如果你正在准备 LinkedIn 的数据科学家面试,先把一句话记在心里:这家公司招的不是只会写 SQL 的人,也不是只会讲产品故事的人,而是在同一个面试里既能把一张漏斗表算对、又能说清楚这个数字为什么值得产品团队在乎的人。LinkedIn 的 Data Scientist 岗位以产品数据科学为主,面试全程围绕三件事转:SQL 和数据处理是否扎实,统计与实验设计是否经得起追问,产品感觉是否能落到指标和决策上。任何一环明显短板,都可能在 onsite 被放大。
这篇文章是站内数据科学家面经系列的第 12 篇。前面已经写过 Google、Meta、Amazon、Netflix、Apple、Microsoft、Nvidia、OpenAI、Tesla、Uber、Airbnb,LinkedIn 这一篇保持同样的结构和篇幅,但内容只讲 LinkedIn。需要先说清楚来源边界:LinkedIn 官方没有公布题库,本文的流程、题型和例题思路来自 Glassdoor、Reddit、Blind、LeetCode 讨论区以及 DataInterview、PracHub、Codemia、SQLPad 等公开面经整理站的候选人分享,属于公开分享、未经官方证实。不同团队、不同级别、不同年份的流程会有出入,个别细节以 recruiter 在当轮沟通中给出的安排为准。本文不编造面试官姓名、具体面试日期和所谓必考原题,凡是找不到来源支撑的细节,都会直接注明因人而异、未经证实。
读完这篇,你应该能回答这几个问题:LinkedIn DS 的两条赛道有什么区别,简历怎么写才容易过筛,每一轮面试到底考什么、每轮多长、通过标准是什么,SQL、统计和产品案例分别要练到什么程度,onsite 最容易挂在哪一轮,以及从开始准备到拿到 offer 大概要多久、薪水怎么谈。
先说结论:LinkedIn DS 到底在招什么样的人
LinkedIn 的 Data Science 团队在官方招聘描述里的定位很直白:用大数据支撑业务决策,提供数据驱动的洞察、指标和工具,推动会员参与度、业务增长和变现。这句话拆开就是三项日常工作:定义和维护指标,跑实验并给出 ship 或者不 ship 的建议,以及把分析结果讲给产品、工程和业务方听,让他们真的按你的结论行动。
和很多公司把 DS 岗位分成算法岗和产品岗一样,LinkedIn 的 DS 面试在公开面经里也常常被分成两条赛道:Analytics,也就是产品分析方向;Algorithm,也就是机器学习方向。Analytics 方向重 SQL、实验设计和产品指标,是绝大多数候选人会遇到的主线;Algorithm 方向会在此基础上更深入地考机器学习建模、特征工程和模型评估。同一轮面试里,Analytics 候选人可能花更多时间在漏斗归因和指标定义上,Algorithm 候选人则可能被要求现场设计一个预测模型,比如预测某个会员是否正在找工作,特征怎么选、标签从哪里来、用什么指标评估。投递之前先看清楚岗位描述里写的是哪条线,别用错准备策略。
级别上,LinkedIn 的 DS 从初级到 Staff、Principal 都有。初级岗位更看重 SQL、基础统计和学习能力,面试里产品案例的比重相对小一些;Senior 及以上会明显加重产品影响力、跨团队协作和建模深度,Staff 级别还会单独考 end-to-end 的 ownership,比如从零设计一个特征、验证一个不平衡分类器,或者主导一个跨国家、跨产品的分析项目。公开面经里有一位 Staff DS 候选人的分享很典型:HR 先聊 ML 方向,技术电面考 SQL、Python 和产品案例,onsite 再考统计与 AB test 的替代方案、建模和行为面试,重点是候选人能不能对业务结果负责,而不只是把模型跑通。
工作地点以 Sunnyvale 总部为主,纽约、旧金山等地也有团队,混合办公是常见安排,公开资料提到 Sunnyvale 团队通常每周三天在办公室。这一点在 team match 阶段值得主动问清楚,因为不同团队的在办公室要求和协作节奏并不完全一样。
岗位画像:Product DS 为主,常见方向有哪些
LinkedIn 的产品数据科学覆盖的面很广,但公开面经和招聘信息里反复出现的方向大致可以归为几类。先说 Feed,也就是首页信息流。Feed 团队关心的是会员每天看到什么、点什么、停留多久,DS 要定义 feed 的健康度指标,评估排序算法改动的影响,处理创作者和阅读者两边的利益。面试里经常出现的 Feed 相关案例包括:把首页从展示全部内容改成只展示最相关内容,怎么设计实验和衡量成功;Feed 参与度掉了 5%,怎么归因。
Jobs 方向是 LinkedIn 的另一块核心业务,也是面试高频区。Jobs 是一个双边市场:求职者想找到合适的工作,招聘方想收到合格的申请。任何改动都可能让一边受益、另一边受损。DS 在这里要跟踪从职位浏览、点击申请、开始申请到提交申请的完整漏斗,区分曝光问题、匹配问题还是申请流程本身的问题。公开面经里出现过不止一次的题目就是求职申请量突然下跌,让你系统性地诊断原因。
Growth 方向关注会员增长、留存和激活,比如新会员注册后第 7 天、第 30 天还回不回来,哪些行为最能预测长期留存,邀请和推荐功能到底带来了多少真实增长。Ads 方向则面向 B2B 客户,关心广告投放效果、点击率、转化率和客户留存,面试里出现过如何改进 LinkedIn 广告、如何为新上线的 B2B 产品搭建指标体系这类题目。Messaging、Profile、People You May Know(PYMK)、Premium、Learning 等方向也都有 DS 团队,但公开面经里出现的频率低于前面几类,准备时可以按自己投递的具体团队有所侧重,不必面面俱到。
还有一个 LinkedIn 独有的特点值得单独提:网络效应。LinkedIn 是一个职业社交网络,一个会员的行为会通过人际关系影响到他的联系人。改动 Feed 排序不只影响阅读者,还会影响内容创作者的曝光;改动 PYMK 不只影响被推荐的人,还会影响整个网络的连接密度。面试官很喜欢在产品案例里追问这一点:你的指标有没有考虑到另一边的人,你的实验随机化单位选在会员层面会不会被网络效应污染。能主动提到网络效应和溢出效应,是 LinkedIn 产品案例里很加分的细节。
