刚结束 Morgan Stanley data engineer 的完整流程，面的是他们 enterprise data platform 组的 VP 级别 DE。趁记忆还新鲜分享一下，因为我准备时完全找不到靠谱的细节。
总共四轮： Recruiter screen（30 分钟，常规） 技术 SQL 和数据建模（60 分钟，一位面试官） 数据 pipeline 设计 / 架构（60 分钟，senior engineer 面试官） Behavioral（30 分钟，hiring manager）
没有传统意义上的 DSA live coding。这不是 LeetCode 重的 loop。非常聚焦 data engineering 这件事本身。
SQL 轮：
是真 SQL，不是伪代码。在共享编辑器里做。题目包括： 复杂 window functions（running totals、分区内 rank、做时间序列分析的 lag/lead） 多表 join 题，schema 像 trade history + account data。schema 会给。 一题问 query 性能：给你一个慢 query，你怎么诊断和修。想听到：看 query plan，看 indexes，考虑对大型时间序列表做 partitioning。
SQL 题比我在其他地方遇到的大多数 SQL 面试题都难。他们默认你是真的在用 SQL，不是只知道 SELECT 是什么。
Pipeline design 轮：
题目：设计一个 pipeline，摄入实时 market data，加工后用于下游 risk 计算，并以一种既支持历史查询又支持实时 dashboard 的方式存储。
他们想听到很具体的点：摄入用 Kafka vs 其他方案，batch vs streaming 处理（Spark、Flink 或类似），存储层选择（为什么 analytics 用 columnar），以及延迟 SLA。他们也会追问数据质量：消息乱序或重复怎么办。
金融领域在这里很关键。他们会追问「what happens if you miss a tick（如果你漏掉了一个 tick，会发生什么？）」，答案不是「晚点重试」，而是「我们怎么检测缺口，怎么 backfill，怎么告警」。
他们看起来熟悉的工具： Kafka、Spark、dbt、Snowflake，还有一些内部自研系统，他们提了名字但我没听过。