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。
TikTok 的 2027 Summer Intern 技术面试一共两轮，都是技术向的，且通常由同一个组的面试官主导。虽然很多人会以为在 TikTok 面华人面试官可以直接说中文，但实际情况并非如此，很多时候两轮都是全程英文交流。整个面试流程基本固定：用 Lark 视频会议，代码在 Hackerrank 上写，每轮大约 45 分钟，前 20 分钟主要是聊项目和简历，后半段写一道题，有时会有 follow-up，最后几分钟再问一些开放性问题。整体节奏比较自然，不像北美大厂那样完全结构化，但技术深度不低。以下是真实经历分享（已offer）。
第一轮一上来是经典的 Tell me the project you are most proud of，面试官从项目细节一路深挖到底，问得非常细，从架构设计、性能优化到算法复杂度都涉及到了。可以感觉到 TikTok 的面试风格和其他大厂不同，他们很在意候选人对自己写过的系统是否真的理解，而不是背一堆 buzzwords。算法题部分是权重随机选择题，给定一个数组 w 表示权重，实现 pickIndex()，要求返回的下标按照权重比例随机选取。标准思路是先对权重做前缀和，然后在 [1, total] 范围内生成随机数，再用二分查找确定随机数落在哪个区间，对应的下标就是答案。这道题考察的其实是思维清晰度和实现能力，而不是复杂算法。写完后面试官没有深入追问 follow-up，看得出他更关注 candidate 的项目经验。剩下十分钟反而问了几个关于 AI infra 的问题，比如模型推理延迟、分布式缓存、特征管线等话题，对方聊得很深入，气氛也挺轻松。
第二轮开始得更快，对方没有再重复问简历，而是从业务层面闲聊起，刚好研究方向有些重合，所以前半段更多是交流式的探讨。算法题换成了一个偏系统设计方向的问题：实现一个日志存储系统，支持 put(id, timestamp) 存储日志，以及 retrieve(start, end, granularity) 按时间范围和粒度查询日志。思路上可以用字符串前缀匹配或者时间分桶，把日志按粒度分类存储，再用二分查找定位区间。代码部分不难，但面试官的 follow-up 把题目一下子拉到真实系统层面，他问如果这是生产级别的 infra，要怎么水平扩展。这个问题实际上在考分布式系统思维，比如如何做分片存储、如何按照时间或 ID 进行 partitioning、如何在多个节点之间保持一致性，以及如何提升查询效率。聊到了 Kafka、HBase、ClickHouse 这些真实世界的实现方式，从一个算法题一路延伸到生产架构的讨论。面试官明显对这些话题非常感兴趣，最后五分钟从日志检索聊到流式分析，整个过程很顺畅。
很多人会把这种面试里出现的开放性问题或项目追问称为八股文，但实际上 TikTok 的问题并不是那种死记硬背式的模板化提问。他们更看重候选人对基础概念和系统原理的理解，比如时间复杂度为什么是 log n、分布式检索的索引怎么设计、延迟瓶颈如何优化。这类问题确实属于 computer science fundamentals，但它们不会以让你背出定义的方式出现，而是让你在一个具体的工程情境中去推理。也正因为如此，TikTok 的面试整体节奏看起来轻松，但实际上信息密度极高，非常考察思维深度。
总体来说，TikTok 的 intern 技术面更像一场真实的工程对话，不是考试。建议准备的时候，一方面要能非常熟练地讲自己的项目，不只是做了什么，更要能解释为什么这么做；另一方面要准备好面对系统层面的扩展问题，即使题目是算法题，也随时可能被引导到分布式架构、数据一致性或性能优化的讨论。TikTok 的面试官普遍不喜欢八股式的套话，他们希望看到的是能独立思考、有清晰逻辑的候选人。