技术栈方面,SQL 是硬通货,Python 或者 R 至少要熟练一种。公开面经里提到的大数据工具包括 Hadoop 和 Spark,内部实验平台在公开整理资料里被提到叫 XLNT,候选人入职后会在上面跑实验、拉 session 级别的参与度指标。面试时不会要求你会用 XLNT,但如果你在简历或面试里能自然地提到自己用过类似的内部实验平台,或者理解实验平台应该提供哪些能力,面试官会觉得你上手更快。
完整流程一览:从投递到 offer 要走几步
综合 Glassdoor、DataInterview、OphyAI、DataFord 等公开来源,LinkedIn DS 的流程大致是:简历筛选,recruiter 电话,技术电面一到两轮,virtual onsite 四到六轮,team match,offer。端到端通常需要 4 到 8 周,Glassdoor 上 DS 岗位的候选人反馈平均约 26 天,Senior DS 约 29 天,但这只是基于几十份用户提交数据的平均值,实际时间受团队排期、面试官档期和候选人自己的时间安排影响很大,有人 3 周走完,也有人拖到 8 周。
下面这张表是按公开面经整理的常见版本,具体轮次和顺序因团队而异,请以 recruiter 的实际安排为准。
- 简历筛选:recruiter 或 hiring manager 按岗位描述筛关键词和项目经历,通常 1 到 2 周内有回复,没有回复不一定是被拒,可能是岗位冻结或内部转岗优先。
- Recruiter 电话:20 到 30 分钟,聊背景、动机、薪水期望和时间线,顺带确认身份和工作地点,不考技术。
- 技术电面:45 到 60 分钟,通常一轮,有时两轮,SQL 加统计,或者 SQL 加产品案例,CoderPad 上现场写。
- Hiring manager 面:有些流程会把这一轮放在电面之后、onsite 之前,45 分钟左右,产品案例加行为问题,判断你和团队方向是否匹配。
- Virtual onsite:4 到 6 轮,每轮 45 到 60 分钟,一般安排在同一天,大约 5 到 6 小时,中间有休息。包括 SQL、统计与实验设计、产品案例、建模,以及行为面试。
- Team match:onsite 通过后,和具体团队的负责人再聊,确认方向、项目和工作方式是否合拍。
- Offer:onsite 后通常 1 到 2 周出结果,谈薪水、股票、入职时间,背景调查后发正式 offer。
Glassdoor 上 LinkedIn DS 面试的难度评分大约是 2.8 到 3.0(满分 5 分),正面体验比例约 40% 到 51%,不同统计口径略有差异。数字本身不用过度解读,但它传递了一个信号:LinkedIn 的面试难度在同级别大厂里属于中等,不像某些公司那样以难题压人,但产品案例和统计追问的深度足以筛掉准备不充分的人。很多候选人的反馈是面试官友好、愿意给提示,真正难的是在规定时间里把思路讲完整。
简历筛选:写什么才容易被捞起来
简历筛选是整个流程里最不透明的一环,也是最容易被低估的一环。LinkedIn 的 recruiter 每天要看大量简历,DS 岗位的筛选标准在公开招聘信息里写得很清楚:SQL 和大数据处理能力、统计和实验设计基础、Python 或 R、机器学习基础,以及把分析转化成业务决策的经验。简历上如果只有课程名称和工具列表,没有业务结果,很容易被淹没。
最有效的写法是每个项目都写清楚四件事:业务问题是什么,你用了什么数据和方法,你的结论改变了什么决策,以及结果能量化就量化。比如不要只写用 SQL 分析用户行为,要写清楚你分析的是哪个漏斗、发现了哪一步流失最严重、建议改了什么、改完之后转化率变化了多少。数字不一定要很大,但一定要真实、可解释,面试里 recruiter 和 hiring manager 很可能会顺着简历上的数字追问细节。
针对 LinkedIn 的岗位描述做定制也很重要。投 Feed 团队就突出推荐、排序、内容参与度相关的项目;投 Jobs 团队就突出双边市场、漏斗、匹配效率;投 Ads 就突出投放效果、归因和客户留存。同一份简历海投所有团队,效果不如针对两三个目标方向各做一版微调。简历里最好出现 LinkedIn 业务场景里高频的词:retention、funnel、engagement、experiment、metric、causal inference,但前提是你真的做过相关工作,面试里会被追问。
学历方面,LinkedIn DS 岗位的招聘信息通常要求本科以上,统计、计算机、数学、经济学等相关专业常见,但没有硬性规定必须是 CS 学位。公开面经里有不少非 CS 背景的候选人拿到面试,关键在于简历能不能证明你具备岗位要求的 SQL、统计和产品分析能力。如果你是转行候选人,简历上要有一到两个能讲清楚的完整项目,从数据清洗、分析到结论和业务影响全流程走一遍,比罗列十门网课更有说服力。内推在这一阶段确实有帮助,详见文末 FAQ。
Recruiter 电话:20 到 30 分钟,别轻敌
Recruiter 电话通常 20 到 30 分钟,不考技术,但它决定了你能不能进入技术电面,以及你的级别定位和薪水锚点。常见问题包括:自我介绍、为什么想加入 LinkedIn、为什么选这个团队、目前的工作内容、什么时候能入职、期望薪水、需不需要 sponsorship。回答要简短、具体,自我介绍控制在两分钟以内,突出和目标岗位最相关的两三个项目。
这一轮最容易踩的坑有两个。第一是薪水期望说得太早、太死。LinkedIn 的 recruiter 通常会问一个范围,你可以先反问这个级别的薪水带宽,或者给一个基于市场数据的宽泛区间,把具体谈判留到 offer 阶段。第二是对岗位一问三不知。如果你连投的是哪个团队、这个团队负责什么产品都说不清楚,recruiter 很难相信你是认真准备过的。电话之前至少花半小时读一遍岗位描述,打开 LinkedIn 的产品页面点一点 Feed、Jobs、PYMK,记下两三个你真实使用过的功能和观察。
Recruiter 电话结束时,记得问清楚接下来几轮的安排:电面是几轮、每轮考什么、有没有 hiring manager 面、onsite 大概几轮、时间线怎么排。这些信息 recruiter 通常愿意提前透露,拿到之后你的准备会更有针对性。如果 recruiter 说电面会考 SQL 和统计,你就把复习重心放在这两块;如果说还有产品案例,就要提前准备指标框架。
