Amazon NG VO Loop 2026 一亩三分地完整复盘｜OA 后 4 轮面试 + 16 LP 行为面 cheatsheet

Amazon NG OA 是出名的"宽松"——通过率 25-35%，一亩三分地的反馈普遍是"两道 Coding 全 AC + Work Style Survey 不踩雷"就能进。但 OA 通过后的 VO Loop 才是真正的淘汰主力：4 轮面试，Bar Raiser 一票否决，2026 cycle 整体录用率约 20%。

本文聚焦 OA 通过后的 Onsite Loop，不再重复 OA 内容（OA 详见我们的Amazon NG OA 2026 攻略），重点拆 Coding 1+2 + System/LLD + Bar Raiser BQ 四轮的真题、评分、与 16 LP 的对应。

Amazon NG VO Loop 总览

轮次	时长	内容	评分官
1. Coding Round 1	60 min	1 道 LC Medium + 2-3 个 LP 问题	Senior SDE I
2. Coding Round 2	60 min	1 道 LC Medium-Hard + 2-3 个 LP	Senior SDE II
3. System / LLD Round	60 min	OOD 设计题（NG 多为 LLD）+ 2 个 LP	Tech Lead / Senior
4. Bar Raiser	60 min	0-1 道轻 coding + 5-6 个深度 LP	Bar Raiser（不与 hiring team 利益相关）

关键变化（2026 cycle）：

Bar Raiser 从原来的"40 min 行为 + 20 min coding" → 2026 起改为 50 min 行为 + 10 min 轻 coding——更看 LP fit
System Design 对 NG 转为 LLD（low-level design）——OOD 类似 Parking Lot / Library System，不是分布式系统
每轮独立打分，但 Bar Raiser 拥有"事实否决权"——hiring team 即使 4 个 strong hire，Bar Raiser no hire 通常不发 offer

Coding Round 1 + 2：典型真题

真题 1：Server Cluster Health Monitor（Coding 1，2026 春最高频）

题面：给 n 台 server 的 heartbeat 时间序列，每 server 每秒发一次心跳。要求：

register(server_id, ts)：记录 server 在 ts 发了心跳
failed_servers(now, k_seconds)：返回 [now - k_seconds, now] 内没有任何心跳的 server 列表（按 server_id 升序）

坑：n 可能 1e6，naive 扫描会 TLE。

from collections import defaultdict
from sortedcontainers import SortedList

class HealthMonitor:
    def __init__(self):
        self.last_seen = {}             # server_id -> latest ts
        self.by_ts = SortedList()       # (last_ts, server_id) for fast filtering

    def register(self, sid, ts):
        if sid in self.last_seen:
            self.by_ts.remove((self.last_seen[sid], sid))
        self.last_seen[sid] = ts
        self.by_ts.add((ts, sid))

    def failed_servers(self, now, k):
        # all servers ever registered
        threshold = now - k
        # find servers whose last_seen < threshold OR never seen → never seen 不在 last_seen 里，得另外传 known servers
        failed = [sid for sid, ts in self.last_seen.items() if ts < threshold]
        return sorted(failed)

面试官追问：

"如果 server 数量到 1e7 怎么扩展？" → 推 partition by server_id mod N，并行扫描
"如果 register 调用频率非常高，by_ts 的 SortedList 会不会成为瓶颈？" → 改 lazy delete + 定期 rebalance

真题 2：Order Batching with Constraints（Coding 2，难度更高）

题面：n 个订单，每个有 (deadline, weight)。一个 batch 最多 W 重量，且 batch 内所有订单的 deadline 必须 ≥ batch 完成时间（每 batch 处理时间固定 t）。求最少 batch 数。

思路：贪心 + 优先队列——按 deadline 升序处理，能塞就塞，塞不下开新 batch。

import heapq

def min_batches(orders, W, t):
    orders.sort(key=lambda x: x[0])  # by deadline
    batches = []  # list of (current_batch_finish_time, current_weight)
    open_batches = []  # min-heap of finish_time
    count = 0
    current_time = 0
    cur_weight = 0
    cur_deadline = float('inf')
    for d, w in orders:
        if cur_weight + w > W or d < current_time + t:
            # close current batch, start new
            if cur_weight > 0:
                count += 1
                current_time += t
            cur_weight = w
            cur_deadline = d
        else:
            cur_weight += w
            cur_deadline = min(cur_deadline, d)
    if cur_weight > 0:
        count += 1
    return count

