← 返回部落格列表 DoorDash 一畝三分地面經實錄：從地裡熱門貼到拿 offer 的真實路徑｜SDE + DataSci 雙路 VO 輔助拆解
VO DoorDash

DoorDash 一畝三分地面經實錄：從地裡熱門貼到拿 offer 的真實路徑｜SDE + DataSci 雙路 VO 輔助拆解

2026-05-28

一畝三分地「DoorDash」板塊在最近一個招聘季基本是週更幾十帖的節奏。SDE / Data Scientist / Data Engineer / Marketplace Strategy 各種職位都在出新面經，但是地裡的帖子有幾個一致的問題：

  1. 資訊片段化——每帖只貼 1–2 道題，看不出整體流程
  2. 真假混雜——同一道題不同人寫出截然不同的解法，難判斷標準答案
  3. 臨場表達細節缺失——拿到題之後到底每分鐘該說什麼，沒有人講

這篇把過去這段時間一畝三分地（1point3acres）板塊上真實落到 offer的兩條主流路徑——SDE Backend 與 Data Scientist——按時間順序複盤一遍，每個階段都給你地裡貼到的真題、對應程式碼、臨場該說的話，以及 VO 輔助 / OA 輔助具體在哪一步介入。

一、DoorDash 這家公司在地裡到底什麼定位？

先把背景說清楚，避免你拿不準期望值：

如果你剛開始關注 DoorDash，建議先看一遍我們 DoorDash 5 條 pathway 指南把入職路徑摸清楚，再來看這篇的實戰複盤。

二、SDE Backend 路線：從地裡熱門貼還原完整流程

階段 1：Recruiter Call（地裡高頻回饋）

地裡 SDE 候選人對 recruiter call 的最一致評價是：問得不深，但問得很多。一通典型電話覆蓋：

VO 輔助介入點：用 30 分鐘跑一次 recruiter call sim，重點是把「為什麼 DoorDash」答到 marketplace dynamics 這一層。

階段 2：HackerRank OA（地裡最常貼）

OA 形式：HackerRank，90 分鐘，2 題。地裡近期最高頻的兩道：

真題一：findNearbyRestaurants

實作 findNearbyRestaurants(userLocation, allRestaurants, maxDistance, minRating)，先按距離過濾再按評分過濾，最後按距離升序、評分降序排序後返回。

這道題地裡貼出來的版本至少有 4 個 follow-up 變體：

參考實作（預設歐幾里得 + 離線全量）：

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]

時間複雜度：O(n log n)　空間：O(n)

地裡典型踩雷：不問 tie-breaking 直接開寫，寫完發現「評分降序」和預設升序衝突；以及距離用 manhattan 寫而面試官要的是 euclidean。

真題二：Closest Straight City

給一組城市座標，每個 query 找到與給定城市同行或同列且歐幾里得距離最近的城市；同距離取字典序最小。

這道題在我們 DoorDash 一畝三分地面經彙總文裡有完整程式碼。OA 階段考察重點不是演算法本身，而是預處理 vs 單 query 的取捨——能不能想到按行/列分桶 + bisect。

OA 輔助介入點：OA 開始前把這兩道題的所有 follow-up 變體過一遍；OA 期間透過共享螢幕做即時輔助（輸入對齊 / 複雜度盤點 / edge case 提醒）。

階段 3：Phone Screen（45 min, 1 題）

地裡 SDE phone screen 高頻題：

地裡回饋最多的踩雷：寫完程式碼沉默等回饋。DoorDash phone screen 的面試官幾乎都會主動等你提 test case，如果你不主動，他預設你不會處理 edge case。

階段 4：Onsite Loop（4 輪）

輪次 內容 時長 地裡觀察通過率
Coding 1 演算法 + 業務包裝 45 min ~50%
Coding 2 偏 design 的 coding（Rate Limiter / TTL Cache 等） 45 min ~45%
System Design DoorDash 業務系統 45 min ~40%
Behavioral DoorDash 4 大價值觀 45 min ~60%

Coding 2 高頻題：In-memory KV with TTL

DoorDash 在 Coding 2 喜歡出「半設計半 coding」的題。最近一年地裡貼得最多的就是 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]