技术电面:SQL 与统计的第一道关
技术电面通常 45 到 60 分钟,在 CoderPad 这类在线编辑器上进行,面试官能实时看到你的代码。公开面经里最常见的组合是 SQL 加统计,或者 SQL 加一个小型产品案例。难度以 easy 到 medium 为主,重点不是出难题,而是看你在真实业务场景下能不能把数据问题翻译成正确的查询和正确的统计结论。
SQL 电面通常会给一到两张表,让你现场写查询。常见题型包括:按国家或城市统计视频发布量、计算 DAU、MAU 或者留存率、找重复查看同一 profile 超过 3 次的用户、做漏斗转化、处理重复数据和去重。面试官会关注几个细节:JOIN 的粒度对不对,有没有在 JOIN 之前先 GROUP BY,会不会因为粒度错误导致数字翻倍,时间窗口和去重逻辑是否合理。PracHub 上有一篇 2026 年 1 月的 LinkedIn DS 面经分享就提到,候选人在 Python 环节因为忘了先 GROUP BY 再 JOIN 导致结果出错,虽然最后通过了,但这个细节被面试官明确指出。SQL 部分的详细题型和例题思路见后面的 SQL 深度章节。
统计电面常常和 SQL 放在同一轮,或者单独成轮。常见问法包括:解释 p-value 和置信区间,设计一个 AB test,怎么判断实验结果是否显著,样本量怎么定,什么是辛普森悖论,抽样偏差从哪里来。面试官不满足于背定义,会不断追问:如果 AB test 做不了,还有什么办法评估新功能的效果;如果实验组和对照组的分配不均衡,置信区间还可信吗;如果整体数据和分城市数据结论相反,你信哪一个。这些追问才是真正拉开差距的地方。
电面的通过标准,公开面经里没有统一的官方说法,但从候选人反馈可以总结出三条:SQL 能在规定时间里写出可运行、逻辑正确的查询,允许小幅语法错误但不能方向错误;统计概念能讲清楚、能联系到 LinkedIn 的业务场景,而不是只背教科书定义;沟通清晰,能一边写一边讲思路,遇到卡住的地方能主动说出自己的假设和下一步。电面挂掉的常见原因不是某一道题不会,而是全程沉默、只写代码不解释,或者统计问题只给结论不给推理。
统计与概率电面:AB test 是重中之重
如果说 SQL 是 LinkedIn DS 面试的入场券,统计与实验设计就是决定你能走多远的分水岭。公开面经里反复出现的一句话是:LinkedIn 有一个独立的统计与概率轮次,很多大厂已经把这部分合并到其他轮次里了,LinkedIn 还单独保留。这意味着统计不只是电面的点缀,而是 onsite 的正式一轮,值得投入最多的复习时间。
这一轮通常 45 分钟,覆盖假设检验、AB test 设计、p-value、置信区间、统计功效、样本量计算、辛普森悖论、抽样偏差、因果推断基础。面试官喜欢用 LinkedIn 的真实场景包装这些概念:比如给两个城市、两周的邮件 AB test 数据,整体上看 A 版本赢了,但分城市、分周看 B 版本都赢了,问你到底该信哪一个、问题出在哪里、怎么重新设计实验。这就是经典的辛普森悖论,背后是样本量分配不均衡和混杂因素在作祟。能识别出悖论、说清楚混杂因素、提出重新分层分析或者重新随机化方案的候选人,比只会说辛普森悖论定义的候选人强得多。
另一类高频问法是:如果不能做 AB test,还能不能评估新功能的效果。公开的 Staff DS 面经里就出现过这个问题。标准答案不是说不能,而是给出替代方案:前后对比加控制组,也就是 difference-in-differences;倾向得分匹配;利用自然实验或者分阶段上线;以及事后用回归控制混杂因素。每种方法都要说清楚假设条件和局限性,比如 difference-in-differences 要求平行趋势假设,匹配方法要求可观测的混杂因素都已经被控制住。面试官追问下去,很快就能分辨出你是真的理解因果推断,还是只背了几个名词。
概率题在 LinkedIn 的 DS 面试里也会出现,但比重低于统计和实验。公开面经里提到过一道比较难的概率题:公平硬币连续出现两次正面,期望要抛多少次,用状态转移或者马尔可夫链推导。这类题目更像研究生考试,不必为此投入过多时间,但基础的概率题要熟练:期望、方差、条件概率、贝叶斯公式、常见分布的均值和方差。准备策略是先把 AB test 和假设检验练到能讲清楚、能现场算,再补概率基础。
还有一类容易被忽视的考点:AA test。面试官可能会问什么是 AA test,为什么要跑 AA test。答案是 AA test 是把流量随机分成两组、但两组都跑同一个版本,用来验证实验平台的分流是否均匀、指标计算是否正确、以及在没有真实改动的情况下假阳性率是否在预期范围内。如果 AA test 经常显著,说明分流或者指标口径有问题,AB test 的结果也就不可信。能讲清楚 AA test 的候选人不多,讲清楚了很加分。
产品案例轮:LinkedIn 面试里最能拉开差距的一轮
产品案例轮在 LinkedIn DS 面试里的权重非常高,电面和 onsite 都可能出现。公开面经里的描述很一致:这一轮不考你背了多少公式,考的是你能不能把一个模糊的业务问题拆解成可衡量的指标、可验证的假设和可执行的实验。面试官通常会给一个场景,比如 Feed 参与度下降、求职申请量下跌、PYMK 的效果怎么衡量、Premium 值不值得买,然后让你现场分析。
这一轮的常见结构是 45 分钟做一到两个案例,每个案例 20 分钟左右。面试官先给场景,你先澄清问题,再定义指标,再提出诊断思路或者实验设计,中间不断追问。PracHub 上 2026 年 1 月的那篇面经就是典型:第一个案例是首页到个人主页的流量大幅下降,让你判断是产品 bug、日志问题、用户行为变化还是有意改进;第二个案例是 Feed 从展示全部内容改成只展示最相关内容,怎么衡量成功。面试官在第二个案例里还追问了发布者一侧的担忧:内容只推给更匹配的用户之后,发布者的总曝光会不会下降,怎么向发布者证明他们的参与质量其实提高了。
产品案例轮的通过标准可以总结为四点:结构清晰,先讲框架再讲细节;指标定义准确,能区分北极星指标、主要指标和 guardrail 指标;诊断有层次,从数据验证、切分、外部因素到产品改动,一步一步缩小范围;实验设计完整,包括随机化单位、主要指标、样本量、运行时间、成功标准和风险预案。只会说看数据、做 AB test 的候选人走不远,能把每一步的为什么讲清楚的候选人才能拿到强评价。
