DoorDash 数据科学家面试实录 2026：Coding、SQL 与 A/B 测试复盘

公司：DoorDash 岗位：数据科学家 (Data Scientist) 面试形式：Virtual Onsite 结果：Pass → Offer

CodeCraft：不是算法，是工程实现能力

CodeCraft 可以理解为 DoorDash 特有的一类 coding round，更像是快速实现一个业务模块，而不是传统算法题。高频题包括 Dasher payment、Aggregated Bootstrapper API 等。比如 dasher pay，本质是根据规则计算配送员收入，但难点在于规则多、数据复杂，而且 follow-up 非常多，比如 peak hour 处理、异常数据处理等。

这一轮的关键不是算法难度，而是你能否快速把需求转成清晰的逻辑，并且写出结构合理的代码。很多人卡在时间不够，其实问题不在不会，而是在前期理解和设计花太久。一个很典型的坑是用 TDD 的方式慢慢写，这在时间充足的情况下是好习惯，但在这个场景下反而会拖慢节奏。更好的策略是先把主逻辑写出来，确保可以跑通，再补边界和测试。

Debugging

Debugging 轮也是 DoorDash 的特色之一，而且非常工程化。常见题包括 Round Robin、Dasher map、pick dasher 等。这一轮不会让你写很多代码，而是给你一段有 bug 的系统，让你快速定位问题并修复。典型 bug 包括 hashmap 初始化错误、null pointer、key 使用错误等。

但这一轮不只是找 bug。很多情况下，修完 bug 之后还会有 follow-up，比如让你写 test case，或者讨论如果是 production code 应该怎么改。有些题还会延伸到系统设计，比如让你用 TreeMap 手写 consistent hashing。这一部分代码量不小，如果时间不够，可以主动和面试官沟通先写一个简化版本。这一轮其实在考察你真实的工程经验，包括你如何读代码、如何定位问题、以及你对系统稳定性的理解。

ML System Design 核心真题：DoorDash 首页店铺推荐系统

在 DoorDash 的 Machine Learning / Data Science 架构轮次中，首页店铺推荐与特征平台（Feature Store）设计是最高频的考核场景：

graph TD
    A[User App Home / Location Request] --> B[API Gateway / Orchestrator]
    B -->|GeoHash 召回 < 15ms| C[Retrieval Layer]
    C -->|DynamoDB Grid Cache| C1[网格营业店铺热榜]
    C -->|Vector Search| C2[个性化偏好召回]
    
    B -->|并发提取特征| D[Feature Store]
    D -->|在线 Low-latency| D1[实时特征: 近30m点击/天气/运力]
    D -->|离线 KV 表| D2[历史特征: 7d客单价/用户画像]
    
    C & D --> E[Ranking Model]
    E --> F[A/B Experiment Dispatcher (CUPED)]
    F --> G[Ranked Stores Output]

1. 强约束与多路召回（Retrieval Layer）

硬性业务约束：推荐店铺必须在当前定位配送范围内（Delivery Radius）且处于营业状态。
地理位置网格缓存（GeoHash Grid Caching）：将地理坐标划分为 GeoHash 7 级网格（约 150m 精度），离线预计算每个网格的热门与高评分店铺，存入 DynamoDB / Redis，查询时以 GeoHash 为 Key 瞬时返回，避免实时空间计算。
15ms 严苛超时并发拉取：多路召回（规则召回、协同过滤、向量检索）采用异步并行 CompletableFuture / asyncio，配置 15ms 熔断超时（Strict Timeout Threshold），超时自动降级使用网格兜底榜单。

2. 特征平台（Feature Store）与 A/B 实验基建

存储与读取分层拆分：
- 静态/离线特征（如店铺历史评分、用户近 30 天消费画像）：以 store_id 和 user_id 为复合主键，小时级/天级写入分布式 KV。
- 高频实时特征（如当前配送员运力负载、区域雨雪天气系数）：采用 Kafka + Flink 流式写入内存缓存。
模型版本迭代与 A/B 差异化特征拉取：当线上进行 V1.1 与 V2.0 模型实验时，Feature Store 通过 动态特征配置文件（Feature Config Map），根据请求携带的 Experiment Treatment ID 动态组装不同的特征向量输入，无需修改底层取数代码。
实时特征 vs 离线特征 Trade-off：在追求实时特征的高增益时，必须权衡低延迟要求下的降级策略——当实时特征链路出现网络超时或特征缺失时，使用预先计算的全局均值（Global Mean）或离线最新快照平滑填充，避免模型评分归零。

面试总结

成功经验

充分准备高频题：DoorDash 的面试题目集中在经典算法和数据结构上，提前准备 LeetCode 高频题非常有必要。
Behavioral 故事要准备充分：使用 STAR 框架准备 5-8 个核心故事，覆盖 Leadership、Conflict、Innovation 等场景。
沟通表达要清晰：解题过程中要主动与面试官沟通思路，不要闷头写代码。
边界条件要主动讨论：面试官很看重候选人对 edge cases 的考虑。

面试注意事项

时间管理：每轮 45-60 分钟，需要合理分配时间给题目、讨论和 follow-up 问题。

技术深度：DoorDash 的面试官对技术细节要求很高，边界条件、性能优化、系统设计能力都是考察重点。

💡 需要面试辅导？

如果你对准备技术面试感到迷茫，或者想要个性化的面试指导和简历优化，欢迎联系 Interview Coach Pro 获取一对一辅导服务。

👉 数据科学家面试准备：Coding、SQL、A/B 测试与 DS 系统设计专项训练
👉 联系我们获取专属面试准备方案