← 返回博客列表 DoorDash 一亩三分地面经实录：从地里热门贴到拿 offer 的真实路径｜SDE + DataSci 双路 VO 辅助拆解
VO DoorDash

DoorDash 一亩三分地面经实录：从地里热门贴到拿 offer 的真实路径｜SDE + DataSci 双路 VO 辅助拆解

2026-05-28

一亩三分地"DoorDash"板块在最近一个招聘季基本是周更几十帖的节奏。SDE / Data Scientist / Data Engineer / Marketplace Strategy 各种岗位都在出新面经，但是地里的帖子有几个一致的问题：

  1. 信息片段化——每帖只贴 1–2 道题，看不出整体流程
  2. 真假混杂——同一道题不同人写出截然不同的解法，难判断标准答案
  3. 临场表达细节缺失——拿到题之后到底每分钟该说什么，没有人讲

这篇把过去这段时间一亩三分地（1point3acres）板块上真实落到 offer的两条主流路径——SDE Backend 与 Data Scientist——按时间顺序复盘一遍，每个阶段都给你地里贴到的真题、对应代码、临场该说的话，以及 VO 辅助 / OA 辅助具体在哪一步介入。

一、DoorDash 这家公司在地里到底什么定位？

先把背景说清楚，避免你拿不准期望值：

如果你刚开始关注 DoorDash，建议先看一遍我们 DoorDash 5 条 pathway 指南把入职路径摸清楚，再来看这篇的实战复盘。

二、SDE Backend 路线：从地里热门贴还原完整流程

阶段 1：Recruiter Call（地里高频反馈）

地里 SDE 候选人对 recruiter call 的最一致评价是：问得不深，但问得很多。一通典型电话覆盖：

VO 辅助介入点：用 30 分钟跑一次 recruiter call sim，重点是把"为什么 DoorDash"答到 marketplace dynamics 这一层。

阶段 2：HackerRank OA（地里最常贴）

OA 形式：HackerRank，90 分钟，2 题。地里近期最高频的两道：

真题一：findNearbyRestaurants

实现 findNearbyRestaurants(userLocation, allRestaurants, maxDistance, minRating)，先按距离过滤再按评分过滤，最后按距离升序、评分降序排序后返回。

这道题地里贴出来的版本至少有 4 个 follow-up 变种：

参考实现（默认欧几里得 + 离线全量）：

from math import sqrt

def find_nearby_restaurants(user_loc, restaurants, max_distance, min_rating):
    ux, uy = user_loc

    def dist(r):
        dx = r["x"] - ux
        dy = r["y"] - uy
        return sqrt(dx * dx + dy * dy)

    filtered = []
    for r in restaurants:
        d = dist(r)
        if d <= max_distance and r["rating"] >= min_rating:
            filtered.append((d, -r["rating"], r["name"]))

    filtered.sort()
    return [name for _, _, name in filtered]

时间复杂度：O(n log n)　空间：O(n)

地里典型踩雷：不问 tie-breaking 直接开写，写完发现"评分降序"和默认升序冲突；以及距离用 manhattan 写而面试官要的是 euclidean。

真题二：Closest Straight City

给一组城市坐标，每个 query 找到与给定城市同行或同列且欧几里得距离最近的城市；同距离取字典序最小。

这道题在我们 DoorDash 一亩三分地面经汇总文里有完整代码。OA 阶段考察重点不是算法本身，而是预处理 vs 单 query 的取舍——能不能想到按行/列分桶 + bisect。

OA 辅助介入点：OA 开始前把这两道题的所有 follow-up 变种过一遍；OA 期间通过共享屏幕做实时辅助（输入对齐 / 复杂度盘点 / edge case 提醒）。

阶段 3：Phone Screen（45 min, 1 题）

地里 SDE phone screen 高频题：

地里反馈最多的踩雷：写完代码沉默等反馈。DoorDash phone screen 的面试官几乎都会主动等你提 test case，如果你不主动，他默认你不会处理 edge case。

阶段 4：Onsite Loop（4 轮）

轮次 内容 时长 地里观察通过率
Coding 1 算法 + 业务包装 45 min ~50%
Coding 2 偏 design 的 coding（Rate Limiter / TTL Cache 等） 45 min ~45%
System Design DoorDash 业务系统 45 min ~40%
Behavioral DoorDash 4 大价值观 45 min ~60%

Coding 2 高频题：In-memory KV with TTL

DoorDash 在 Coding 2 喜欢出"半设计半 coding"的题。最近一年地里贴得最多的就是 in-memory KV with TTL。

import heapq
import time

class TTLCache:
    def __init__(self):
        self.store = {}          # key -> (value, expire_at)
        self.heap = []           # (expire_at, key)

    def _now(self):
        return time.time()

    def _evict_expired(self, now):
        while self.heap and self.heap[0][0] <= now:
            exp, k = heapq.heappop(self.heap)
            v = self.store.get(k)
            if v is not None and v[1] == exp:
                del self.store[k]

    def put(self, key, value, ttl_seconds):
        now = self._now()
        self._evict_expired(now)
        expire_at = now + ttl_seconds
        self.store[key] = (value, expire_at)
        heapq.heappush(self.heap, (expire_at, key))

    def get(self, key):
        now = self._now()
        self._evict_expired(now)
        v = self.store.get(key)
        if v is None or v[1] <= now:
            return None
        return v[0]

