去年春天在 Tesla onsite 之后被拒了。recruiter 给的反馈很泛。接下来三周我照老习惯：复盘大概率发生了什么，然后想如果重来我会怎么做。
背景：Senior SWE，14 年后端和分布式系统经验，面的是 Autopilot data pipeline 相关岗位。
我认为每一轮哪里出了问题：
Coding（LeetCode 风格，2 轮）：我当时觉得还行。一道图题，一道堆相关的题。都做出来了。现在回头看，我的解法应该是对的，但我推出来的速度慢。Tesla 的 coding 标准看起来是「对，而且要快」。对 senior 来说，速度比我想的更重要。
System design：我觉得我就是在这轮崩的。题目很模糊：设计一个系统，在规模化场景下处理和存储来自车辆的 telemetry 数据。我在分布式队列架构上讲太深了，Kafka 风格、分区策略、consumer groups，大部分 45 分钟都耗在这。面试官问了好几次关于车端处理和 edge 限制的问题，而我明显没把这点当重点。我在回家路上才意识到：真正的设计题一半是「上云前在车上处理什么」，另一半才是「云上怎么做」。这是 Tesla 特有的软硬件权衡，而我太 cloud-native 了。
Behavioral：感觉还行。问了 scope、模糊性、和 manager 的分歧。我都有故事。可能不够「Tesla 味」（我举的例子偏大厂流程，他们可能不这么干）。
如果重来我会改： system design 前先研究 Tesla 的具体技术约束。edge/cloud 权衡几乎是他们所有东西的核心。 coding 轮更快。计时练，不只追求正确。 behavioral 的故事用速度、约束、和「能扛事」来框，而不是流程和共识。
还是很不爽。但确实让我更锋利了。