我走完了 IBM 的 data engineer loop，面的是 IBM Cloud 某个数据平台团队的 senior DE 岗。分享一下，因为 DE loop 和 DS loop 在一些点上差异很大，职位描述里不太看得出来。
流程长这样： recruiter screen（30 分钟） 和团队里的一个 DE 做 technical phone screen（45 分钟，主要 SQL 加一道系统题） take-home：设计一个数据摄取 pipeline（48 小时，交付形式是 design doc，不是代码） final round：两位 engineer 加一位 manager 的 panel（总共 2.5 小时）
SQL 部分： 比你想象中更偏分析型 SQL，哪怕这是个「pipeline」岗。问了 window functions、如何处理 slowly changing dimensions（特别是 SCD Type 2），还有一道题是写 query 去检测重复记录，要求用基于 business key 的去重策略。这就是经典的「给你一坨很脏的数据源，把它洗干净」的问题。
pipeline 设计 / systems： IBM 的场景非常 enterprise，所以「pipeline」经常指从 mainframe、legacy COBOL 输出文件、或者 SAP 做 ELT。我的 take-home prompt 是从本地 on-prem Oracle 数据库 ingest 到云数据仓库。他们想看：增量加载策略、schema 演进处理、错误恢复、可观测性。
如果你的 pipeline 经验全是 cloud-native 的 kafka/spark，你也能答，但得做一层「翻译」。答案的灵魂是一样的（幂等、at-least-once vs. exactly-once 交付、监控），只是工具不同。
他们提到的 tech stack： 聊天里提到了 IBM DataStage，还有 IBM Data Fabric。至少概念上知道这些名字会有帮助。我没用过 DataStage，但我解释了它大概对应我用 Airflow/dbt 做过的东西，他们也能接受。
final panel behavioral： 跟 IBM 其他岗位的主题差不多：stakeholder 管理、处理模糊、你失败过的一次经历和学到了什么。要有真实故事。我拿到的 DE 专属 behavioral 问题是：「tell me about a time a data pipeline you built caused a downstream problem for a business team. how did you handle it.」典型的凌晨 3 点事故场景。提前准备一个故事。