OpenAI 技术面试全拆解：一份地狱难度的工程师进阶清单

什么样的人能进OpenAI？

8 月份 Reddit 上有人曝光了最新的 OpenAI 软件工程师完整面试流程：二十分钟初筛、两轮各一小时的技术面、48 小时居家项目、技术深潜、四轮终面。中间还夹着一轮没有对外公布的 Agentic Coding 考试。整套流程，最快两周走完。

两周完成这么多内容，可见非常紧凑。每一轮盯的就是一种明确的能力，每种能力背后都是一块可以系统准备的知识领域。这篇文章按面试发生的顺序过一遍：每轮考什么、测的是哪块知识、核心是什么、大多数人又挂在哪里。就算近期没打算面试，这些东西——分布式投递、数据库内部机制、推理系统扩缩容——本身也是一份不错的工程师进阶清单。

初筛二十分钟：推理过程比答案本身重要

初筛不碰代码，问题集中在“你觉得 AI 接下来会往哪走“和”为什么选 OpenAI“这类话题上。很多候选人把这一轮当闲聊，挂得不明不白。

这类问题没有正确答案，但有明确的错误答案：复述媒体上的共识。“Agent 是未来”“多模态会爆发“——这些话面试官一天听八遍。他们要的是一个有信息来源、有推理链条、愿意被追问的判断。被问“凭什么“的时候，手里得有东西。

准备一个有底气的技术判断，方法其实很具体：盯住三条曲线。能力曲线——基准测试和真实任务的成功率爬升速度有多快；成本曲线——每百万 token 的价格半年跌了多少，跌到哪个位置会解锁新的产品形态；瓶颈曲线——当前卡住系统的是算力、数据还是可靠性。一个站得住脚的判断，落点就在这三条曲线的交叉处。比如：“推理成本再降一个数量级，长期在线的后台 Agent 才会从演示变成产品，所以接下来两年最有价值的工作在可靠性和编排上，不在模型本身。“这话对不对不重要，重要的是它经得起三句追问。

面试前读一读公司章程的建议，在这一轮也用得上。“确保 AGI 造福全人类“听着像公关辞令，放在面试语境里是一道伏笔：他们要确认你理解自己造的东西，影响范围到底有多大。这个伏笔会在终面的行为轮收回，后面细说。

编码轮：版本化键值存储，一小时里塞下半个数据库

第一轮技术面是现场写代码：实现一个带版本管理的键值存储，支持并发写入、按时间点回滚、持久化。

这道题看起来是数据结构题，实际上每个要求背后都是数据库教科书里的一章。版本化意味着每次写入都是追加新版本，不存在覆盖——读操作按时间戳找可见版本，这就是 MVCC 的最小实现。回滚涉及版本链的管理策略，删旧版本和追加标记各有取舍。持久化意味着进程重启之后数据还在，标准做法是写操作先落一条 append-only 的日志，再更新内存索引。

版本链的结构大致是：

面试官的追问会沿着三条路走。并发：两个写线程同时 put 同一个 key 怎么办——per-key 锁够用，全局锁会成为扣分项。更讲究的回答是乐观并发：写入时校验版本号，冲突就重试。持久化的粒度：每条写都 fsync 还是批量刷盘？前者安全后者快。真正加分的是能把权衡讲清楚，然后挑一个站得住脚的默认值。回滚语义：回滚是“删掉之后的版本“，还是“写一个新版本标记回到旧值“？后者保留了完整历史，跟 WAL 的 append-only 特性天然契合，通常是追问时更站得住的选择。

一个小时写不出工业级实现，面试官也没指望写完。他们真正在意的，是主动提到了几个权衡点。闷头写完一个能跑的版本，分数通常低于边写边讲、最后留两个小缺陷但自己都清楚在哪的版本。

系统设计轮：容错作业调度器，考的是“挂了之后”

