Amazon Applied Scientist 面试全流程复盘：五轮 Loop + LP

Amazon 的 Applied Scientist（AS）岗位面试有个鲜明特点：几乎每一轮都会插入 Leadership Principles（LP）行为题，光靠刷题和啃机器学习理论是不够的，必须提前打磨几个能被随意深挖细节、追问到底的真实项目故事。下面按流程拆解各轮考察重点，L4/L5/L6 在行为面试上的权重差异也会一并说明，其他岗位方向同样能参考。需要 VO辅助或 VO代面的同学，也可以照着这份复盘对齐节奏。

AS 面试流程概览

阶段	时长 / 形式	核心考察
电话面	45–60 分钟	一道 LeetCode 难度算法 + ML 基础问答 + 1–2 道 LP
Onsite 第一轮	Coding + LP	数据处理题（哈希表 + 手写堆）+ 业务开放题
Onsite 第二轮	Case Study + LP	优化理论手写 + 运筹建模 + 系统设计
Onsite 第三轮	纯 Coding + Ownership	OOD 面向对象设计
Onsite 第四轮	ML Application + LP	ML 系统设计（HM 主持）
Onsite 第五轮	Bar Raiser	Leadership Principles 总攻

一个贯穿始终的规律：每一轮基本都会留出约 15 分钟问一到两个行为题，所以 LP 准备绝不能只压到最后一轮。

电话面：算法 + ML 基础的组合拳

Phone Screen 是进 Onsite 的门槛，通不过 Recruiter 就不会继续排后面的 Loop。这一轮的配方通常是：一道 LeetCode 难度的算法题，加机器学习基础知识问答，外加一两个 LP 行为题当调味。

面试官往往会顺着简历项目往深处挖，常见考点包括：

数据严重不平衡时怎么处理，评估该用 Precision / Recall / F1 还是 ROC-AUC
SFT 训练流程和 Loss 设计
Bias-Variance 如何权衡，过拟合怎么判断、怎么治
Bagging 和 Boosting 的本质区别

真正拉开差距的是这道场景选择题：给定不同的分类任务，Logistic Regression、Decision Tree、Random Forest、DNN 该怎么挑？光背模型特点不够，还得结合数据量、特征类型、非线性程度、可解释性要求和推理成本这几个维度综合判断，讲出取舍逻辑才算过关。

BQ 环节固定两道，且都会被继续往技术细节里追问（当时发现了什么问题、怎么定位的、为什么选这个方案、结果如何量化）：

一次主动接下职责外的任务，事后才发现自己经验不足的经历
一次靠深入分析揪出问题根因并解决的经历

这提示一个关键点：准备项目和 BQ 故事时不能只背 STAR 框架的空壳，技术原理、方案对比和最终的量化结果都要一起理顺，否则追问两轮就露馅。

Onsite 第一轮：Coding + LP

两位 Senior AS 面试官联合面试。流程是自我介绍 → 项目细节深挖（为什么这么选）→ 结合你的研究方向和岗位业务方向做联想。这一轮追问深度不如电话面。

两道 BQ：如何应对紧迫的 deadline，如何做到刨根问底（Dive Deep）。之后会抛一个业务开放题——不用写代码，只讲思路：做交易类业务时哪些 feature 最关键，怎么用机器学习筛出容易导致 deal 失败的那些特征。

编码题：活跃度最低的 K 个用户

给一批日志数据，每条是 (user_id, timestamp)。算出每个用户在指定时间段内的活跃天数（去重后的日期数），找出活跃度最低的 5 个用户。

表面看是哈希表计数的简单题，但面试官会追加约束——数据量极大时如何做内存优化。最优解是哈希表配合最小堆：遍历一遍统计每个用户的活跃天数集合大小，再用一个大小为 K 的最小堆维护「当前活跃度最低的 K 个」。而且现场禁用 heapq，要求手写堆结构和上浮 / 下沉调整逻辑。

