OfferForge 导师 Dr. W. — 博士毕业，前 FAANG Senior MLE。研究方向为大规模分布式机器学习系统，曾在顶级国际学术会议发表多篇论文。负责团队学术方向把控与 MLE 面试辅导。
OfferForge 导师 Dr. S. — 前大厂 Senior SDE，精通分布式系统与大规模数据处理。曾在顶级技术会议发表多篇技术报告，专注于系统可扩展性与可靠性。负责课程体系设计与 System Design 面试辅导。
OfferForge 导师 Dr. L. — 前大厂 Senior SDE，深耕分布式系统与微服务架构。在服务治理、事件驱动架构方面有丰富实战经验。负责求职策略制定与 SDE 面试辅导，已帮助多位候选人斩获 Senior 级别 Offer。
原本以为 Databricks 的 NG 面试只会问coding和BQ，但其实 system design 是必考的一项。这对很多ng同学来说绝对是意料之外。下面我们整理了几道近期出现过的题目，全都是贴近 Databricks 核心业务场景的真题。
最近有人遇到的第一道题，是让设计一个 Query Execution Service for Databricks Notebooks。场景就是用户通过 notebook 提交 SQL 查询，系统要能做扩展、保证公平调度，还得容错和记录元数据。这题其实就是 Databricks SQL 的简化版。如果光谈 Spark Driver + Executor 的执行机制肯定不够，还要能画出一个调度层，把多租户隔离、公平队列和 metadata service 融合进去。面试官会追问如果 executor 节点挂了怎么办，或者查询结果要怎么缓存出来给用户低延迟展示。
另一道题考的是 Delta Lake Metadata Service。这题就是在考 Databricks 的护城河。要求你设计一个服务来追踪 schema 演化、事务日志和version control。重点是要体现 ACID 语义，以及 append-only log + snapshot + checkpoint 的组合拳。如果你只停留在“我用 MySQL 存 metadata 就好”这种答案，那基本上会被面试官摇头。更好的回答是能谈到如何处理并发写入冲突、如何做 schema evolution，以及怎么降低 transaction log 读取成本。
还有一道印象很深的题是设计一个 ML Model Serving Platform。Databricks MLflow 本来就是行业内的标配，所以他们就会考你如何支持大规模模型部署。题目要求既能做 batch inference，又要支持 real-time inference，还要有版本管理和 A/B 测试能力。这里如果你能讲到 API Gateway、模型加载和缓存、GPU/CPU 资源调度、metrics 上报与监控，再顺带提一下如何做自动回滚，基本就能拿下面试官的认可。
第四道题其实比较偏平台侧：设计一个 Job Orchestration Service for ETL Pipelines。Databricks 的调度器和 Airflow 类似，考点就在于 DAG 的执行、任务依赖、失败重试和补偿机制。面试官会让你描述 scheduler 如何存储状态、如何处理长时间运行的作业、以及如何避免单点瓶颈。如果你能结合 checkpoint、幂等性和并发调度策略来讲，答案就会很有说服力。