第二轮技术面是系统设计：设计一个能容错的分布式作业调度器。

调度器的骨架人人会画：提交 API、队列、worker 池、状态存储。这道题真正的区分度全在故障语义上。故障语义可以压缩成三个当场必须答清的概念。

投递语义。作业可能被投递多次（worker 超时重发），也可能恰好一次。恰好一次的代价是引入分布式事务或去重存储。工程上的标准解法是 at-least-once 投递加幂等执行：给每个作业一个唯一 ID，执行前先查这个 ID 有没有已完成，重复投递直接返回上次结果。面试时主动说出“我选 at-least-once + 幂等“，然后解释为什么 exactly-once 在跨系统场景下通常不划算——这句话本身就能拉开档次。

租约。worker 领了作业然后崩了，作业不能永远卡在那。解法是让领取动作附带一个时限：worker 拿到作业的同时拿到一个 30 秒的租约，期间定期续约；租约过期且作业没完成，调度器把它重新入队。这是分布式系统里出现频率最高的一个模式，后面 48 小时项目里还会再现一次。

fencing token。租约解决了“worker 死了“，但还有一种更阴的情况：worker 没死，只是卡顿了。租约过期后作业被重新分配，卡顿的 worker 缓过劲来继续写结果，两个 worker 同时在操作同一份数据。fencing 的做法是每次发租约附带一个单调递增的令牌号，存储层只接受令牌号更大的写入，旧 worker 迟到的写会被直接拒绝。

能讲到 fencing 这一层，这轮基本稳了。大多数人到“加个超时重试“就停了。

48 小时居家项目：Webhook 投递系统，整套流程的主战场

这是整个流程里信息量最大的一轮：搭一个分布式 Webhook 投递系统——注册端点、接收事件、可靠投递、指数退避重试、死信队列、状态查询 API。有候选人用 Python + FastAPI + SQLite，六小时写完实现，剩下四十二小时全砸在测试和重试逻辑上。这个时间分配本身就是评分标准之一，招聘方明确说了代码整洁度和测试比功能数量重要。

先把整个系统的形状画出来，后面所有考点都长在这张图上：

这个系统真正难的地方有三处：

**重试策略是核心难点 **指数退避的公式本身一行就能写完：

比如 base 取 1 秒、cap 取 5 分钟，重试间隔依次是 1s、2s、4s、8s……封顶 300s。但只写公式会踩一个教科书级别的坑：大量事件同时失败（接收端整体宕机时必然如此），它们会在同一时刻重试，把刚恢复的端点再次打垮——这叫重试风暴。解法是加抖动，把固定间隔变成随机区间。常见的 full jitter 做法是在 0 到计算值之间均匀随机：

更进一步是熔断：某个端点连续失败十次，就停一段时间不向它投递，只定期放单个探测请求试探是否恢复。没有熔断的系统，在接收端长时间故障时空转烧资源。这种逻辑在 Stripe 这类真实 Webhook 服务商的产品行为里都能看到。

**投递语义要当场说清楚 **网络超时不等于失败——请求可能已经到了对端，只是响应丢了。所以 Webhook 投递天然是 at-least-once，要做的就一件事：给每个事件发一个唯一 ID 放在请求头里，并在文档里告诉接收方用它做幂等去重。面试官问“你能保证只投递一次吗“，答“能”的人说明没做过真正需要可靠投递的系统，答“不能，但我能让重复无害“的才是真正做过系统的人

真正的杀手题藏在深潜轮 有位面试官当场指出了一个候选人完全没意识到的 bug：worker 领取事件后、投递途中进程崩溃，事件状态就停在 in-progress，没有任何机制把它捞回来——永远不再重试。修复方案就是前面调度器那轮的租约：领取事件时写入一个过期时间，后台跑一个恢复扫描，扫描所有“in-progress 且租约已过期“的事件，重新入队。

这个考点和上一轮作业调度器的租约，是同一个知识点。整套面试的不同轮次在反复敲打同一组概念——租约、幂等、退避、熔断——因为它们就是可靠系统的全部基石。准备的时候按概念打通，比按轮次刷题效率高得多。

