今年亚麻 NG 面试和去年相比变化明显。去年很多岗位还是 general hiring，面试结束再决定具体组，今年基本都是组招，面试官大部分直接来自目标 Team。流程从三轮逐渐变成四轮，Bar Raiser 的存在感明显增强。Coding 方面，刷题库的收益比去年低了不少，题目越来越偏向真实业务场景包装。另一个非常明显的变化是 AI——今年面试官会主动聊 Cursor、Claude、ChatGPT，以及如何验证 AI 生成代码的正确性。
今年的 VO 一般是四轮，可能一天完成，也可能拆成两天。通常三轮来自 hiring team，一轮是 Bar Raiser。技术轮基本都是半小时 BQ 加半小时 Coding，而 BR 大概率全程 BQ。面试结束后一周内出结果。
第一轮 Coding 的业务背景是 Promotion Eligibility Service。系统需要支持用户加入活动、退出活动、查询用户当前参与了哪些活动、快速统计某个活动当前覆盖多少用户。Follow-up：活动数量达几十万怎么办、实时显示参与人数最多的前十个活动怎么办、如何避免同一个用户被重复加入活动。整体上是 HashMap 和 HashSet 的组合题，但包装得很像真实业务系统。
第二轮 Coding 是 Vendor Contract Registry，支持新增、删除、更新合同状态，以及查询某供应商当前有效合同数量。Follow-up：如何快速找到未来三十天即将到期的合同、如何处理自动续约、多个运营人员同时修改同一个合同时如何保证数据一致性。面试官对代码实现看得不算特别细，反而花了很多时间讨论数据结构选型以及复杂度分析。
第三轮 Bar Raiser 完全没有 Coding。第一组问题讲影响最大的项目，第二组讲一次失败经历，第三组讲一次 Ownership 的例子。每个 Story 都被连续深挖十分钟以上。面试官不仅问失败原因，还问为什么当时没有提前发现问题、团队有没有提出过不同意见、事后具体采取了哪些改进措施。
最后一轮 Coding 是 Return Request Processing System。支持创建退货单、取消退货单、查询用户历史退货记录、统计某商品当前未处理的退货数量。结束 Coding 后还专门聊了十分钟 AI——面试官问平时是否使用 Cursor 或 Claude，如果 AI 给出了一段复杂代码如何验证其正确性，有没有遇到过 AI 给出的方案看起来合理但实际上存在逻辑漏洞。