個人背景 & 面試準備
個人背景： 985 本科，畢業好幾年了, 離職之前在一家外企做 Java 后端開發，
面試準備： 因為選了微軟作為目標公司, 因此完全是根據微軟的面試特點來準備的，微軟面試內容大概是專案 + 演算法 + 系統設計 + 英語， 因此主要把時間放在了準備演算法和系統設計上，演算法方面從今年2 月份開始堅持 刷題, 刷了大概大半年，刷題量 700+，系統設計看完了 Grokking system design 和資料密集型應用系統設計，
面試流程
微軟今年 7 月份以后有一批 hc 出來，投遞了簡歷之后一兩天就收到筆試通知的郵件，
筆試提交通過第二天就會有 HR 來協調面試時間，面試一共五輪，都是用 teams 視頻面試，前兩輪是組里的開發或者資深開發面試，第三輪和四輪是不同組的 manager 面試，第五輪是 AA 面，就是最后的大老板，每一輪都有技術問題，大概方向是 30 分鐘專案細節或者系統設計題目 + 30 分鐘 1 道演算法題目，
線上筆試
線上筆試是在 codility 這個平臺做的，60 分鐘兩道題目，題目都不難，關鍵是不要想復雜了，盡量往簡單的方向想，
一面
一面是 30 分鐘專案問題和 30 分鐘 1 道演算法題目，
專案：
專案的準備主要分為專案核心功能的梳理和對專案架構和技術選型的思考，建議面試前幾周多花一點準備自己專案這兩部分的問題，
梳理完核心功能后在介紹起自己專案的時候會比較精準有側重點，讓面試官很快了解到你做的專案是什么，
專案技術的思考也是被提問的熱點，知道要怎么做還不夠，重要的是知道為什么要這么做，還有沒有更好的？
比如我們當時的專案要從單體架構轉型微服務架構，所以一個經常被問到的問題是為什么要轉微服務架構，
如果能提前總結此類問題，那么面試被問到的時候回答起來邏輯就比較清晰，如果當場想的話，很可能出現遺漏、回答不全、邏輯不清晰的情況，
演算法：
一道簡化版本的拓撲排序問題，理解了拓撲排序的思想，代碼寫起來并不難，
用 teams 共享螢屏然后用自己的 IDE 寫代碼，寫完代碼要保證測驗樣例能通過，并且能準確說出時間和空間復雜度，
盡可能的考慮到更全的測驗樣例，
二面
二面是一道系統設計題目，時間充足的話建議看完 Grokking system design 和資料密集型應用系統設計這兩份資料，
時間不夠的話優先看 Grokking system design，重點是掌握系統設計題目的回答套路，如何一步一步地展開自己的系統設計思路以及和面試官提哪些問題來確定設計細節，一定要多和面試官溝通，多提問， 看完 Grokking system design 想要實際操練一下可以在 pramp.com 上發起模擬面試，這樣在真實的面試環節就不會特別緊張和卡殼，
可能因為系統設計題目回答的比較讓面試官滿意，演算法題目并沒有為難，也沒有要求寫，只是說了下思路，
題目： 151. 翻轉字串里的單詞
Follow up：如果字串長度很長記憶體裝不下應該怎么辦？
三面
三面考察了專案的深度, 有沒有研究過同型別的專案別人是怎么做的？有沒有橫向對比？
演算法是面試官結合自身業務出的一道題目，涉及到的知識點是基本資料結構的運用（鏈表，堆疊，佇列等)，
四面
四面是 30 分鐘英文專案介紹和技術問答和 30 分鐘一道演算法題目，
用英文介紹專案然后針對簡歷上的技術用英文做了提問和回答，
Manager 面試比較看重資料和結果，如果簡歷上提到優化了某些功能，那么性能提高了多少？記憶體降低了多少?系統回應時間降低了多？如果能拿出來具體的資料，那么給面試官的印象會更好，
題目： 54. 螺旋矩陣
AA 面
AA 面考察的東西比較多，技術和非技術方面的都有涉及，
技術方面給一個需求，最后轉化成一個演算法的實作方案，盡可能地給出優化方案，
類似的題目是：307. 區域和檢索 - 陣列可修改
非技術問題涉及到為什么想加入微軟，團隊合作等問題, 面試前可以提前想一想怎么回答，
總結
如何拿到心儀公司的 offer？我的感覺是要了解清楚心儀公司的面試特點并做針對性的準備，
相信努力都是有回報的，拿到 offer 只是起點，進入到心儀的公司后面還有很長的路要走，保持學習，共勉，
作者：Anonymous
鏈接：https://leetcode-cn.com/circle/discuss/TEXcH1/
最后我這里也整理了很多份java的資料，內容包含有：Spring，Dubbo，MyBatis, RPC,原始碼分析，高并發、高性能、分布式,性能優化，微服務 高級架構開發等等，
需要的朋友可以點擊：這個！點這個，暗號：csdn，
還有Java核心知識點+全套架構師學習資料和視頻+一線大廠面試寶典+面試簡歷模板可以領取+阿里美團網易騰訊小米愛奇藝快手嗶哩嗶哩面試題+Spring原始碼合集+Java架構實戰電子書，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/231536.html
標籤：AI