终于在 2026 Q1 走完了一次 Uber data engineer loop，目标是 senior DE（大概相当于他们数据岗的 L5）。按 DE track 写一下，因为大多数帖子都在讲 SWE。
流程结构： 我面的是 senior DE，总共四轮：Coding（Python/SQL）、数据系统设计、数据建模、behavioral。
Coding 轮： 给的是一道 Python 题，不是 SQL，这点挺意外。题目是高效处理和转换 log 数据。大概是：给你一条 record 流，按时间桶做聚合，并处理一些晚到数据的边界情况。晚到数据的处理也被追问了，结合他们规模，这很合理。
SQL 是以另一种方式出现的：在数据建模那轮，他们让我基于刚刚设计的 schema 写一个 query。所以它不是纯 SQL 轮，而是嵌在建模题里。
数据系统设计： 这是最重的一轮。prompt 大概是搭一个 pipeline：摄取 ride events，做转换，然后提供给 analytics 和近实时 dashboard。我需要设计 ingestion 层、存储层和 serving 层。
Kafka 也聊到了（他们内部用得很重）。他们追问 exactly-once semantics，这类话题永远很有趣。还问了 schema evolution，以及怎么处理 breaking changes。我提了 Protobuf + schema registry。面试官在这块聊得很深。
Spark vs Flink 的取舍也聊到了。我主张 streaming 路径用 Flink，batch 历史回填用 Spark。他们看起来认同，但追问了同时跑两套系统的运维复杂度。
数据建模轮： 维度表、事实表、慢变维。很经典的内容，但在 senior 级别他们要的是细腻度：什么时候用 SCD Type 2，什么时候只要 append-only logs？怎么在规模下做 schema migration？
我希望自己多准备的：分布式系统里的 exactly-once 保证，以及数据 contract/schema evolution 这一块。这两部分被问到了，但我当时没有我想要的那么锋利。