Onsite 各轮详解:四到六轮,每轮都在考什么
Onsite 通常是 virtual onsite,四到六轮,每轮 45 到 60 分钟,安排在同一天,总时长大约 5 到 6 小时。不同团队的轮次组合略有差异,但公开面经里最常见的组合是:SQL 现场写,统计与实验设计,产品案例,建模或者机器学习,行为面试。Senior 及以上可能再加一轮 hiring manager 面或者技术沟通轮。
SQL onsite 轮和电面类似,但题量更大、业务场景更复杂。面试官可能给两到三张表,让你在 45 分钟里完成两到三道查询,覆盖 JOIN、窗口函数、条件聚合、去重和漏斗计算。考察点不只是能不能写出来,还包括能不能先说清楚表的粒度和业务定义,再动手写。写之前先问清楚时间窗口、去重口径和指标定义,是 onsite SQL 轮的好习惯,面试官通常会正面回应这些澄清问题。
统计与实验设计 onsite 轮比电面更深。除了 AB test 设计和辛普森悖论,还可能考到样本量不足怎么办、多重比较问题、实验结果显著但业务方不信怎么办、网络效应下随机化单位怎么选。LinkedIn 的社交网络属性让网络效应成为高频追问点:如果随机化单位是会员,一个会员看到新 Feed 排序之后的行为会通过点赞和评论影响到他的联系人,对照组就被污染了。这时候可以讨论的方案包括按社群聚类随机化、按地理区域随机化,或者用实验设计之外的因果推断方法做补充分析。不需要给出完美答案,但要展示出你意识到了这个问题,并且知道有哪些可行的处理思路。
产品案例 onsite 轮通常是最长、最开放的一轮。面试官可能让你完整走一遍某个功能的指标体系设计,或者诊断一个指标异动。这一轮的评分很依赖沟通:你能不能在白板或者共享文档上把框架写清楚,能不能主动和面试官确认假设,能不能在时间不够的时候先给结论、再补细节。时间管理是关键,45 分钟里如果前 10 分钟还在澄清问题,后面就会非常紧张。建议的节奏是:前 3 分钟澄清,接下来 5 分钟给框架,中间 25 分钟展开分析和实验设计,最后留 5 分钟总结和回答追问。
建模轮主要面向 Algorithm 方向或者 Senior 以上候选人,Analytics 方向的候选人也可能遇到轻量版。常见题目包括:预测某个会员是否正在找工作,特征怎么选、标签从哪里来、怎么评估模型效果;逻辑回归是不是回归模型,怎么划分训练集和测试集,AUC 和 ROC 曲线怎么解读,偏差和方差如何权衡。面试官不要求你现场调参,更看重你能不能把业务问题翻译成建模问题,特征工程有没有业务直觉,评估指标选得合不合理,以及能不能说清楚模型的局限性和上线后的监控方案。
行为面试轮通常由 hiring manager 或者跨团队的面试官主持,45 分钟左右,围绕 LinkedIn 的价值观和你的过往经历展开。这一轮的准备方法见后面的行为面试章节。需要提醒的是,行为面试在 LinkedIn 的 onsite 里不是走过场,公开面经里有候选人技术轮都通过了、最后在行为轮被刷掉的反馈。技术能力决定你能不能进 onsite,行为面试和产品感觉往往决定你能不能拿到 offer。
SQL 深度:高频题型方向与三道例题思路
SQL 是 LinkedIn DS 面试里唯一每一轮都可能出现的技能,也是最容易通过刻意练习提分的部分。公开面经里高频出现的题型方向可以归纳为六类:留存与活跃度计算,漏斗转化分析,好友推荐与社交网络相关查询,内容曝光与参与度统计,去重与粒度处理,以及窗口函数和条件聚合。下面给三道有来源支撑的例题思路,注意这不是原题复述,而是按公开面经里出现的业务场景方向整理的练习题,帮你理解面试官的出题逻辑。
第一道:留存与 DAU、MAU。场景是给你一张会员每日活跃日志表,包含会员 ID 和活跃日期,让你计算某个月的 DAU、MAU 以及次日留存率。思路是先按日期去重,DAU 就是每天去重后的会员数,MAU 是当月去重后的会员数,次日留存率是某天活跃的会员里第二天仍然活跃的比例。关键点是去重口径:同一会员同一天多次活跃只能算一次;留存计算要用 self JOIN 或者窗口函数 LEAD 找到下一次活跃日期,再判断间隔是否为 1 天。面试官常追问:如果会员在凌晨和深夜各活跃一次,算一天还是两天;如果时区不同,日期怎么切。这些追问考察的是你对业务定义和数据口径的敏感度。
第二道:求职漏斗转化。场景是给你职位浏览、点击申请、开始申请、提交申请四张或者一张包含行为类型的表,让你计算每一步的转化率,并找出流失最严重的一步。思路是先用条件聚合把每个会员的行为折叠成是否完成每一步,再按步骤计算转化率。写法上可以用 SUM(CASE WHEN action = ‘apply’ THEN 1 ELSE 0 END) 这类条件聚合,或者用 COUNT FILTER。关键点是漏斗的分子分母要对齐:提交申请的转化率分母应该是开始申请的人数,而不是浏览职位的人数;如果直接用浏览人数做分母,会低估后几步的转化率。面试官还可能追问:如果同一个会员对同一职位多次点击,怎么去重;如果申请流程跨天,时间窗口怎么定。
第三道:好友推荐与重复查看。场景是给你一张 profile 浏览记录表,让你找出过去一周内查看同一 profile 超过 3 次的用户。思路是按查看者和被查看者分组,过滤时间窗口在过去 7 天内,再用 HAVING COUNT 大于 3。进阶追问可能包括:如果要找的是互相查看的会员对,怎么写;如果要排除自己查看自己的记录,怎么处理;如果数据量很大,查询怎么优化。公开的练习题库里还有一道类似的题目:找出查看同一 profile 超过 3 次的用户,考察点同样是分组、过滤和 HAVING 的组合使用。这类题目本身不难,难的是在面试压力下不写错分组键、不漏掉时间过滤。
SQL 复习建议:重点练窗口函数,包括 ROW_NUMBER、RANK、LAG、LEAD、SUM OVER;条件聚合;多表 JOIN 时的粒度控制;日期函数和时间窗口处理。练习平台可以用 LeetCode 的 SQL 板块、StrataScratch、DataLemur 等公开资源,练的时候不要只追求写出答案,要养成先说思路、再写代码、最后检查边界情况的习惯。面试时如果一时想不起某个函数的准确语法,可以先写出逻辑、向面试官说明,多数面试官更看重逻辑正确,而不是语法一字不差。
