# FDE 面试更看重问题拆解，而非 LeetCode 难题

> Databricks 在 notebook 里考字典题，OpenAI 考多段实现，Palantir 用模糊需求考一小时拆解。

原文: https://fdetimes.net/zh/guides/fde-interview-prep-dsa-decomposition/

距离你的 FDE 面试还有三周。软件工程师的本能反应是打开 LeetCode，筛选 Hard，熬夜刷图论和动态规划。如果目标是 Databricks、OpenAI 或 Palantir，这些力气大多会花在面试中最不重要的部分。

原因就在题目本身。这几家公司的前线部署工程师（FDE）编码轮，更像在客户现场的一天，而不是算法竞赛：写一个处理数据的函数，做一个功能，需求变了再改。DSA 依然重要，但只需要够你跨过门槛。

下文先划清“够用”的边界，再完整解一道示例题，最后说明如何把剩下的时间投到权重更高的部分。

## FDE 编码轮到底考什么？

据 Aced（原名 Exponent）介绍，Databricks 的 FDE 编码轮要求在 notebook 里写一个实用函数，难度在简单到中等之间。核心是用字典、字符串和列表处理数据，不考图，也不考线段树。

OpenAI 的 FDE 编码轮是生产风格的题目：一个较大的实现任务，有时拆成连续几个部分。允许使用 AI 工具，配套建议是共享屏幕、边做边讲思路。当机器可以替你写循环，你的思考方式就成了面试官看得最清楚的东西。

Palantir 的方向一致。techinterview.org 上的一篇分析指出，这家公司并不检查你是否背熟了 Dijkstra。它的在线测评也常让候选人意外，因为不是 Codeforces 那种题型。

| 公司 | 编码轮形式 | 练什么 |
|---|---|---|
| Databricks | 在 notebook 里写实用函数，简单到中等 | 字典、字符串、列表、分组、排序 |
| OpenAI | 一个较大的实现题，可能分几部分，允许用 AI | 易于修改的代码，边做边讲思路 |
| Palantir | 非 Codeforces 风格的在线测评，外加一轮问题拆解 | 开放式问题，主动提澄清问题 |

## 为什么“够用”就够了

据 techinterview.org，一轮 FDE 面试要回答三个问题，权重大致相当：你会写代码吗？你能弄清客户真正需要什么（界定需求）吗？在一切仍然模糊时，你能推理吗？代码只占其一。

同一来源认为，拆解轮的分量超过面试中任何一轮编码筛选。在 Palantir，这是一场 60 分钟的结对环节，通常在 CodePair 上进行，题目是一份故意缺失信息的需求。作者的结论很直接：只学算法，就是在准备考试中最不重要的部分。

**要点:** FDE 编码轮只是门槛，大部分分数来自你如何提问、如何拆解问题。

所以“够用”可以说得很具体：能熟练遍历列表，用字典分组，拆分和清洗字符串，按自定义 key 排序，并能估算自己代码的复杂度。超过这个水平，每多学一小时，得分都很有限。

## 解一道 notebook 式题目

以一道 Databricks 风格的题为例。客户发来一份活动日志，是形如 `"user_id,action,timestamp"` 的字符串列表，想知道每个用户最常做哪些操作。动手写代码之前先问：格式错误的行是跳过还是报错？并列时如何排序？每个用户返回几个操作？

假设面试官回答：跳过坏行，并列按字母序，返回前 3 个。一个简洁的解法：

```python
def top_actions(lines, k=3):
    counts = {}
    for line in lines:
        parts = [p.strip() for p in line.split(",")]
        if len(parts) != 3 or not parts[0]:
            continue  # 按约定跳过格式错误的行
        user, action, ts = parts
        user_counts = counts.setdefault(user, {})
        user_counts[action] = user_counts.get(action, 0) + 1
    return {
        user: sorted(acts.items(), key=lambda x: (-x[1], x[0]))[:k]
        for user, acts in counts.items()
    }
```

