几个月前我完成了 Plaid data engineering loop，面的是 senior 的 DE 岗位。分享一下，因为 data eng 面试在不同公司差异太大了，我有两周都在准备错方向。
真实形式是：一轮 OA（偏 SQL）、一轮 live coding、一轮聚焦 data pipelines 的 system design、一轮 behavioral。加上 recruiter screen 一共五步。
OA SQL：比我预期难。不只是 join 和 group by。有一道题涉及带 partition 的 window function，另一道基本是递归 CTE，或者用 LAG/LEAD 的创意解法来做 gap-and-island 类问题。如果你一直对高级 SQL 偷懒，投递前最好补起来。我觉得按 SQL 的 LeetCode 来对标的话，OA 大概是 medium-hard。
Live coding：Python。一个数据处理题。给你一个类似 dataset 的结构，让你做 transform、处理 edge case，然后再针对更大输入做优化。感觉像真实的数据任务，不是纯算法题。懂 pandas 会加分，但他们也允许你只用纯 Python。
System design（最重要的一轮）：设计一个金融数据 pipeline。背景非常 Plaid：想象你要大规模接入来自 bank connections 的实时交易数据，把不一致的银行返回格式做规范化，然后可靠地提供给下游应用。架构会长什么样？
我讲了：ingestion 层（用 Kafka 做 streaming）、normalization service（schema registry、处理缺失字段）、存储（data lake + 最近交易的热缓存）、失败 ingestion 的 retry logic、observability。面试官对「what happens when a bank returns malformed data（当银行返回格式错误的数据时会发生什么）」和「how do you handle schema drift over time.（你会如何处理随时间发生的 schema drift）」追问很狠。
金融数据补充：他们很在意可审计性。每一次 pipeline 的变更都要可追溯。我提了 immutable event logs，这点反馈很好。
总流程：从开始到结束大概 5 周。不算特别快，但也不慢。沟通挺顺畅。
senior DE 在 SF 的 comp：我拿到的 offer 大概 $220-240k TC，偏工资为主，跟纯 SWE 岗相比 equity 比较少。建议一定要问清楚 equity vesting schedule。