统计深度:AB test、假设检验与辛普森悖论
统计轮的复习可以围绕一张清单展开:假设检验的完整流程,p-value 的正确解释,置信区间的含义和常见误解,第一类错误和第二类错误,统计功效和样本量计算,辛普森悖论,抽样偏差,选择偏差和幸存者偏差,以及因果推断的基础方法。每一项都要能做到用一句话讲清定义,再用一个 LinkedIn 场景举例说明。
p-value 是最常被问、也最容易答错的概念。正确的说法是:在原假设为真的前提下,观察到当前这么极端或者更极端的结果的概率。它不是原假设为真的概率,也不是实验有效的概率。面试官常追问:p-value 小于 0.05 是不是就说明新功能一定有效;如果跑了 20 个指标,有一个显著了,该不该上报。这就引出了多重比较问题:同时检验的指标越多,出现假阳性的概率越高,需要用 Bonferroni 校正或者控制 false discovery rate 的方法处理,或者事先指定唯一的主要指标,其他指标只作为辅助参考。
置信区间的常见误解是把它理解成真实值有 95% 的概率落在这个区间里。更准确的说法是:如果重复抽样很多次,大约 95% 的置信区间会包含真实值。面试官可能会给你一个实验结果,比如转化率提升 2%,95% 置信区间是 0.5% 到 3.5%,问你这个结果能不能上线。答案要结合业务判断:区间下限大于 0 说明统计上显著,但 0.5% 的提升在业务上是否值得上线,还要看开发成本、维护成本和对其他指标的影响。
辛普森悖论在 LinkedIn 面试里的出现频率非常高,值得单独准备。公开面经里有一道 2026 年 7 月的电面题:营销团队对两个邮件版本做了 AB test,分两个城市、两周进行,汇总数据看 A 版本赢了,但分城市、分周看 B 版本都赢了,问你到底哪个版本更好。分析思路是:先检查两个版本的样本量分配是不是均衡,是不是某个城市、某一周的样本量特别大,主导了汇总结果;再检查有没有混杂因素,比如两个城市的用户构成不同、某一周有节假日或者产品改动;然后做分层分析,看每个城市、每一周的结论是否一致;最后决定是否需要重新设计实验,保证随机化在每个分层内都均衡。回答时不要只说这是辛普森悖论,要展示出完整的排查链条。
抽样偏差和选择偏差也是高频考点。比如用 LinkedIn 上主动填写问卷的会员来推断全体会员的满意度,样本就存在选择偏差,因为愿意填问卷的人和不愿意填的人在行为上可能系统性不同。再比如只看 Premium 会员的求职成功率来评价 Premium 的价值,会混淆选择效应和因果效应:买 Premium 的人本身求职意愿更强、资历更好,即使没有 Premium 也可能更容易找到工作。面试官希望你能识别出这些偏差,并提出纠正方法,比如随机抽样、分层抽样、加权调整,或者用实验代替观察性分析。
样本量和统计功效是实验设计里的实操考点。面试官可能会问:一个实验要跑多久、需要多少样本,才能检测到 1% 的转化率提升。回答要提到四个因素:基准转化率、最小可检测效应、显著性水平和统计功效。基准转化率越低、想检测的效应越小,需要的样本量越大。如果样本量不够就提前结束实验,很容易得到假阴性或者夸大的效应估计。实际工作中可以用功效分析工具提前算好样本量,面试时能讲清楚这四个因素的相互关系就已经足够。
产品案例深度:一套可复用的答题框架
产品案例轮最怕的就是没有框架,想到哪说到哪。下面这套框架综合了公开面经里高频出现的答题结构,适用于指标定义、指标异动归因和实验设计三类题目。框架本身不复杂,关键是每一步都要真的展开,而不是只念标题。
第一步是澄清问题。先问清楚场景:这是哪个产品、哪个功能,目标用户是谁,时间范围是什么,指标是怎么定义的。如果面试官说 DAU 下降了,先问 DAU 的定义是登录就算活跃,还是有点赞、评论、发帖才算活跃;下降是和上周比、和上月比,还是和去年同期比;下降幅度是多少,是突然下跌还是缓慢下滑。澄清问题不是浪费时间,而是展示你不会在没有定义清楚的情况下就开始分析。
第二步是定义指标。区分北极星指标、主要指标和 guardrail 指标。北极星指标是产品长期价值的唯一代表,比如 LinkedIn 的北极星指标可以理解为会员通过平台获得的经济机会,实际操作中常常用周活跃会员、求职成功数或者有意义的互动数来近似。主要指标是当前改动最直接影响的指标,比如 Feed 排序改动的主要指标是相关内容的点击率和停留时长。Guardrail 指标是不能变差的指标,比如内容创作者的曝光量、垃圾内容的比例、页面加载时长。定义指标时要说清楚每个指标的计算口径、时间窗口和切分维度。
第三步是拆解与归因。如果题目是指标异动,比如 DAU 下降 3%,归因的顺序应该是:先验证数据,再切分人群,最后找外部和产品原因。验证数据包括检查日志是否中断、口径是否变更、有没有节假日或者时区问题。切分人群包括按国家、设备、会员类型、新老会员、流量来源切分,看下降是全局性的还是集中在某一群人身上。外部原因包括宏观劳动力市场变化、竞争对手动态、搜索引擎流量变化。产品原因包括最近上线的功能、排序算法改动、推送策略变化。归因时要一层一层缩小范围,每一步都说清楚如果这一层没有问题,下一步查什么。
第四步是设计实验。如果题目是评估一个新功能,实验设计的完整要素包括:随机化单位、主要指标、guardrail 指标、样本量、运行时间、成功标准和风险预案。随机化单位在 LinkedIn 需要特别注意网络效应,会员层面的随机化可能被污染,必要时讨论聚类随机化。成功标准要事先定好,比如主要指标提升超过某个阈值且 guardrail 指标没有显著变差,才算成功。风险预案包括如果指标大幅下跌怎么快速回滚,如果实验结果不显著要不要延长运行时间。
第五步是总结与建议。收尾时用两三句话概括结论:如果数据验证通过、切分结果指向某个具体原因,下一步的建议是什么;如果实验成功,是否建议全量上线;如果实验不显著,还有哪些值得进一步验证的假设。总结要简短有力,不要把前面讲过的内容再重复一遍。
下面用三个 LinkedIn 高频场景演示这套框架怎么落地。第一个场景是 Feed 参与度下降 5%。先澄清参与度的定义是点赞加评论加分享,还是包含点击和停留;再按内容类型、国家、设备、新老会员切分,看下降集中在哪里;然后检查最近有没有排序算法上线、推送量变化、节假日因素;最后如果怀疑是排序改动导致的,设计一个 AB test 对比新旧排序,用主要指标看参与度,用 guardrail 指标看创作者曝光和垃圾内容比例。