思路拆解：

用哈希表 user -> set(day) 去重统计每个用户的活跃天数；只保留计数，day 集合可边扫边丢以省内存。
维护一个最小堆，堆里放 (活跃天数, user)。这里要找「最低的 K 个」，用最小堆的技巧是：堆顶始终是已入堆里最小的，我们让堆按 count 升序，最终堆中较小的若干个就是答案。为控制内存在 O(K)，也可反向用「大小为 K 的最大堆」淘汰较大值——下面给出最直接的手写最小堆全量建堆版本。

class MinHeap:
    """手写最小堆，按元素第 0 位（count）比较。禁用 heapq 时使用。"""

    def __init__(self):
        self.data = []

    def _swap(self, i, j):
        self.data[i], self.data[j] = self.data[j], self.data[i]

    def push(self, item):
        self.data.append(item)
        self._sift_up(len(self.data) - 1)

    def pop(self):
        top = self.data[0]
        last = self.data.pop()
        if self.data:
            self.data[0] = last
            self._sift_down(0)
        return top

    def _sift_up(self, i):
        while i > 0:
            parent = (i - 1) // 2
            if self.data[i][0] < self.data[parent][0]:
                self._swap(i, parent)
                i = parent
            else:
                break

    def _sift_down(self, i):
        n = len(self.data)
        while True:
            left, right, smallest = 2 * i + 1, 2 * i + 2, i
            if left < n and self.data[left][0] < self.data[smallest][0]:
                smallest = left
            if right < n and self.data[right][0] < self.data[smallest][0]:
                smallest = right
            if smallest == i:
                break
            self._swap(i, smallest)
            i = smallest

    def __len__(self):
        return len(self.data)


def least_active_users(logs, k=5):
    """logs: List[(user_id, timestamp)]；timestamp 为秒级 epoch。
    返回活跃天数最低的 k 个 user_id。"""
    day_sets = {}
    for user, ts in logs:
        day = ts // 86400                 # 归一到「天」
        day_sets.setdefault(user, set()).add(day)

    heap = MinHeap()
    for user, days in day_sets.items():
        heap.push((len(days), user))      # (活跃天数, user)

    result = []
    for _ in range(min(k, len(heap))):
        count, user = heap.pop()
        result.append(user)
        _ = count
    return result

时间复杂度：统计 O(N)，建堆并弹出 K 个为 O(M + K log M)，M 为用户数、N 为日志条数。空间复杂度：O(M)。若内存吃紧，可把最小堆换成「维护大小为 K 的最大堆」，边扫边淘汰，空间压到 O(K)。

Onsite 第二轮：Case Study + 优化理论（Principal AS 技术面）

这轮先从项目深挖切入，再转向优化理论的硬核考察：

手写梯度下降，讲清学习率、收敛条件、停止标准
手写 KNN，讨论距离度量方式、K 值选择和查询复杂度
牛顿法的原理，与梯度下降在收敛速度和计算成本上的差异
为什么凸优化问题更容易求全局最优，哪些问题有闭式解
原问题与对偶问题的关系，KKT 条件包含哪些内容、适用场景

这里给一份现场可手写的梯度下降参考实现，用最基础的线性回归 MSE 作载体：

import numpy as np


def gradient_descent(X, y, lr=0.01, max_iter=1000, tol=1e-6):
    """最小化 MSE 的批量梯度下降。
    X: (n, d)，y: (n,)。返回权重 w 与偏置 b。"""
    n, d = X.shape
    w = np.zeros(d)
    b = 0.0
    prev_loss = float("inf")

    for it in range(max_iter):
        pred = X @ w + b
        error = pred - y
        loss = np.mean(error ** 2)                 # MSE

        grad_w = (2.0 / n) * (X.T @ error)         # 对 w 的梯度
        grad_b = (2.0 / n) * np.sum(error)         # 对 b 的梯度

        w -= lr * grad_w
        b -= lr * grad_b

        if abs(prev_loss - loss) < tol:            # 收敛：损失不再显著下降
            break
        prev_loss = loss

    return w, b

时间复杂度：每轮 O(n·d)，共 T 轮为 O(T·n·d)。停止标准通常是「损失变化 < tol」或「达到最大迭代数」，学习率过大会震荡不收敛、过小则收敛太慢。