关于测试策略，那位候选人把时间砸在测试上是清醒的选择。这个系统最值得测的是故障剧本，happy path 反而没那么要紧：投递到一半杀掉 worker，重启后事件能不能被捞回来；接收端持续 500，重试间隔是否符合退避曲线；连续失败后是否准确落入 DLQ；同一事件重放时接收方能否靠 ID 幂等。每条故障剧本对应一个测试用例，这就是“四十二小时“的去向。

技术深潜：逐行过代码，理解和沟通力

项目交上去之后，面试官逐行读提交的代码。问题从“为什么选 SQLite 不选 Postgres“一路问到“熔断阈值为什么是十“。

这轮的准备方式和刷题完全不同。做法是提前对自己做一次同样的深潜：打印出提交的代码，对每一个外部依赖、每一个魔法数字、每一个并发假设，写下一句辩护词。SQLite 那题的标准辩护思路是：作业量级的瓶颈不在数据库吞吐上，不需要额外装数据库降低了评测者的运行成本，而 WAL 模式下的 SQLite 应付这个写入量绰绰有余；如果事件量上到每秒数千，迁移路径是 Postgres 的 SKIP LOCKED 队列语义——能说出迁移路径，比选哪个数据库更能加分。阈值“十”也一样：它不是正确答案，但得有一个推理。比如按退避曲线算，十次重试大约覆盖四个小时的故障窗口，超过这个时长的故障应该由人介入，继续让系统烧资源已经没有意义，所以十次是个合理的交接点。

面试官当场发现 bug 那一幕还说明另一件事：这轮有相当部分是现场协作设计。他带着修租约方案的时候，看的不全是能不能立刻给出完美答案，还有理解问题的速度、提的问题质量好不好、以及被指出缺陷时的反应。把每次“我没想到这个“当成展示学习速度的机会，别把它看成失败。

终面底层三件套：ChatGPT 基础设施、内存数据库、Python 内部

终面四轮里有两轮是纯深度考核，外加一轮 Python 内部机制。这三块的共同点是：都在问你“天天用的东西，底下到底是怎么转的“。

设计 ChatGPT 的底层，考点集中在 GPU 分配和非平稳流量下的自动扩缩容。没做过推理系统的候选人会把它当成普通 Web 服务来设计——这从一开始就偏了，因为 LLM 推理的负载特性跟 Web 服务完全不同。一个请求分两个阶段：prefill 阶段一次性处理整个 prompt，计算密集，并行度高；decode 阶段逐 token 生成，受显存带宽限制，延迟跟 KV cache 的大小强相关。

这个两阶段结构引出了面试的核心议题：在这里做容量规划，计量的基本单位是 token 吞吐，请求数这个指标是失灵的。用户流量是“非平稳“的——早晚高峰、突发新闻、新功能上线，请求量和平均 prompt 长度都在剧烈波动。基于 CPU 利用率的传统自动扩缩在这里会失效，正确的扩缩信号是排队延迟和 SLO 指标（首 token 延迟 TTFT、token 间延迟 TPOT）。而 GPU 实例的扩容滞后以分钟计，流量尖峰以秒计，两者的落差要靠预测性扩容和请求排队策略来填：负载均衡层维护一个公平队列，用 SLO 反推当前需要多少算力，提前触发扩容。能聊到 prefill/decode 分离部署、KV cache 的显存预算约束 batch size 这一层，这轮的设计题就算立住了。

内存数据库加基础 SQL，面试官会从 CREATE TABLE 一路追到 WAL 和 MVCC 的交叉点。语法层面得能讲清一条 SQL 的生命周期：解析成抽象语法树，规划器选执行策略，执行器跑数据。被问 JOIN 时，hash join 和 sort-merge join 的区别是必答题：hash join 对小表建哈希表、大表逐行探测，等值连接的平均复杂度接近线性；sort-merge 先把两侧按连接键排序再归并，在数据已经有序、或连接条件包含范围比较时更优。事务层面，WAL 的规矩只有一条——任何修改先写日志再改数据页，崩溃后重放日志恢复——而 MVCC 让每行数据带版本链，读事务拿一个时间戳快照，只看快照之前提交的版本，读写互不阻塞。