第二个场景是求职申请量大幅下跌。先确认下跌的是浏览量、点击申请量还是提交申请量,定位漏斗的哪一步出了问题;再按职位类型、地区、设备、会员类型切分;然后检查职位供给有没有变化、招聘方有没有批量下架职位、申请流程有没有改动、外部劳动力市场有没有波动;最后针对定位到的环节提实验方案,比如简化申请流程、优化职位推荐、提醒招聘方及时回复。公开面经里多次出现这个场景,面试官特别看重你能不能意识到 Jobs 是双边市场,任何只从求职者一边想的方案都是不完整的。
第三个场景是衡量 PYMK 的成功。先定义目标:PYMK 的目标是帮会员建立有价值的职业连接,而不是单纯增加好友数。主要指标可以是新建立的连接在 30 天内的互动率、通过 PYMK 建立的连接带来的求职或者业务合作数量。Guardrail 指标包括推荐的准确率、用户屏蔽或者忽略推荐的比例、垃圾账号的比例。实验设计上可以对比新旧推荐算法,看主要指标和 guardrail 指标的变化,同时关注网络效应:一个会员接受推荐之后,他的新联系人的行为会不会跟着变化。
行为面试:LinkedIn 价值观怎么考
LinkedIn 的官方文化页面列出的价值观包括:Members first,也就是会员优先;Relationships matter,也就是关系重要;Be open, honest and constructive,也就是开放、诚实、有建设性;Demand excellence,也就是追求卓越;Take intelligent risks,也就是勇于承担明智的风险;Act like an owner,也就是像主人一样行动。文化特质则包括 transformation、integrity、collaboration、humor 和 results。行为面试不会直接问你背不背得下来这些词,而是通过你的过往经历判断你是不是真的按这些价值观做事。
准备行为面试最有效的方法是 STAR 结构:Situation 是背景,Task 是你的任务,Action 是你采取的行动,Result 是结果。每个故事控制在两到三分钟,重点放在你的行动和结果上,而不是背景介绍。建议准备 6 到 8 个故事,覆盖以下方向:主导一个数据项目并推动业务决策,和产品或者工程团队有分歧时怎么处理,项目失败或者实验结果不如预期时怎么办,在时间紧、数据不完整的情况下怎么做决策,主动发现一个业务问题并推动解决,跨团队协作的经验,带新人或者影响没有汇报关系的同事的经验。
每个故事都要准备一个能量化结果的版本。比如不要只说我做了一个分析帮助产品团队改进了功能,要说清楚你发现了什么问题、建议了什么改动、改动上线之后指标变化了多少、业务方最后采纳了没有。面试官很喜欢追问细节:你当时手头有哪些数据,你排除了哪些可能性,你怎么说服不认同你结论的人,你从这个项目里学到了什么。如果故事是编的,追问两轮就会露馅;如果故事是真实的,细节会自然流露出来。
LinkedIn 的行为面试里有几类问题出现频率比较高:讲一次你影响了一个重要产品决策的经历,讲一次你和同事或者合作方意见不一致的经历,讲一次你犯错或者项目失败的经历,讲一次你在资源有限的情况下怎么排优先级,为什么想加入 LinkedIn,你最想加入哪个团队。回答失败经历时不要把责任推给别人,重点讲你从中学到了什么、之后怎么改进了工作方法。回答为什么加入 LinkedIn 时,不要只说公司大、平台好,要结合你对某个具体产品的观察和你想解决的问题来谈。
还有一个细节:LinkedIn 的面试官普遍被候选人评价为友好、愿意给提示。行为面试里如果面试官追问,不要把它当成质疑,要把它当成给你补充信息的机会。追问往往意味着面试官对你的故事感兴趣,想听到更多细节,顺着追问把故事讲完整,通过的概率反而更高。
Team Match 与 Offer:最后两步怎么走
Onsite 通过之后,通常会进入 team match 阶段。Team match 不是走过场,而是双向选择:你和具体团队的负责人再聊一次,确认团队的方向、项目、技术栈和工作方式是不是你想要的。这一阶段可以主动问的问题包括:团队当前最重要的两三个项目是什么,DS 在团队里的汇报关系和决策权有多大,实验的上线节奏是怎样的,团队里 DS 和产品经理、工程师的分工是怎样的,新人入职前三个月的期望是什么。问得越具体,越能判断这个团队是不是适合你,也越能让对方感受到你的认真。
Team match 之后就是 offer 阶段。Onsite 后通常 1 到 2 周出结果,公开面经里有候选人反馈两周后收到 offer 并开始谈薪水。Offer 的组成部分通常包括 base salary、年度奖金、股票(RSU)和签字费,股票的 vesting 周期和奖金比例要问清楚。谈薪水之前先了解市场数据,再结合自己的级别、地点和 competing offer 来谈,不要只盯着 base salary,股票和奖金在总包里的占比可能比 base 更重要。
薪水数据方面,必须注明来源和不确定性。Levels.fyi 的公开页面在 2026 年 11 月 19 日更新的数据显示,美国数据科学家全行业的中位数总包约为 182,000 美元,中位数 base 约为 160,000 美元,样本量为 3,142 份提交,75 分位数约为 255,000 美元,90 分位数约为 340,000 美元,旧金山湾区的中位数总包约为 260,000 美元。需要注意的是,这是全行业、全级别的汇总数据,不是 LinkedIn 单独的数据,不能直接当成 LinkedIn 某个级别的 offer 标准。
LinkedIn 官方招聘信息里公布的 base 范围可以作为更直接的参考,但同样因级别和地点而异。公开招聘信息显示,LinkedIn 初级数据科学家岗位的 base 范围约为 101,000 美元到 167,000 美元,Senior 数据科学家约为 125,000 美元到 205,000 美元,另一则 Senior 岗位为 121,000 美元到 198,000 美元,Staff 数据科学家约为 170,000 美元到 277,000 美元。以上均为招聘信息里标注的 base 范围,不含奖金和股票,实际总包会高于这个数字,具体数额取决于级别、地点、经验和谈判结果。不同来源的数据口径不同,Levels.fyi 统计的是总包,招聘信息只写 base,Glassdoor 的数据又以用户自报为主,三者不能直接对比,谈薪水时要以 recruiter 给出的正式 offer 和同级别市场数据为准。