紧接着是一道运筹优化建模题：为配送中心设计补货计划，在需求、供应量、仓储容量约束下最小化运输和库存成本，Follow-up 追问商品动态加价时目标函数和最优策略如何变化。

Case Study 部分是设计一套生鲜配送系统，同时解决车辆路径规划和到达时间预测，要考虑实时交通、时间窗口、保质期和车辆容量限制。追问会落到模型训练和评估上——路径优化关注总里程、成本、准时率；时间预测则用 MAE、RMSE 和延迟订单比例衡量，Precision / Recall 在这个场景并不适用，需要现场辨析清楚。最后收尾在三维装箱问题：给定货物尺寸、重量和卡车空间，如何摆放提升装载率，同时满足承重、方向、堆叠约束。

Onsite 第三轮：纯 Coding（穿插一道 Ownership 行为题）

面试官简单问了一道关于 Ownership 的行为题后直接进入编码。题目是 OOD 设计——一个物品租赁系统，需要实现 Item、User、Rental 等实体类，通过 Manager 类提供借出、归还、查询接口。

题目本身难度不高，考察重点在于类的职责划分是否清晰、对象关系是否合理、代码是否留有扩展空间。Follow-up 层层加码：增加租赁到期时间和逾期罚金逻辑、支持按名称模糊搜索、提供返回完整目录的接口、以及如何设计单元测试。整体考的是面向对象建模能力和接口设计，不是算法技巧。

from dataclasses import dataclass, field
from typing import Dict, List, Optional


@dataclass
class Item:
    item_id: int
    name: str
    available: bool = True


@dataclass
class User:
    user_id: int
    name: str


@dataclass
class Rental:
    item_id: int
    user_id: int
    due_day: int
    returned_day: Optional[int] = None


class RentalManager:
    """租赁系统入口：借出、归还、搜索、目录、逾期罚金。"""

    LATE_FEE_PER_DAY = 5

    def __init__(self):
        self.items: Dict[int, Item] = {}
        self.users: Dict[int, User] = {}
        self.rentals: List[Rental] = []

    def add_item(self, item: Item) -> None:
        self.items[item.item_id] = item

    def add_user(self, user: User) -> None:
        self.users[user.user_id] = user

    def borrow(self, user_id: int, item_id: int, due_day: int) -> bool:
        item = self.items.get(item_id)
        if item is None or not item.available or user_id not in self.users:
            return False
        item.available = False
        self.rentals.append(Rental(item_id, user_id, due_day))
        return True

    def give_back(self, user_id: int, item_id: int, today: int) -> int:
        """归还并返回应缴逾期罚金（未逾期为 0）。"""
        for r in self.rentals:
            if r.item_id == item_id and r.user_id == user_id and r.returned_day is None:
                r.returned_day = today
                self.items[item_id].available = True
                overdue = max(0, today - r.due_day)
                return overdue * self.LATE_FEE_PER_DAY
        raise ValueError("没有匹配的未归还租赁记录")

    def search(self, keyword: str) -> List[Item]:
        kw = keyword.lower()
        return [it for it in self.items.values() if kw in it.name.lower()]

    def catalog(self) -> List[Item]:
        return sorted(self.items.values(), key=lambda it: it.item_id)

设计要点：Manager 持有实体的字典索引以支持 O(1) 查找；借出 / 归还只翻转 available 标志并追加记录，便于后续扩展预约队列、多副本库存等。逾期罚金用 due_day 与归还日的差值计算，接口保持单一职责，方便写单元测试。

Onsite 第四轮：ML Application + LP（Hiring Manager 主持）

偏机器学习系统设计，题目围绕广告推荐、CTR 预估等真实业务场景。回答建议按固定顺序展开：需求澄清 → 数据与特征 → 模型选型 → 训练与离线评估 → 在线部署 → 监控与 A/B 测试。

