我走过 OpenAI data scientist 的面试 loop，岗位是某个 applied team 的 DS。分享拆解，因为不同公司 DS 面试差别很大，而且我找不到 OpenAI 的具体信息。
Phone screen（recruiter，30 分钟）： 标准流程。为什么想去 OpenAI、背景概览、时间安排。他们还问我更偏好的 DS 工作类型（inference/stats、ML modeling，或者 analytics/insight）。感觉是真问题，不是套路。
Technical screen（1 小时，跟一个 data scientist）： 两部分。
前半：SQL 题。他们给了一个 schema（简化的 events 表和 users 表），让我算 7-day retention，然后改成 30 天的 cohort retention。从 7-day 跳到 30-day cohort 需要窗口函数。他们会看你在跑之前怎么组织 query，不只是输出对不对。SQL 要干净、可读。
后半：stats/probability。一道条件概率题（不是教科书式 Bayes，更偏实战，比如怎么解读 A/B test 结果）。然后讨论如果要检测 time series 的 regime change，我会怎么做。这里不写代码，只是讲思路。
Onsite（4 轮，线上）：
第 1 轮：case study。他们描述一个假设的 OpenAI 产品指标下滑：'Monthly active API users dropped 12% MoM. Walk us through how you'd diagnose this.' 经典诊断 case，但会挖得很深：拆解、假设、要拉哪些数据、怎么区分相关和因果。大概 60 分钟。
第 2 轮：ML 概念 + 建模。讲一个你端到端做过的模型：feature engineering、训练方法、评估指标怎么选、怎么处理 class imbalance 或 distribution shift。我讲的是 churn prediction。追问很尖：'why did you pick F1 over AUC-ROC for this,' 'what would you do differently if you had 10x the data.'
第 3 轮：Python coding。不是 LC 风格。更像：给你一份数据集（他们共享了一个类似 CSV 的结构），写代码算 X 并画趋势图。Pandas 熟练很重要，也会看你怎么处理边界情况。
第 4 轮：behavioral。跟 SWE behavioral 类似，偏 values、在 ambiguity 下的判断。
总体难度：大概相当于中档 big tech 的 DS loop。SQL 和 stats 部分不简单，但算公平。case study 更看结构化思考，而不是背 trivia。如果你做过扎实的 DS 面试准备（尤其 case/diagnostic），基本能顶住。