谈薪水的实操建议是:先让对方出价,不要在 recruiter 电话里就把自己的底价报死;拿到 offer 之后再谈,用市场数据和 competing offer 作为支撑,而不是用情绪施压;股票、签字费、入职时间、远程办公安排都可以谈,不只是 base 能谈;如果没有 competing offer,可以用级别定位作为谈判点,比如争取定到更高一级的级别,而不是只在同一个级别里加几千美元。谈判过程中保持专业和友好,LinkedIn 的 recruiter 通常愿意在合理范围内协调,谈崩的情况很少见。
准备清单与时间线:8 周计划怎么排
如果你现在开始准备,建议按 8 周排计划。如果时间只有 4 周,就把前两周的 SQL 和统计压缩到 1 周,产品案例的练习量减半,但不要跳过模拟面试。下面是一个面向在职候选人的参考计划,每周投入 10 到 15 小时,具体时长按自己的基础调整。
第 1 到第 2 周打基础。SQL 每天练 3 到 5 道题,重点是窗口函数、条件聚合和漏斗计算,练完每道题都复述一遍思路。统计复习假设检验、p-value、置信区间、AB test 设计,每天精读一篇公开面经或者一篇实验设计文章。同步更新简历,针对目标团队做两版微调,开始找内推或者直接投递。
第 3 到第 4 周练产品案例。每周做 4 到 6 个完整案例,覆盖 Feed、Jobs、PYMK、Premium、Messaging 等 LinkedIn 场景。每个案例按澄清、定义指标、归因或者实验设计、总结的框架写下来,再对照框架检查有没有漏掉 guardrail 指标和网络效应。同时开始准备行为面试的 STAR 故事,先写出 6 到 8 个故事的提纲,再逐个练到能在 3 分钟内讲完。
第 5 到第 6 周做模拟面试。每周至少做 2 次完整的模拟面试,一次 SQL 加统计,一次产品案例加行为面试。模拟面试最好找有大厂面试经验的朋友或者付费的模拟面试服务,重点练时间管理和临场沟通。模拟面试之后一定要复盘:哪一轮超时了,哪个概念讲不清楚,哪个案例的框架漏了哪一步。复盘比多做一套题更重要。
第 7 到第 8 周查漏补缺。把前面做错的 SQL 题重做一遍,把统计清单里还讲不清楚的概念逐个过一遍,把产品案例框架默写两遍。投递和面试安排上,尽量把最想去的团队排在后面,先用一两个相对次要的团队练手,积累真实面试的手感。面试前一天不要再刷难题,早点休息,面试当天提前 15 分钟上线,检查网络、麦克风和 CoderPad 的登录状态。
推荐资源方面,只列公开资源名称,不编造链接:LeetCode SQL 板块、StrataScratch、DataLemur 用于 SQL 练习;Glassdoor 的 LinkedIn 面试分享页用于看真实候选人反馈;Reddit 的数据科学和求职相关版块、Blind 的 LinkedIn 讨论区用于看流程和薪水讨论;DataInterview、PracHub、Codemia 的 LinkedIn DS 面试指南用于按轮次梳理考点;LinkedIn 官方的招聘页面和文化价值观页面用于了解岗位描述和公司价值观;levels.fyi 和 Glassdoor 的薪水页面用于谈薪水前的市场调研。资源不在多,在于每个都真的用过一遍。
常见翻车点:onsite 最容易挂在哪一轮
公开面经里没有官方的各轮淘汰率数据,下面的判断来自候选人分享的综合印象,仅供参考,不能当成官方统计。电面阶段最容易挂的是 SQL 和统计的组合轮,挂掉的原因通常是 SQL 写不出来或者统计概念讲不清楚,而不是某一道难题不会。Onsite 阶段最容易挂的是产品案例轮和统计轮,原因不是技术不够,而是思路没有结构、指标定义不清、实验设计漏掉了关键要素。
具体到翻车细节,第一类是 SQL 粒度错误。JOIN 之前没有先 GROUP BY,导致数字翻倍;漏斗的分母选错,导致转化率算错;时间窗口没有说清楚,导致留存率口径不一致。这些错误在面试官眼里比语法错误严重得多,因为它们反映的是对业务和数据的理解问题,而不是打字问题。
第二类是统计只背定义、不联系业务。能背出 p-value 的定义,但被问到辛普森悖论时说不出排查步骤;能说出 AB test 的流程,但被问到不能做 AB test 时想不出替代方案;能说出置信区间的定义,但被问到实验结果能不能上线时只说显著就上线,不考虑业务价值和成本。这类候选人在电面可能勉强通过,到了 onsite 的统计轮很容易被追问问倒。
第三类是产品案例没有框架。面试官给一个场景,候选人直接开始分析数据,没有澄清问题、没有定义指标、没有讲框架,想到哪说到哪,45 分钟结束时还没有给出结论。还有一种常见问题是只讲求职者一边,不考虑招聘方或者内容创作者一边,或者只讲短期参与度,不考虑长期留存和网络效应。产品案例轮的评分很依赖结构,框架清晰的候选人即使某个细节答得不完美,也比没有框架的候选人得分高。
第四类是行为面试准备不足。技术轮都通过了,行为轮讲不出有影响力的故事,或者故事里全是背景介绍、没有自己的行动和结果,或者被问到失败经历时只说别人的问题。行为面试不是聊天,是结构化评估,STAR 故事准备不足的候选人很容易在这里丢分。
第五类是时间管理失控。SQL 轮花 30 分钟写第一道题,导致第二道题没时间做;产品案例轮前 20 分钟还在澄清问题,导致实验设计只能匆匆带过;模拟面试时没有练过时间,真实面试时才发现 45 分钟比想象中短得多。每一轮开始前先在心里排一下时间,每完成一个部分主动向面试官确认进度,是避免时间失控的有效方法。
FAQ:最常被问到的 8 个问题
Q1:没 CS 学位能不能申 LinkedIn DS?能。LinkedIn DS 岗位的招聘信息通常要求相关专业本科以上,但没有硬性规定必须是 CS 学位。统计、数学、经济学、运筹学、社会学定量方向等背景的候选人都有拿到面试的公开记录。关键在于简历和面试能不能证明三件事:SQL 能处理真实业务数据,统计和实验设计基础扎实,产品分析能落到决策上。如果是非 CS 背景,建议在简历里放一到两个完整的端到端项目,面试前把 SQL 和 Python 练到能现场写、能讲思路的程度。学位是敲门砖,不是决定因素。