两个概念单独问都不难，难的是交叉追问：MVCC 的旧版本什么时候能清理——答案是没有任何活跃事务的快照还能看到它的时候。这个垃圾回收点跟 WAL 的 checkpoint 怎么协调，才是面试官真正想听的层次。

Python 内部机制，追问集中在生成器和 async 上。生成器要讲到它是一个保存了栈帧的状态机：每次 yield 挂起，下次 next 从断点继续。这让惰性求值和大数据流的管道处理成为可能。async 要讲到事件循环调度的本质：协程在 await 处主动让出控制权，单线程内实现高并发 I/O。它和线程的分界线在 GIL——同一时刻只有一个线程执行 Python 字节码，所以 CPU 密集任务上多线程没收益，但 I/O 等待期间 GIL 会释放，所以高并发网络服务里 async 和多线程都成立，怎么选取决于代码复杂度和生态。这轮没有技巧，纯粹是水到渠成的积累。临时抱佛脚的人到第三轮追问就会露出背题的痕迹。

行为轮：“能做”和“该做”之间

终面有一轮行为面，问题直接得让人措手不及：你是否曾因伦理原因，反对过一项技术决策？有候选人讲了自己在前公司日志系统过度采集用户数据的经历。

这个问题出现在一家造 Agent 的公司里不是偶然。系统越来越能自主行动，“技术上能实现“和”应该实现“之间的距离每天都在拉大。公司需要确认员工身上有一条真实的、被考验过的界线。回答这道题只有一个方法：提前翻自己的职业史，找一个自己真实付出过代价的时刻——反对过什么、坚持了多久、最后谁让步、失去了什么。代价是这类故事可信度的唯一来源，没有代价的反对只是一次评论。现场编的故事两个追问之内就会垮：面试官每天都在听人讲故事，他们对“真实经历的密度“有一种职业直觉。

前面初筛埋的伏笔在这里收回：从二十分钟的方向感到终面的伦理追问，整条流程首尾都在测同一件事——这个工程师有没有自己的判断，以及敢不敢为判断付账。

Agentic Coding：尚未公开的这轮恰恰是压轴

最后一轮不在公开流程里：给一个现成的代码库，一个正常人做不完的问题，要求用 AI 编码代理来完成。要求是“必须用“，光说“可以用“不够。

把前面所有轮次连起来看，这一轮的定位就清楚了：方向感、系统思维、底层深度、伦理判断，最终的交付形态都是指挥 Agent 干活。这对手艺的要求很具体，拆开是四个动作。

拆解：把做不完的问题切成 Agent 能一次完成的粒度。切得太粗，Agent 会在中途迷失方向；切得太细，人直接退化成了编译器。规格先行：先写清楚接口契约和验收标准再让 Agent 动手。Prompt 里模糊的每一个词，都会变成代码里的一个惊喜。验证：Agent 的产出默认不可信，测试是唯一的裁判——而这恰好是 48 小时项目里那四十二小时练的本事，两轮考的是同一件事的正反两面。介入：识别 Agent 卡住的气味——开始在同一段代码上原地打转、测试越修越多、开始删掉它不理解的测试——到这一步就停止加 prompt，回到代码本身。

这一轮的存在本身就是整个行业招聘标准转向的信号：面试官衡量的尺度正在从“写出什么“迁移到“交付什么“。

怎么准备：四周的功课

这套流程的可怕之处在于它无法靠表演通过——48 小时项目和逐行深潜会剥掉所有临时包装。好消息是它考的每一块都是真功夫，而真功夫的准备路径很清楚。

有一个判断值得放在最后：这份面试流程本身就是一份岗位说明书。租约、退避、幂等、熔断出现在考卷里，是因为它们每天出现在这家公司的系统里；Agentic Coding 成为压轴，是因为这确实就是里面的工作方式。按这张考卷准备自己，过不过都是一次扎实的升级——这大概是地狱级难度唯一的突破口了。