很多同学到了 OA 才意识到 Uber 招聘是分阶段卡通过率的——而每个阶段的题型分布、时长、通过门槛差异非常大。如果你只盯着 OA 准备，进了 Tech Phone 就会措手不及；只刷算法不练 STAR，Onsite 的 Hiring Manager 轮也容易翻车。
这篇文章把 Uber 从投递到入职的 5 个阶段画成一张完整时间线，逐阶段给出题型矩阵：MCQ / Coding / SQL / 系统设计 / Behavioral 各占多少分钟、各占多少决策权重。读完你应该能针对自己最弱的环节做精准训练。
时间线总览：5 个阶段 + 4 个间隔
[投递] --7-14d--> [OA] --3-5d--> [Recruiter Screen] --5-10d-->
[Tech Phone] --7-14d--> [Onsite Loop] --3-5d--> [Offer]
总时长：从投递到收到 offer 平均 5-7 周，最快 3 周、最慢 12 周。
| 阶段 | 时长 | 决策权 | 通过率 |
|---|---|---|---|
| 投递 | 投递 → OA 链接 | 简历筛选 | 约 50% |
| OA | 75-90 分钟 | 算法 AC 率 | 约 40% |
| Recruiter Screen | 30 分钟 | 行为 + 简历 | 约 70% |
| Tech Phone | 45-60 分钟 | 算法 + 系统对话 | 约 50% |
| Onsite | 4-5 轮 × 60 分钟 | 全维度 | 约 30% |
最难的两环：OA 和 Onsite。最容易被忽视：Recruiter Screen 的"reverse questions"质量。
阶段 1：OA 题型矩阵
| 题型 | 占时 | 占分 | 备考重点 |
|---|---|---|---|
| Coding 1 | 30-35 分钟 | 40% | LeetCode Medium 速度 |
| Coding 2 | 30-35 分钟 | 40% | 中等偏难，DP / 图 |
| MCQ（部分批次） | 10-15 分钟 | 10% | 时间复杂度 / Python 语义 |
| Coding 3（部分批次） | 20 分钟 | 10% | Hard 半 AC 即可 |
通过门槛：两题接近全 AC（>= 80%），或一题全 AC + 另一题 50%。
代表题：Stages 模式的 Resource Conversion
给定 N 种资源 + 每种资源能转换成另一种的成本表，求把所有资源转成统一种类 T 的最小总成本。
import heapq
def min_resource_conversion(graph, T, counts):
INF = float("inf")
dist = {T: 0}
heap = [(0, T)]
while heap:
d, u = heapq.heappop(heap)
if d > dist.get(u, INF):
continue
for v, w in graph[u]:
nd = d + w
if nd < dist.get(v, INF):
dist[v] = nd
heapq.heappush(heap, (nd, v))
return sum(counts[r] * dist.get(r, INF) for r in counts)
时间复杂度：O((V+E) log V)。 陷阱：建反向图，从目标 T 反着 Dijkstra，避免对每个起点都跑一次。
阶段 2：Recruiter Screen 题型矩阵
| 题型 | 占时 | 占分 |
|---|---|---|
| 简历深挖 | 12 分钟 | 30% |
| Behavioral（"Why Uber"） | 8 分钟 | 30% |
| 公司方向 / Team match | 5 分钟 | 20% |
| Reverse Questions | 5 分钟 | 20% |
通过门槛：能讲清楚至少 2 个具体项目 + 1 个 "Why Uber" 故事 + 提 1-2 个有深度的问题。
经典反向问题模板：
- "How does the team measure impact for new hires in the first 6 months?"
- "What's the biggest technical challenge the team faced this quarter?"
阶段 3：Tech Phone 题型矩阵
| 题型 | 占时 | 占分 |
|---|---|---|
| Coding Medium | 35 分钟 | 60% |
| Follow-up 优化 | 10 分钟 | 20% |
| 系统设计对话 | 10 分钟 | 15% |
| Behavioral | 5 分钟 | 5% |
通过门槛：当场 AC + 至少能口头说出 follow-up 的复杂度优化方向。
典型 follow-up 场景
"如果 N=1e8 怎么办？"
回答骨架：
- 当前算法 O(N) 已是最优单机
- 切到分布式：MapReduce 或 Spark
- 数据结构换成 streaming：reservoir sampling / approximate counting
阶段 4：Onsite Loop 题型矩阵（Round-by-Round）
| 轮次 | 题型 | 时长 | 决策权 |
|---|---|---|---|
| Round 1 | Coding Medium | 60 分钟 | 20% |
| Round 2 | Coding Medium-Hard | 60 分钟 | 20% |
| Round 3 | System Design | 60 分钟 | 25% |
| Round 4 | Behavioral / Hiring Manager | 45 分钟 | 20% |
| Round 5 | Bar Raiser / Cross-team | 45 分钟 | 15% |
通过门槛：5 轮里必须至少 4 轮 strong hire 或 lean hire。任何一轮 strong no 几乎一票否决。
System Design 重点：Surge Pricing 引擎
经典命题，回答骨架（5W 模型：What / Where / Workload / Write / Worst case）：
- What：实时计算每个城市每个区域的加价系数
- Where：边缘节点 → Kafka → Flink → Redis → API
- Workload：写 50w qps（trips），读 5M qps（rider app）
- Write 路径：Flink 滑动窗口 1 分钟，写 Redis 5 秒过期
- Worst case：Flink lag 时降级到上一周期值，避免 0 加价系数
通过率叠乘表：从投递到 Offer 的复合概率
| 阶段 | 各阶段通过率 | 累积通过率 |
|---|---|---|
| 投递 → OA | 50% | 50% |
| OA → Recruiter | 40% | 20% |
| Recruiter → Phone | 70% | 14% |
| Phone → Onsite | 50% | 7% |
| Onsite → Offer | 30% | 2.1% |
结论：从投递到 offer 只有约 2%。referral + 简历命中率提升能把这条线拉到 4-6%。
FAQ
Q1：每个阶段之间的间隔可以加快吗？ 可以礼貌催 recruiter，但Tech Phone → Onsite 这一环最常被 HM hold 卡 2-3 周。
Q2：Bar Raiser 是什么？Uber 也有吗？ Uber 的 cross-team interviewer 类似 Amazon 的 Bar Raiser，但权重更低。一票否决在 Uber 不那么硬。
Q3：Onsite 5 轮哪一轮最关键？ System Design + Hiring Manager。Coding 是基础门槛，但只要不 strong no，最终决定通常在 SD + HM。
Q4：Reverse Questions 真的影响 Recruiter 给分吗？ 影响。问 0 个问题 = lukewarm 信号；问 1-2 个有深度的问题能帮你拉满 communication 分。
Q5：拿到 OA 链接但 7 天没空做，会被取消吗？ 通常允许 reschedule 1 次。直接消失 才会被 recruiter 标记 ghost，影响日后再投。
正在准备 Uber 招聘流程？
如果你已经过了 OA 准备进 Tech Phone，或希望 Onsite 那天有真人 VO代面 / VO辅助 全程陪跑、Hiring Manager 反向问题打磨、System Design 5W 模板演练，可以聊聊看完整的 OA代面 / VO辅助 / VO代面 方案。
联系方式
需要面试真题与定制备战计划？立刻联系微信 Coding0201，获取真题。
Email: [email protected] Telegram: @OAVOProxy