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。
这是微软 SDE intern 面试的复盘。总共有两轮，每轮 45 分钟，中间休息 15 分钟。两轮的结构大致类似，开头十五分钟是行为问题，中间二十分钟做题，最后五分钟是自由提问。不过和 Amazon 不同，微软的流程没有那么死板，面试官之间差别很大。有的会直接跳过行为问题直接进入代码题，有的则喜欢在代码题里加很多 follow up。整体感觉行为问题不会像亚麻那样“拷打”，主要是简单了解你在团队协作、解决问题方面的经验，所以准备几段 STAR 框架的故事就足够，也不会要求技术上的深挖。
第一轮面试的题目背景是 Azure 存储服务，面试官要求实现一个简化的 Key-Value Store。系统需要支持 put、get 以及 getWithPrefix 操作。我的思路是先用 HashMap 来完成 put 和 get，这样最直观，但是 getWithPrefix 的时候需要遍历所有 key，时间复杂度是 O(n)，在大规模场景下不够高效。
于是我进一步提出用 Trie 结构或者有序的 TreeMap 来存储 key，这样前缀查询就能更快完成。面试官比较在意我是否能从基本实现逐步扩展到可扩展性设计，于是我们讨论了如果数据量非常大，如何在分布式环境下存储，如何分片，怎么处理一致性，甚至如何在高频访问的场景下做缓存优化。
代码实现到一个基础版本就停下来，没有真正跑测试，而是进入了关于设计和扩展性的问答。
第二轮面试的题目背景则和 Bing 或 Teams 的场景更相关，要求实现一个简化的 Rate Limiter。函数接口是 allowRequest(userId, timestamp)，如果用户在某个时间窗口内的请求数超过阈值，就拒绝请求返回 false，否则返回 true。