LP 联动：Coding Round 结束前 5-10 分钟会问 1-2 个 LP 故事（最常问 Customer Obsession 与 Deliver Results），所以别把 50 分钟全用在 coding 上——必须留 10 分钟给 LP。

System / LLD Round：典型 OOD 题

高频真题：设计一个简化的 Amazon Parcel Locker System

要求支持：

assign_locker(parcel_id, dimensions)：根据 parcel 尺寸找最小可用的 locker
pick_up(parcel_id, code)：用户取件，code 验证
track_metrics()：返回今日总投放数、平均存放时长、利用率

评分维度

维度	减分回答	加分回答
类设计	把所有逻辑塞 LockerSystem 一个类	拆成 `Parcel` / `Locker` / `LockerBank` / `LockerService`
数据结构	List 线性扫	按尺寸用 size-class buckets（Small/Medium/Large/XLarge），每 bucket 一个 free queue
并发	不提	`assign_locker` 与 `pick_up` 用 fine-grained lock per LockerBank
失败处理	不提	code 三次错误 → notify support; locker 满 → 推送替代取件点
扩展性	"我会用数据库"	提具体 schema：locker、parcel、event_log 三张表，event_log 是事实表

Bar Raiser BQ：16 LP 完整对应表

Amazon 2024 把 LP 从 14 条扩到 16 条（新增 Strive to be Earth's Best Employer 和 Success and Scale Bring Broad Responsibility）。Bar Raiser 通常会从中挑 5-6 条深挖。

16 条 LP × 推荐故事类型

LP	推荐故事方向	高频开场问题
Customer Obsession	客户痛点驱动的项目改造	"Tell me a time you used customer feedback to improve a product."
Ownership	接手烂摊子项目并完成	"Describe a time you took on something that wasn't your job."
Invent and Simplify	用新方法解决老问题	"Walk me through a time you proposed a simpler solution."
Are Right, A Lot	和团队 disagree 但你对	"Tell me about a decision others disagreed with."
Learn and Be Curious	学一个全新技术栈	"How do you keep learning?"
Hire and Develop the Best	mentor 学弟学妹	"How have you helped others grow?"
Insist on Highest Standards	push 团队提升质量	"Tell me about a time you raised the bar."
Think Big	把项目从 small scope 扩大	"When did you advocate for something ambitious?"
Bias for Action	缺信息但快速决策	"Tell me about a time you took action with incomplete data."
Frugality	用更少资源做更多事	"How have you done more with less?"
Earn Trust	修复破裂的 trust	"Tell me about regaining someone's trust."
Dive Deep	深挖 root cause	"Tell me about a complex problem you investigated."
Have Backbone; Disagree and Commit	反对但执行	"Describe a time you disagreed with your manager."
Deliver Results	在压力下交付	"Tell me about a high-pressure deadline."
Strive to be Earth's Best Employer ⭐NEW	改善团队体验 / DEI	"How have you helped foster team well-being?"
Success and Scale Bring Broad Responsibility ⭐NEW	scope 扩大后承担更多责任	"How do you think about your work's broader impact?"

Bar Raiser 评分公式（一亩三分地反推）

最终分数 ≈
   0.35 × LP fit (是否有 8+ 条 LP 可对应的故事)
 + 0.25 × Story specificity (具体到 metric / decision tree)
 + 0.20 × STAR 完整度 (Situation, Task, Action, Result)
 + 0.10 × 反向问题质量
 + 0.10 × 沟通风格 (节奏、自信、不傲慢)