關鍵 follow-up：

System Design：Design Order Dispatch

地裡給出的高分模板：

元件 關鍵決策
Order Service 寫入 Kafka 流
Dispatch Optimizer Push vs Pull 模型；按 geo-shard 分配
Dasher Tracking WebSocket vs polling；GPS 上傳頻率
ETA Service ML model 線上 vs 離線
Surge Pricing 即時計算 vs 預計算

面試官最在乎的點：能不能說清「多送一單」（batching）的設計——這是 DoorDash 的核心利潤機制。

Behavioral：4 大價值觀對應觸發詞

價值觀 你的故事必須出現的關鍵詞
Get 1% Better 持續學習、量化改進
One Team, One Fight Cross-functional 協作
Customer Obsession NPS / churn / 客戶視角
We're Owners 主動 + accountability

VO 輔助介入點：4 輪 onsite 全程提供節奏提示詞、follow-up 第二條最佳化路徑、以及 BQ 故事的即時關鍵詞補全。

三、Data Scientist 路線：地裡 DS 帖最易踩雷的兩類題

DataSci 路線在地裡的帖子比 SDE 少，但每個帖子資訊密度更高。一個典型 DS 候選人地裡貼出的流程是：

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

地裡 DS 候選人最常翻車的兩類題：

DS 題型一：實驗設計（DoorDash 真題）

如何設計實驗測試新 driver incentive 計畫對配送時長的影響？

地裡高分回答框架：

這道題在 phone screen 和 onsite 都會出現，地裡回饋「分桶策略說不清」是最常見掛點。

DS 題型二：SQL 視窗函式與活躍度篩選

給定 delivery_orders(order_id, driver_id, order_time, pickup_time, dropoff_time, city_id)，寫 SQL 求每個城市過去 30 天內、由「完單 ≥ 100 單」的活躍 driver 完成的訂單的平均配送時長。

參考寫法：

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;

地裡 follow-up 變體：

VO 輔助介入點：DS 路線特別吃即時表達節奏，因為很多 case 題沒有標準答案，要靠你邊講邊推。我們在 onsite 期間提供框架提示詞（Goal → Bucketing → Metrics → Sample Size → Stat Test）來穩定你的回答結構。

四、地裡這一季最常被問的 5 個問題

Q1：DoorDash OA 多少分能進 onsite？

地裡觀察 HackerRank 滿分 100，75 分以上 onsite 邀請率約 60%，65–75 卡線，<65 幾乎被刷。

Q2：地裡說 DoorDash 喜歡出原題，是真的嗎？

部分是。OA 階段題型相對穩定（findNearbyRestaurants / Closest Straight City / Dasher Min Capacity 等），但每道題都會改輸入格式或加 follow-up，背原題答案過不了。

Q3：DataSci 路線的 phone screen 通過率多少？

地裡觀察約 45%。最常見掛點是實驗設計的「分桶策略」和 SRM 偵測說不清。

Q4：地裡 NG 和 Lateral 難度差多少？

NG OA 難度略低（2 道 medium）但 onsite 通過率更低（~25%）；Lateral OA 一題中等一題中等偏難，onsite 通過率 ~15%。

Q5：地裡每週更新的面經，VO 輔助怎麼用進來？

我們的工作流是每週掃一次地裡 DoorDash 板塊新增高分帖，把新的題型變體、分桶細節、SD 元件做成 brief 給到當週面試的學員。這就是為什麼 VO 輔助的 OA / VO 命中率比純刷 LeetCode 高一截——題庫是從地裡即時更新的。

五、地裡高分模式總結

把上面 SDE 與 DS 兩條路一起看，能明顯總結出地裡 DoorDash 高分候選人的共性：

  1. OA 不靠刷題量，靠地裡題庫覆蓋度——同一題不同 follow-up 都過一遍
  2. Phone screen 必須主動開口提 test case——沉默寫程式碼 = lean no hire
  3. Onsite Coding 2 準備 in-memory KV / TTL Cache / Rate Limiter 三件套
  4. System Design 必須畫「多送一單」 —— DoorDash 真正在乎的是 batching 經濟模型
  5. BQ 4 大價值觀必須各匹配一個故事

如果你正在地裡翻 DoorDash 帖子準備面試，把這 5 條作為自檢清單。

正在排 DoorDash 面試？

如果你在一畝三分地翻了 50 帖還是不知道怎麼動手，加微信 Coding0201 讓我們幫你把這一季的地裡高頻題、follow-up 變體、SD 高分模板和 BQ 故事打磨打通。

我們提供：

聯繫方式