# Snowflake FDE 面试，第一轮可能就见未来经理

> 招聘启事才是更好的备考指南：把模糊的业务目标写成能跑的 SQL，再变成客户信得过的质量指标。

原文: https://fdetimes.net/zh/guides/snowflake-fde-interview-guide/

你刚拿到 Snowflake 前线部署工程师（FDE）岗位的面试安排，正准备打开 LeetCode。先等一等。根据 Snowflake 招聘页的说法，你的第一场谈话很可能就是和未来的直属经理。公司称，这是为了从第一天起就“破冰”。

想知道该准备什么，先读招聘启事。根据 FDE Applied AI 岗位的招聘启事，这个岗位的人要花大量时间和客户在一起，把尚不清晰的业务目标用 Python 和 SQL 变成解决方案。

所以最好的准备，就是把这条工作链路完整练一遍：从第一个澄清问题，一直到最后的质量指标。

## 哪些已经确认，哪些只是猜测

Snowflake 官方招聘页介绍，技术岗的通用流程共四轮，可能历时两到四周。候选人需要准备现场编码，以及与面试官一起完成的测评。最后是背景调查（reference check），以及依照当地劳动法进行的标准背景审查。

Snowflake 没有公开每一轮的具体内容，而且四轮流程描述的是工程师岗位的通用情况，并非专门针对 FDE。其余信息都来自外部渠道，只能当作假设。

Aced（原名 Exponent）的一份指南介绍，软件工程师的终面包括 3 到 5 场小组面试，考察技术能力、领域专长、系统设计、行为表现和协作。

interviewing.io 上候选人分享的经历显示，编程题通常是 LeetCode 中等难度，系统设计则偏重数据系统和数据库设计。

Aced 还提到，Snowflake 希望看到你如何处理大规模数据、如何使用数据库。如果准备时间有限，先练 SQL 和数据设计，图算法题往后放。

## 真正的考题是“模糊目标”

Snowflake 的 FDE Applied AI 招聘启事要求候选人用 Python 和 SQL，把含糊的业务目标变成稳健、可扩展、高性能的解决方案。同一份启事还要求至少 25% 的时间驻场，服务 Snowflake 最具战略意义的客户。

启事还要求有构建 LLM 应用的经验，尤其是检索增强生成（RAG）和智能体工作流。你必须亲自为 LLM 或 Agent 系统定义过质量指标、执行过评测。

Staff 级岗位的启事说得更直白：把含糊的客户目标转化为可衡量的指标、评测框架和黄金数据集。

**要点:** 准备 FDE 面试，就是练习如何把一个模糊的需求变成一个可衡量的数字。

## 一道示例题：“减轻客服团队的负担”

设想这样一道题：客户是一家零售商，客服工单存在 Snowflake 里，希望用 AI 助手来“减轻客服团队的负担”。如果你急着画 RAG 架构图，就跳过了最关键的一步。

先问：“减轻负担”怎么衡量，是看响应时间，还是看需要人工处理的工单数量？哪类工单最多？数据存在哪些表里？

假设面试官回答：用首次响应时间衡量，数据在 `tickets` 和 `messages` 两张表里。第一件事是拿到基线，没有基线就无法证明任何价值。下面这段 SQL 可以在 Snowflake 上运行：

```sql
-- 最近 90 天各类别的首次响应时间
WITH first_reply AS (
  SELECT ticket_id, MIN(sent_at) AS first_agent_reply_at
  FROM messages
  WHERE sender_type = 'agent'
  GROUP BY ticket_id
)
SELECT t.category,
       COUNT(*) AS tickets,
       COUNT(f.ticket_id) AS replied_tickets,
       MEDIAN(DATEDIFF('minute', t.created_at, f.first_agent_reply_at)) AS median_first_reply_min
FROM tickets t
LEFT JOIN first_reply f ON f.ticket_id = t.ticket_id
WHERE t.created_at >= DATEADD('day', -90, CURRENT_DATE)
GROUP BY t.category
ORDER BY tickets DESC;
```

值得点出的是 `first_reply` 这个 CTE。如果把 `tickets` 直接和 `messages` 做 join，一张有六条消息的工单就会变成六行，`COUNT(*)` 数的就是消息而不是工单。养成习惯：join 之前先把每张工单压成一行，并且边写边说明原因。

`LEFT JOIN` 也是有意为之。它保留了还没人回复的工单，`replied_tickets` 列显示有多少张已回复。要主动说明：中位数只覆盖已回复的工单，未回复的那部分必须单独报告。

