很多同學到了 OA 才意識到 Uber 招聘是分階段卡通過率的——而每個階段的題型分布、時長、通過門檻差異非常大。如果你只盯著 OA 準備，進了 Tech Phone 就會措手不及；只刷演算法不練 STAR，Onsite 的 Hiring Manager 輪也容易翻車。
這篇文章把 Uber 從投遞到入職的 5 個階段畫成一張完整時間線，逐階段給出題型矩陣：MCQ / Coding / SQL / 系統設計 / Behavioral 各佔多少分鐘、各佔多少決策權重。讀完你應該能針對自己最弱的環節做精準訓練。
時間線總覽：5 個階段 + 4 個間隔
[投遞] --7-14d--> [OA] --3-5d--> [Recruiter Screen] --5-10d-->
[Tech Phone] --7-14d--> [Onsite Loop] --3-5d--> [Offer]
總時長：從投遞到收到 offer 平均 5-7 週，最快 3 週、最慢 12 週。
| 階段 | 時長 | 決策權 | 通過率 |
|---|---|---|---|
| 投遞 | 投遞 → OA 連結 | 履歷篩選 | 約 50% |
| OA | 75-90 分鐘 | 演算法 AC 率 | 約 40% |
| Recruiter Screen | 30 分鐘 | 行為 + 履歷 | 約 70% |
| Tech Phone | 45-60 分鐘 | 演算法 + 系統對話 | 約 50% |
| Onsite | 4-5 輪 × 60 分鐘 | 全維度 | 約 30% |
最難的兩環：OA 和 Onsite。最容易被忽視：Recruiter Screen 的「reverse questions」品質。
階段 1：OA 題型矩陣
| 題型 | 佔時 | 佔分 | 備考重點 |
|---|---|---|---|
| Coding 1 | 30-35 分鐘 | 40% | LeetCode Medium 速度 |
| Coding 2 | 30-35 分鐘 | 40% | 中等偏難，DP / 圖 |
| MCQ（部分批次） | 10-15 分鐘 | 10% | 時間複雜度 / Python 語意 |
| Coding 3（部分批次） | 20 分鐘 | 10% | Hard 半 AC 即可 |
通過門檻：兩題接近全 AC（>= 80%），或一題全 AC + 另一題 50%。
代表題：Stages 模式的 Resource Conversion
給定 N 種資源 + 每種資源能轉換成另一種的成本表，求把所有資源轉成統一種類 T 的最小總成本。
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)
時間複雜度：O((V+E) log V)。 陷阱：建反向圖，從目標 T 反著 Dijkstra，避免對每個起點都跑一次。
階段 2：Recruiter Screen 題型矩陣
| 題型 | 佔時 | 佔分 |
|---|---|---|
| 履歷深挖 | 12 分鐘 | 30% |
| Behavioral（"Why Uber"） | 8 分鐘 | 30% |
| 公司方向 / Team match | 5 分鐘 | 20% |
| Reverse Questions | 5 分鐘 | 20% |
通過門檻：能講清楚至少 2 個具體專案 + 1 個 "Why Uber" 故事 + 提 1-2 個有深度的問題。
經典反向問題模板：
- "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?"
階段 3：Tech Phone 題型矩陣
| 題型 | 佔時 | 佔分 |
|---|---|---|
| Coding Medium | 35 分鐘 | 60% |
| Follow-up 優化 | 10 分鐘 | 20% |
| 系統設計對話 | 10 分鐘 | 15% |
| Behavioral | 5 分鐘 | 5% |
通過門檻：當場 AC + 至少能口頭說出 follow-up 的複雜度優化方向。
典型 follow-up 場景
「如果 N=1e8 怎麼辦？」
回答骨架：
- 當前演算法 O(N) 已是最優單機
- 切到分散式：MapReduce 或 Spark
- 資料結構換成 streaming：reservoir sampling / approximate counting
階段 4：Onsite Loop 題型矩陣（Round-by-Round）
| 輪次 | 題型 | 時長 | 決策權 |
|---|---|---|---|
| Round 1 | Coding Medium | 60 分鐘 | 20% |
| Round 2 | Coding Medium-Hard | 60 分鐘 | 20% |
| Round 3 | System Design | 60 分鐘 | 25% |
| Round 4 | Behavioral / Hiring Manager | 45 分鐘 | 20% |
| Round 5 | Bar Raiser / Cross-team | 45 分鐘 | 15% |
通過門檻：5 輪裡必須至少 4 輪 strong hire 或 lean hire。任何一輪 strong no 幾乎一票否決。
System Design 重點：Surge Pricing 引擎
經典命題，回答骨架（5W 模型：What / Where / Workload / Write / Worst case）：
- What：即時計算每個城市每個區域的加價係數
- Where：邊緣節點 → Kafka → Flink → Redis → API
- Workload：寫 50w qps（trips），讀 5M qps（rider app）
- Write 路徑：Flink 滑動窗口 1 分鐘，寫 Redis 5 秒過期
- Worst case：Flink lag 時降級到上一週期值，避免 0 加價係數
通過率疊乘表：從投遞到 Offer 的複合機率
| 階段 | 各階段通過率 | 累積通過率 |
|---|---|---|
| 投遞 → OA | 50% | 50% |
| OA → Recruiter | 40% | 20% |
| Recruiter → Phone | 70% | 14% |
| Phone → Onsite | 50% | 7% |
| Onsite → Offer | 30% | 2.1% |
結論：從投遞到 offer 只有約 2%。referral + 履歷命中率提升能把這條線拉到 4-6%。
FAQ
Q1：每個階段之間的間隔可以加快嗎？ 可以禮貌催 recruiter，但Tech Phone → Onsite 這一環最常被 HM hold 卡 2-3 週。
Q2：Bar Raiser 是什麼？Uber 也有嗎？ Uber 的 cross-team interviewer 類似 Amazon 的 Bar Raiser，但權重更低。一票否決在 Uber 不那麼硬。
Q3：Onsite 5 輪哪一輪最關鍵？ System Design + Hiring Manager。Coding 是基礎門檻，但只要不 strong no，最終決定通常在 SD + HM。
Q4：Reverse Questions 真的影響 Recruiter 給分嗎？ 影響。問 0 個問題 = lukewarm 訊號；問 1-2 個有深度的問題能幫你拉滿 communication 分。
Q5：拿到 OA 連結但 7 天沒空做，會被取消嗎？ 通常允許 reschedule 1 次。直接消失 才會被 recruiter 標記 ghost，影響日後再投。
正在準備 Uber 招聘流程？
如果你已經過了 OA 準備進 Tech Phone，或希望 Onsite 那天有真人 VO代面 / VO輔助 全程陪跑、Hiring Manager 反向問題打磨、System Design 5W 模板演練，可以聊聊看完整的 OA代面 / VO輔助 / VO代面 方案。
聯絡方式
需要面試真題與客製備戰計畫？立刻聯絡微信 Coding0201，獲取真題。
Email: [email protected] Telegram: @OAVOProxy