上个月刚结束 MongoDB data engineer 的面试 loop，岗位是在他们内部 data platform 团队。分享下完整拆解，因为 DE 方向的流程网上几乎没什么资料。
先说最重要的一点：这套 loop 跟 DS 或 SWE 的 track 真的不一样。有重叠，但侧重点不同。
Phone screen with HM： 30 分钟。他们关心两件事：我是不是真的搭建并运营过 pipelines（不是只在 data science workflow 里用过 dbt 或 Spark），以及我是否理解 MongoDB 的 data model。你不需要是 MongoDB 专家，但知道 document model vs relational 的差异，以及知道 Atlas 是什么，是基本门槛。
Technical round 1：SQL 和 pipeline 架构。 60 分钟。SQL 强度很高：复杂 CTE、window functions、增量加载模式。有一道题专门问怎么在 MongoDB change streams 之上构建 incremental pipeline，这显然是他们的主场。我需要画出我会怎么在 Atlas 上设计 bronze/silver/gold 的 Medallion 架构。这个概念要懂。
Technical round 2：Live coding。 以 Python 为主。他们给了个 data transformation 题：把一个嵌套 JSON 结构（document model！）按规则 flatten，并处理各种 edge case。难度不算高，但要小心边界情况。他们明确说更在意代码质量和错误处理，不是只看对不对。
Systems design for DE： 更像 data architecture 讨论，不是传统的 system design 轮。我们聊了一个场景：「You need to build a reporting layer that serves both real-time dashboards and daily batch jobs off the same MongoDB Atlas source. How do you approach this? (你需要基于同一个 MongoDB Atlas 数据源搭建一个报表层，同时支持实时看板和每日批处理任务。你会怎么做？)」提到了 CQRS pattern，也提到了 materialized views 和 read replicas。要知道 streaming 和 batch 的 trade-off。
Behavioral： 一轮，45 分钟。聚焦 data quality 事故、stakeholder 信任、跨团队协作。标准 STAR。
mid-level DE offer 的 comp（NYC，2026）：base $155k，RSUs 4 年 vest，bonus 目标大概 12%。最后我没去（level 对不上），但这个 pay 对这个 level 算合理。
如果你是 DE 方向：一定要把 document model 这个角度讲透。让他们看到你理解为什么在 MongoDB 上做 pipelines 跟 Postgres 或 Snowflake 不一样，以及这对 schema evolution、array 处理、嵌套文档转换意味着什么。