整个解法只用了字典、字符串、列表和一次排序，正是 Aced 描述的范围。得分不在难度，而在你写代码时说了什么。

要讲清楚：为什么跳过坏行而不是让程序崩溃，为什么排序 key 是元组，为什么复杂度是计数步骤的 O(n) 加上每个用户各自的排序。

## 题目中途变了怎么办

OpenAI 的题可能分连续几个部分，所以要专门练需求变化的那一刻。假设第二部分是：“现在客户想按天拆分。”新手会马上把代码改成 `ts[:10]` 然后运行。FDE 会先停下来问：时间戳格式是否统一？带不带时区？“一天”按谁的时区算？

问清之后，改动很小：把 key 改成元组 `(user, day)`，或者再嵌套一层字典。如果第一部分写得干净，第二部分只需改一处，所以从一开始就要保持代码简单。如果用 AI 工具生成改动，要逐行念出来，并解释为什么接受它。

这种反射正是拆解轮考查的能力：拿到一份信息不全的需求，把它变成几个清晰的决定，然后才开始写代码。

## 三周备考怎么分配

第一周，用几次练习检验自己是否已经“够用”：在 notebook 里而不是 LeetCode 编辑器里，做十到十五道关于字符串、字典和排序的中低难度题。如果做得顺利，就到此为止。techinterview.org 的建议是，不要再多刷五十道 LeetCode，转而练开放式问题。

第二、三周，两人一组练问题拆解。一人给出一句话的模糊需求，另一人有 60 分钟提问、拆解问题，并写出一个能跑的切片。把过程录下来，回听时留意长时间的沉默，以及那些没说出口就做出的假设。

同时，仔细读招聘启事。Anthropic 的 FDE 岗位要求具备很强的沟通能力，能与客户开展需求调研，并向各类干系人解释技术概念。

HackerRank 的岗位描述称，合适的人选乐于把工程、咨询和交付结合起来，并对每一步端到端负责。无论你像许多越南开发者那样出身外包，还是来自产品团队，简历里都至少要有一行写你亲自与客户澄清需求的经历，不要只罗列框架。

## 常见陷阱

第一个陷阱是读完题就埋头写代码。面对一道故意信息不全的题，闷头敲键盘，等于替客户回答了本该由你提出的问题。

第二个是用 AI 却一言不发。允许用工具时，满屏正确的代码却没有任何解释，面试官几乎看不出你是怎么思考的。

第三个正好相反：听说“DSA 不重要”就彻底放下，结果需要用字典分组时手忙脚乱。筛选轮照样能把你淘汰。

最后一个是过度设计：为一个二十行的函数搭类、接口和设计模式。在多段式题目里，简单、职责清晰的代码，通常比“架构优美”的代码更容易修改。

DSA 学到能过筛选就够了。之后的结果，大多取决于你在敲下第一行代码之前问了哪些问题。

**本周动手试试:**

- 打开一个 notebook，在 25 分钟内写一个函数，从 CSV 字符串列表中统计每个用户的操作次数，同时录下自己的讲解
- 请朋友在中途抛出一个需求变更（比如按天分组），练习在改代码之前至少提三个问题
- 重读简历，加一行描述你与客户或干系人澄清模糊需求的经历，以及最终结果

## 信源

- [Databricks Forward Deployed Engineer Interview (Aced, formerly Exponent)](https://www.aced.io/guides/databricks-forward-deployed-engineer-interview)

- [OpenAI Forward Deployed Engineer Interview (Aced, formerly Exponent)](https://www.aced.io/guides/openai-forward-deployed-engineer-interview)

- [What the forward deployed engineer interview really tests](https://www.techinterview.org/post/3233477236/forward-deployed-engineer-interview/)

- [Inside the Palantir engineering interview loop](https://www.techinterview.org/post/3233476805/palantir-interview-process/?format=md)

- [WTF is a forward deployed engineer? (and why everyone is hiring them)](https://posthog.com/blog/forward-deployed-engineer)
