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。
Screen 是一小时，没有寒暄，没有聊简历，直接进入写题环节。整场面试只有一道题。开始时 candidate 先讲了自己对题目的理解以及整体思路，确认对齐之后开始 implementation。平台已经提供好 test cases，不需要自己写测试代码。实现过程比较顺利，代码通过了所有 tests，而且时间上还剩下大约半小时。
这个时候 interviewer 并没有结束，而是对场景做了调整，让 candidate 重新思考有没有 time complexity 更优的写法。于是 candidate 又在原有解法基础上重新设计并实现了一个 optimized version。写完之后还有一些 follow-up，主要围绕 edge cases、complexity analysis，以及如果数据规模进一步扩大应该如何处理。整体来看，Screen 虽然只有一道题，但考察方式很立体。不是简单刷题，而是从 correctness 到 optimization，再到思维延展，层层递进。核心在于是否能够在一个 problem 上持续深入。
Virtual onsite 总共三轮，分别是 Coding、System Design 和 Project Deep Dive。三轮风格差异很大，但共同点是都偏重真实 engineering 能力，而不是纯 algorithm 技巧。
Coding 这一轮也是一小时，但明显比 Screen 更偏向 engineering 能力。题目是设计一个订单撮合簿（Order Book），要求支持 high-frequency 插入、删除，以及按 price 排序查询。也就是说，这不是单纯的 LC 题，而是一个带有明确 business background 的 data structure 设计问题。
实现层面必须保证 algorithm correctness，比如如何在 O(log n) 或更优 time complexity 下完成操作。但真正拉开差距的是后面的 follow-up。interviewer 围绕 production environment 展开了大量追问，例如在 high concurrency 场景下如何优化、data structure 如何支持 horizontal scalability、如何做 code refactoring 以支持更多 order types、如何抽象 interface 以提高 extensibility。