关键 follow-up：

System Design：Design Order Dispatch

地里给出的高分模板：

组件 关键决策
Order Service 写入 Kafka 流
Dispatch Optimizer Push vs Pull 模型；按 geo-shard 分配
Dasher Tracking WebSocket vs polling；GPS 上传频率
ETA Service ML model 在线 vs 离线
Surge Pricing 实时计算 vs 预计算

面试官最在乎的点：能不能说清"多送一单"（batching）的设计——这是 DoorDash 的核心利润机制。

Behavioral：4 大价值观对应触发词

价值观 你的故事必须出现的关键词
Get 1% Better 持续学习、量化改进
One Team, One Fight Cross-functional 协作
Customer Obsession NPS / churn / 客户视角
We're Owners 主动 + accountability

VO 辅助介入点：4 轮 onsite 全程提供节奏提示词、follow-up 第二条优化路径、以及 BQ 故事的实时关键词补全。

三、Data Scientist 路线：地里 DS 帖最易踩雷的两类题

DataSci 路线在地里的帖子比 SDE 少，但每个帖子信息密度更高。一个典型 DS 候选人地里贴出的流程是：

  1. Recruiter call（30 min）
  2. SQL + 实验设计 OA（60 min）
  3. Phone screen：A/B testing case（45 min）
  4. Onsite：SQL × 1 + 实验设计 × 1 + Product sense × 1 + BQ × 1

地里 DS 候选人最常翻车的两类题：

DS 题型一：实验设计（DoorDash 真题）

如何设计实验测试新 driver incentive 项目对配送时长的影响？

地里高分回答框架：

这道题在 phone screen 和 onsite 都会出现，地里反馈"分桶策略说不清"是最常见挂点。

DS 题型二：SQL 窗口函数与活跃度筛选

给定 delivery_orders(order_id, driver_id, order_time, pickup_time, dropoff_time, city_id)，写 SQL 求每个城市过去 30 天内、由"完单 ≥ 100 单"的活跃 driver 完成的订单的平均配送时长。

参考写法：

WITH recent AS (
    SELECT *
    FROM delivery_orders
    WHERE order_time >= DATE_SUB(CURRENT_DATE, INTERVAL 30 DAY)
),
active_drivers AS (
    SELECT driver_id
    FROM recent
    GROUP BY driver_id
    HAVING COUNT(*) >= 100
)
SELECT r.city_id,
       AVG(TIMESTAMPDIFF(MINUTE, r.pickup_time, r.dropoff_time)) AS avg_delivery_min
FROM recent r
JOIN active_drivers a ON r.driver_id = a.driver_id
GROUP BY r.city_id;

地里 follow-up 变种：

VO 辅助介入点：DS 路线特别吃实时表达节奏，因为很多 case 题没有标准答案，要靠你边讲边推。我们在 onsite 期间提供框架提示词（Goal → Bucketing → Metrics → Sample Size → Stat Test）来稳定你的回答结构。

四、地里这一季最常被问的 5 个问题

Q1：DoorDash OA 多少分能进 onsite？

地里观察 HackerRank 满分 100，75 分以上 onsite 邀请率约 60%，65–75 卡线，<65 几乎被刷。

Q2：地里说 DoorDash 喜欢出原题，是真的吗？

部分是。OA 阶段题型相对稳定（findNearbyRestaurants / Closest Straight City / Dasher Min Capacity 等），但每道题都会改输入格式或加 follow-up，背原题答案过不了。

Q3：DataSci 路线的 phone screen 通过率多少？

地里观察约 45%。最常见挂点是实验设计的"分桶策略"和 SRM 检测说不清。

Q4：地里 NG 和 Lateral 难度差多少？

NG OA 难度略低（2 道 medium）但 onsite 通过率更低（~25%）；Lateral OA 一题中等一题中等偏难，onsite 通过率 ~15%。

Q5：地里每周更新的面经，VO 辅助怎么用进来？

我们的工作流是每周扫一次地里 DoorDash 板块新增高分帖，把新的题型变种、分桶细节、SD 组件做成 brief 给到当周面试的学员。这就是为什么 VO 辅助的 OA / VO 命中率比纯刷 LeetCode 高一截——题库是从地里实时更新的。

五、地里高分模式总结

把上面 SDE 与 DS 两条路一起看，能明显总结出地里 DoorDash 高分候选人的共性：

  1. OA 不靠刷题量，靠地里题库覆盖度——同一题不同 follow-up 都过一遍
  2. Phone screen 必须主动开口提 test case——沉默写代码 = lean no hire
  3. Onsite Coding 2 准备 in-memory KV / TTL Cache / Rate Limiter 三件套
  4. System Design 必须画"多送一单" —— DoorDash 真正在乎的是 batching 经济模型
  5. BQ 4 大价值观必须各匹配一个故事

如果你正在地里翻 DoorDash 帖子准备面试，把这 5 条作为自检清单。

正在排 DoorDash 面试？

如果你在一亩三分地翻了 50 帖还是不知道怎么动手，加微信 Coding0201 让我们帮你把这一季的地里高频题、follow-up 变种、SD 高分模板和 BQ 故事打磨打通。

我们提供：

联系方式