 等公司 VO，我們 Programhelp 團隊都已經積累了大量真題與實戰經驗。
我們可以提供：
實時語音助攻：在你卡頓時及時提醒「先問清邊界」「補充複雜度分析」;
無痕聯機助攻：远程同步代码逻辑，不留任何痕迹；
真題演練：基於 500+ 大廠題庫定製 mock。
如果你也在準備 Uber 或其他 FAANG 系列面試，可以提前聯繫我們，幫你把準備過程變成可控的“模擬實戰”。
更多面經分享：
Two Sigma Quant Researcher OA + 面經全流程複盤｜機率決策、期望計算與幾何機率全面拆解
Reddit System Design Interview 深度拆解：從 Feed 排名到投票系統，幫你避坑拿 Offer
Quora Interview Questions 技術電面詳細複盤：一場關於 AB Test 的“深度拷問”
