上个月刚结束 Stripe data engineering loop，面的是 senior DE 岗。想写一下，因为 Stripe 的 data eng 面试内容几乎不存在，我只能从 SWE 和 DS 的帖子里拼。
简版结论：比我预期难，更偏工程导向。SQL 重要，但不是主角。
流程长什么样：
Recruiter screen、technical phone screen，然后 4 轮 onsite。
Phone screen：SQL。他们给我一个 schema（像 transactions、merchants、events 这些表，感觉是内部 Stripe schema 的简化版），让我写越来越复杂的 query。我遇到 window function、一题 CTE 很重的 attribution、还有一题识别 event 数据异常。中高难。如果你只会基础聚合，得补课。
Onsite 轮次： 数据建模： 为一个新功能设计 schema。我拿到的是：设计一个支持 merchant 级别 payout timing 报表的数据模型。聊了很多 analytics 场景下 normalization vs. denormalization。他们会追问 slowly-changing dimension、分区策略、以及你怎么做 schema evolution 又不把下游 consumer 弄挂。 Pipeline 设计： 搭一个 pipeline 摄入原始 transaction events，做转换，然后产出 reconciliation 报表。不是「what tools would you use（你会用什么工具）」（你会用什么工具）这种，而是深挖正确性保证。怎么处理 late-arriving data？你怎么知道 pipeline 完整了？重试长什么样？这轮感觉就是 SWE 的 system design，只是换到数据基础设施。 Coding： Python。一题解析并转换结构化日志格式的问题。形式跟 SWE 的 coding 轮类似，算法深度轻一点，但更看重实现是否干净。 Values： 和其他岗位一样的价值观/behavioral 轮。准备好真实故事。
我会对准备的人说： Stripe 更在意数据正确性，不是数据量。问题不是「how do you process a petabyte（你怎么处理一个 PB）」（怎么处理一个 PB），而是「how do you know your numbers are right.（你怎么知道你的数字是对的。）」（你怎么知道你的数字是对的。）这就是 fintech 的取向。每个 pipeline 设计题背后都默认有一条「what if this is wrong（如果这错了怎么办）」（如果这错了怎么办）主线在跑。
他们问到的工具：Spark、Airflow、dbt。熟悉是预期，深耕一两个就够。
我拿到了 debrief，但没有 offer。反馈是我的 pipeline 设计轮很强，但在数据建模里的 schema evolution 问题上丢了分。合理。