说明：这是匿名、合成化的辅导案例。个人背景、公司和时间线已做模糊处理，用于展示常见问题和训练方法，不代表任何候选人的完整原始经历，也不构成结果保证。
候选人背景
候选人在工作中用过 Spark 和 Kafka，但更多是维护现有 job。面试官追问 shuffle、partition、checkpoint、offset、backpressure、exactly-once 时，回答不够深入。
主要卡点
- 知道工具怎么用，但解释不了底层 trade-off。
- Streaming design 缺少 watermark、late data、dedup 和 replay 方案。
- 性能优化回答只会说增加资源，缺少诊断路径。
辅导动作
- 用 10TB batch job 场景练 Spark partition、shuffle、skew、join strategy 和 memory tuning。
- 用实时 fraud / delivery tracking 场景练 Kafka partition、consumer group、offset、schema evolution。
- 设计 end-to-end streaming pipeline：ingestion、processing、state、sink、quality、alert、backfill。
- 训练故障复盘：数据重复、延迟飙升、checkpoint 损坏、downstream 不可用。
阶段性结果
- 候选人能把 Spark/Kafka 经验讲成系统设计能力。
- Streaming mock 中能主动讨论 late data、replay 和 data quality。
- 性能优化回答从“调参数”升级成诊断和验证流程。
可复用经验
- Data Engineer 高级面试很看重原理和运维经验。
- Streaming system design 的核心是状态、一致性、延迟和恢复。
- 性能优化要先定位瓶颈，再谈方案。