Q2:SQL 要练到什么程度?要练到能在 45 分钟内独立完成两到三道中等难度的业务场景题,包括窗口函数、条件聚合、多表 JOIN 和漏斗计算,并且能一边写一边讲思路。只会写单表查询或者只会背 LeetCode 答案是不够的,面试官会给没见过的业务场景,要求你先定义指标口径、再写查询。建议的检验标准是:随机抽一道 StrataScratch 或者 DataLemur 上的 LinkedIn 相关题目,能在 15 分钟内写出逻辑正确、可运行的查询,并且能说清楚去重口径、时间窗口和边界情况。如果还做不到,就继续练,不要急着约电面。
Q3:产品案例没经验怎么办?产品案例不需要你真的在 LinkedIn 工作过,需要的是结构化的分析能力。可以从三件事补起:第一,熟悉 LinkedIn 的产品,注册账号、每天刷一刷 Feed、看一看 Jobs、点一点 PYMK,记下你观察到的产品细节;第二,按本文的产品案例框架,每周做 4 到 6 个练习案例,覆盖指标定义、异动归因和实验设计;第三,复盘自己做过的项目,把其中一个项目按产品案例的讲法重新讲一遍:业务问题是什么、指标怎么定义、实验怎么设计、结论是什么。没有产品经验不是硬伤,没有框架才是。
Q4:onsite 挂在哪一轮最多?公开面经里没有官方的各轮淘汰率,无法给出准确数字。从候选人分享的综合印象看,产品案例轮和统计轮是 onsite 里最容易挂的两轮,SQL 轮和行为轮紧随其后。产品案例挂掉多半是因为没有框架、指标定义不清;统计挂掉多半是因为只会背定义、经不起追问;SQL 挂掉多半是因为粒度错误;行为面试挂掉多半是因为故事准备不足。如果你时间有限,优先补产品案例框架和统计追问,这两块的投入产出比最高。
Q5:薪水包怎么谈?先了解市场数据,再让对方出价,最后用数据和 competing offer 谈。市场数据参考 Levels.fyi 的全行业中位数总包约 182,000 美元(2026 年 11 月 19 日更新,样本量 3,142 份)和 LinkedIn 招聘信息里的 base 范围(初级约 101,000 美元到 167,000 美元,Senior 约 125,000 美元到 205,000 美元,Staff 约 170,000 美元到 277,000 美元),注意前者是总包、后者是 base,不能直接对比。谈判时不要只谈 base,股票、奖金、签字费、入职时间都可以谈。如果没有 competing offer,可以争取更高一级的级别定位。谈判全程保持专业,谈崩的情况很少见。
Q6:H-1B、OPT 身份注意点有哪些?LinkedIn 是 Microsoft 旗下的公司,公开招聘信息里通常会注明总包可能包含奖金、股票和福利,具体以 offer 为准,身份问题需要在 recruiter 电话里主动确认。本文不提供法律意见,只提醒几个实操点:投递前确认岗位是否支持 sponsorship,OPT 期间注意 STEM OPT 的时间线和雇主配合要求,H-1B 抽签和 transfer 的时间点要提前和 recruiter 以及移民律师确认,offer 阶段问清楚公司是否提供移民支持、律师费用由谁承担。身份问题越早问清楚越好,不要等到 offer 阶段才发现岗位不支持 sponsorship。涉及具体身份规划时,请咨询持牌移民律师。
Q7:内推有没有用?有用,但不是决定性因素。内推的主要作用是让简历更快被 recruiter 看到,尤其是在海量投递里提高被捞起来的概率。Glassdoor 上的候选人分享里,通过内推拿到面试的案例不少,但也有不少候选人是海投拿到面试的。内推不能替代简历质量和面试表现,内推之后仍然要过同样的技术电面和 onsite。如果能找到在目标团队工作的内推人,请对方帮你把简历直接递给 hiring manager 或者 recruiter,同时附上一段简短的自我介绍,效果比只在系统里点一个内推链接更好。找不到内推也不用焦虑,把简历打磨好、海投加 LinkedIn 上直接联系 recruiter,也是可行的路径。
Q8:挂了多久能再申?公开资料里没有 LinkedIn 官方统一的冷却期说法,不同来源的说法不一致,有候选人反馈 recruiter 鼓励以后再申请,但没有给出确切的月数。本文无法核实一个统一的冷却期数字,不建议编造一个具体月数当成结论。实操建议是:挂掉之后先向 recruiter 要反馈,问清楚是哪一轮、哪个能力短板导致的;针对反馈补齐短板之后再申请,中间至少留出足够的时间真正补上短板,而不是换个团队马上再申一次。换团队申请时,上一轮的面试记录可能还在系统里,短时间内重复申请同一个方向的效果通常不好。如果 recruiter 明确告诉你一个时间,照 recruiter 的说法执行。
结尾总结:把三件事做到位,通过率会明显提高
LinkedIn DS 面试的准备可以浓缩成三件事。第一件事是把 SQL 练到能现场写、能讲思路,重点是窗口函数、条件聚合、漏斗计算和粒度控制,面试时先说定义、再写代码、最后检查边界情况。第二件事是把统计和实验设计练到能经得起追问,AB test、p-value、置信区间、辛普森悖论、抽样偏差和因果推断的替代方案,每一项都要能用 LinkedIn 的场景举例说明。第三件事是把产品案例练出框架,澄清、定义指标、归因或者实验设计、总结,每一步都展开讲,时刻记得 LinkedIn 是双边市场和社交网络,指标和实验设计都要考虑另一边的人和网络效应。
行为面试和薪水谈判同样值得认真准备,但它们的前提是技术轮通过。不要把大量时间花在背诵行为面试的标准答案上,准备 6 到 8 个真实的 STAR 故事,练到能自然地讲出来,比背十篇范文更有效。薪水谈判不要只看 base,要看总包,谈判时用市场数据说话,保持专业。
最后提醒一句:本文的所有流程、题型和薪水数字都来自公开分享和公开数据,截至 2026 年 11 月 19 日的检索结果,未经 LinkedIn 官方证实,不同团队和年份的实际情况会有出入。准备时以 recruiter 的实际安排为准,面试中遇到和本文不一致的地方,以面试官的现场要求为准。祝你面试顺利,拿到心仪的 offer。
本文内容仅供一般求职信息参考,不构成法律意见。涉及 H-1B、OPT 等身份问题时,请咨询持牌移民律师;涉及薪水谈判的具体决策,请以正式 offer 和最新市场数据为准。










暂无评论内容