强烈建议：在 onsite 前写 12-16 个 STAR 故事，每个故事对应至少 2 条 LP，做到任意一条 LP 都有 1-2 个故事可讲。

薪资 Range（2026 NG L4 SDE）

城市	Base	RSU (4yr 5/15/40/40)	Sign-on Y1	Sign-on Y2	Y1 Total
Seattle / Bellevue	$170-180K	$130-160K	$30-50K	$25-40K	~$210-250K
NYC / Bay Area	$180-195K	$140-170K	$35-55K	$30-45K	~$225-265K
Austin / DC	$160-175K	$120-150K	$25-45K	$20-35K	~$195-235K

关键点：

RSU vesting 5/15/40/40：第一年只 vest 5%，但前两年的 sign-on 弥补，所以 Y1 + Y2 比 Google / Meta 4-year flat 反而更高
Y3-Y4 stock cliff drop——大量 NG 在 Y2 末跳槽（典型 Amazon "Y2 跳板"）
Bar Raiser strong hire 可以谈到 base + RSU 多 10-15%

时间线（OA 通过到 Offer）

Week 0   OA 通过邮件
Week 1-2 Recruiter Call + 安排 onsite 时间
Week 3-4 Onsite Loop（一天连跑 4 轮，全 Zoom）
Week 5-6 Hiring Manager 内部 calibration + 写 hiring document
Week 7-8 Offer Letter 发出 / 协商
Week 9   接 offer (deadline 通常 7-14 天)

重要 timing：Amazon 标准 offer deadline 是 7-14 天，比 Google / Meta（21+ 天）短。如果你在 Amazon 之外还在面，进 onsite 前主动把 Amazon 时间线往后推 2 周。

FAQ

Q1：Amazon NG VO 通过率到底多少？

OA 通过后 VO 通过率约 20-25%——比 Google / Meta NG（10-15%）友好。但Bar Raiser 一票否决，4 轮全过但 Bar Raiser no hire 仍然会 reject。最关键变量是 Bar Raiser 评分，它的权重占整个 loop 的 35-40%。

Q2：Amazon NG VO 一定要准备 16 条 LP 吗？

至少准备 12 条。Bar Raiser 通常深挖 5-6 条，hiring team 4 个面试官每人挑 2-3 条，总会触达 12+ 条。不必每条 LP 写专门故事——同一个故事映射 2-3 条 LP 是常见做法（例如"重写老代码"可同时讲 Ownership + Insist on Highest Standards + Dive Deep）。

Q3：Amazon NG VO 用什么语言写代码？

Python / Java / C++ 三选一最稳，Python 是 NG 主流。JavaScript / Go 慎用——并非不允许，但 Amazon 内部代码主要 Java，面试官追问时容易露怯。用你最熟的，不要为 culture fit 切换。

Q4：Amazon Bar Raiser 是怎么打分的？

Bar Raiser 是与 hiring team 没有利益冲突的 senior engineer——他们不属于这个 team，没动力"收人凑数"。打分严格按 16 条 LP，只 hire 能"raise the team's bar"的 candidate。被 Bar Raiser 评 "no hire" 大概率不发 offer，即使 hiring manager 想要你。

Q5：Amazon NG VO 失败后多久能再投？

6 个月 cooldown——比 Google / Meta（12 个月）短。但 Amazon 内部记录会保留，第二次面试时 Bar Raiser 会刻意更严。强烈建议第二次投递前写一封"reflection letter"主动复盘上次失败点（recruiter 会附在 packet 里）。

Q6：Amazon NG L4 vs L5 怎么判定？

NG 默认 L4（SDE I）。升 L5（SDE II）需要 candidate 在 onsite loop 表现出"L5 行为"：在系统设计 / Bar Raiser 中展示出独立 ownership、多团队协作经历、scope > 一个 feature。多数 NG 不会直接给 L5，但 Bar Raiser 强 hire 偶尔会触发"upgrade conversation"。

联系方式

如果你正在准备 Amazon NG / SDE II Loop，Coding 已不是关键变量——Bar Raiser BQ 才是 70% 候选人的失利点。我们整理了 Amazon 2025-2026 cycle Bar Raiser 高频 60 题 + 16 LP × 故事映射模板 + STAR 写作工坊，欢迎联系交流。

立即添加微信 Coding0201，获取 Amazon Loop 真题与 Bar Raiser mock。

Email：[email protected]
Telegram：@OAVOProxy