## 80% 背后藏着什么？

接下来是评测。假设你从真实工单中整理出一个 50 道题的黄金数据集：30 道关于账单，20 道关于技术故障。Agent 答对 40 道，即 80%。这个数字看起来不错，直到你按类别拆开：账单类得分 29/30，技术类只有 11/20，即 55%。

```python
from collections import defaultdict

def score_by_category(results):
    totals, correct = defaultdict(int), defaultdict(int)
    for r in results:
        totals[r["category"]] += 1
        correct[r["category"]] += int(r["is_correct"])
    return {c: correct[c] / totals[c] for c in totals}
```

再把这个结果和前面的 SQL 联系起来。如果基线显示技术类工单数量最多，那么 80% 掩盖的恰恰是客户最需要的部分。合理的建议是：“先在账单类上线；技术类需要补充更多用于检索的文档，然后重新评测。”

Staff 级岗位的启事把 Braintrust、LangSmith、Arize、Weave 和 Promptfoo 等评测与可观测性工具列为加分技能。熟悉其中一个是优势。但只要你讲得清为什么分数必须按类别拆分，用哪个工具只是细节。

## 每轮内容没有公开，该怎么准备？

既然 Snowflake 没说哪一轮考什么，就围绕已确认的信息和招聘启事的要求来准备。先从现场编码开始：用 Python 练 LeetCode 中等难度题，边做边讲思路。同时按数据从业者的用法复习 SQL：窗口函数、CTE、带 NULL 值的 `LEFT JOIN`，以及一对多关系 join 时的行重复问题。

系统设计方面，练习设计数据系统，而不是社交网络或网约车应用。一道适合自己练习的题：把新工单加载进表、更新 RAG 索引、按 prompt 版本存储评测结果。画出 schema，确定主键，并说明你会如何查询评测表来比较两个版本。

针对招聘经理面和行为面，准备两个故事：一个讲你如何把模糊需求变成指标，另一个讲你直接与用户或客户合作的经历。因为有背景调查，提前和你的推荐人打好招呼，让他们讲的项目和你提到的一致。

简历上不要泛泛地写“有 LLM 经验”，而要写一条可以核实的内容，例如“构建了 50 道题的黄金数据集，按类别拆分得分，发现技术类只有 55%”。这条建议适用于任何 FDE 岗位，不只是 Snowflake。

## 让优秀候选人折戟的错误

最常见的错误是还没问清目标怎么衡量就开始解题。这个岗位的招聘启事明确用了“ambiguous”（含糊）一词，跳过澄清这一步，就等于跳过了启事最看重的那项能力。

其次是写出的 SQL 能给出数字，却不检查这个数字是否合理。只要在 join 前后各数一次工单数，就能发现行重复。同样，也不要只报一个总体评测分数就收工，客户需要知道 Agent 在哪里出错。

最后一个错误很少有人意识到：把招聘经理面当成简单的认识环节。Snowflake 称之为破冰，但对于一个至少 25% 时间要和客户打交道的岗位，应该借这场谈话展示你如何沟通、如何提问。

如果这周只能做一件事，就找一个真实数据集，把“减轻客服团队负担”这道题完整做一遍，从澄清问题一直做到分类别的评分表。等你能顺畅地走完这条链路，每一轮面试你都有话可说。

**本周动手试试:**

- 找一个公开的工单数据集，写 SQL 计算各类别的首次响应时间，再亲自检查 join 是否造成了行重复。
- 为一个小型 RAG 应用构建 50 道题的黄金数据集，按类别打分，并用五行文字说明哪个类别最弱。
- 准备一个三分钟的故事，讲你如何把模糊需求变成可衡量的指标，在第一轮就讲给招聘经理听。

## 信源

- [Hiring Process | Snowflake Careers](https://careers.snowflake.com/us/en/gethired)

- [Forward Deployed Engineer, Applied AI (Snowflake)](https://careers.wing.vc/companies/snowflake/jobs/65567988-forward-deployed-engineer-applied-ai)

- [Staff Applied AI Engineer (FDE)](https://careers.wing.vc/companies/snowflake/jobs/80168696-senior-forward-deployed-engineer-applied-ai)

- [Get a Job at Snowflake: Interview Process and Top Questions (Aced, formerly Exponent)](https://www.aced.io/blog/snowflake-interview-process)

- [Snowflake Interview Process & Questions in 2024 (interviewing.io)](https://interviewing.io/snowflake-interview-questions)