注意：L4 候选人不一定会被安排这一轮。这轮考察的是 ML 知识的广度，覆盖范围可以从线性回归一路延伸到 Transformer，常见考点包括 L1 / L2 正则化、过拟合、梯度消失、损失函数设计和 Transformer 原理。复习时别只背定义，要能讲清楚每个方法的适用场景和优缺点，面试官很爱追问「什么时候不该用这个」。

Onsite 第五轮：Bar Raiser（LP 总攻）

这轮由不属于招聘团队的 Bar Raiser 主持，专注考察 Leadership Principles，对最终是否发 Offer 的影响力很大。但要清楚一点：前面每一轮基本都会留出约 15 分钟问一到两个行为题，所以 LP 准备绝不能只留到最后一轮才做。

L4 / L5 / L6 行为面权重差异

级别	LP 深度	侧重的 LP 维度
L4	讲清楚一次完整经历即可，追问一层	Learn and Be Curious、Ownership
L5	需要体现跨团队协作与技术决策，追问两到三层	Dive Deep、Deliver Results、Earn Trust
L6	要求战略视野、影响力和带人带项目	Think Big、Have Backbone、Hire and Develop

级别越高，面试官越想看到你在更大范围内的影响力和面对分歧时的判断力，故事的量级和复杂度要相应升级。

备考建议

项目故事技术化：每个 STAR 故事都要能被追问两三层——发现了什么、怎么定位、为什么选这个方案、结果如何量化，技术原理和数据结果一起理顺。
手写基础算法：梯度下降、KNN、堆结构要能现场从零手写，不能依赖 heapq、sklearn 这类库。
ML 广度 + 取舍：模型选型题重在讲清「什么时候不该用」，结合数据量、可解释性、推理成本作答。
LP 覆盖全 Loop：准备 8–10 个可复用故事，覆盖 Ownership、Dive Deep、Deliver Results 等核心维度，因为每轮都会问。
优化理论：凸优化、对偶、KKT、牛顿法这些偏理论的点，AS 岗位会真考，别只停在会用框架的层面。

FAQ

Q1：Amazon AS 面试和 SDE 面试最大的区别是什么？

AS 在算法之外额外考 ML 基础、优化理论和 ML 系统设计，且行为题会往技术细节深挖。SDE 更偏纯算法与系统设计，ML 理论占比很低。AS 候选人必须同时准备 Coding、ML 理论和 LP 三条线。

Q2：电话面的算法题难度如何？

通常是一道 LeetCode 中等偏难的题，外加 ML 基础问答和 LP。算法本身不会特别刁钻，但会追加内存优化、手写数据结构等约束，考的是你能否在压力下把最优解讲清楚并实现。

Q3：Applied Scientist 每一轮都会问行为题吗？

基本是的。除了 Bar Raiser 专攻 LP，前面每一轮都会留 10–15 分钟问一到两个行为题。所以 LP 准备要贯穿整个 Loop，不能只压到最后一轮。

Q4：L4、L5、L6 在面试上有什么不同？

级别越高，行为面越看重跨团队影响力、战略视野和带人带项目的经历，追问层数更多；技术面则期待更成熟的系统设计和更深的理论掌握。L4 可能不安排 ML 系统设计专场，L5/L6 通常会有。

Q5：现场禁用 heapq 之类的库怎么办？

提前把最小堆 / 最大堆的上浮、下沉逻辑手写练熟，梯度下降、KNN 也要能从零实现。面试官禁用库就是想看你对底层数据结构和算法的真实掌握，背 API 没用。

正在准备 Amazon Applied Scientist 或其他 ML / AS 岗位的 VO？ 我们熟悉 AS 这类「算法 + ML 理论 + 优化 + LP」多线并考的 Loop 打法，能陪你把项目故事技术化、手写算法和 LP 覆盖一次打磨到位，提供全程 VO辅助与 VO代面支持。

立即添加微信 Coding0201，获取一对一定制备考方案。

联系方式

微信：Coding0201
Email：[email protected]
Telegram：@OAVOProxy