Jeg strøk på min første loop hos Anthropic. En tidligere kollega fra et annet AI-lab tok meg gjennom det jeg burde ha visst på forhånd, og noen uker senere satt jeg med tilbud fra både Anthropic og OpenAI. Dette innlegget handler om hva som var annerledes andre gang.
Kodingsrunden er nitti minutter og ligner ingenting på klassiske whiteboard-oppgaver. De ba meg bygge et key-value-lager. SET GET DELETE til å begynne med, så filtrerte skann, så TTL-utløp med tidsstempler, og til slutt persistering til fil med komprimering. Fire stadier, hvert nytt stablet oppå det forrige, og intervjueren min fortsatte å slenge på nye krav i det øyeblikket jeg ble ferdig med et stadium, omtrent som en kollega som stadig endrer spec-en på deg midt i en sprint.
Det gjorde meg vanvittig. Hun fortalte at OpenAI-screeningen hennes gikk på akkurat samme måte, én time på å bygge noe ekte. OpenAI har også en sånn deep dive-greie der du presenterer et system du har bygget, og de plukker fra hverandre hvert eneste valg du har tatt.
Det som knuste meg i koding var ikke selve oppgavene. Det var å snakke meg gjennom fremgangsmåten. Det får du ikke til når du har nitti minutter og noen som sitter og ser på deg og legger til krav hvert femtende minutt. På andre forsøk tvang jeg meg selv til å bremse ned. Jeg gjentok spørsmålet med mine egne ord og bygde et par eksempel-inputs før jeg skrev noe som helst.
Hun grillet meg på dette, hun stoppet meg midt i en setning og sa "ok, men hva er edge-casene her", og da måtte jeg tenke høyt rundt det. Jeg begynte å skissere fremgangsmåten og tenke gjennom kompleksitet før jeg rørte tastaturet, jeg sjekket til og med med intervjueren at retningen virket fornuftig før jeg satte i gang, og skrev så langsomt og debugget med mine egne eksempler etterpå.
Ready to ace your next interview?
InterviewMan gives you real-time AI answers during live interviews — undetectable on Zoom, Meet, and Teams.
Try InterviewMan FreeDet føltes smertefullt tregt i praksis, men det gjorde meg faktisk raskere, for jeg sluttet å gå ned blindveier og måtte skrive om alt på nytt.
Systemdesign. Glem alt du har pugget til FAANG-systemdesign, for ingenting av det gjelder her. Ingen ba meg designe en URL-forkorter, jeg SKULLE ØNSKE de hadde bedt meg designe en URL-forkorter. Ingen spurte om en chat-tjeneste. Anthropic ville at jeg skulle designe infrastruktur for inferens-serving for millioner av forespørsler, samtidig som GPU-bruken holdes høy med ulike modellstørrelser, så da snakker vi batching, minnehåndtering for KV-cache, ruting til riktig instans, og hvordan latens hoper seg opp gjennom en transformer-pipeline.
Intervjueren min hadde BYGD serving-stacken sin. Som i, han hadde personlig skrevet greia. Han skjønte i løpet av to minutter at forberedelsen min kom fra generiske YouTube-videoer. Hun advarte meg om dette også, OpenAI-systemdesignen hennes handlet om å skalere inferens, og intervjueren der hadde også hands-on-erfaring med selve produksjonssystemet. Du må faktisk ha jobbet med dette. Jeg hadde vært borti serving-infrastruktur i en tidligere jobb, noe som reddet meg, men jeg trengte fortsatt et par uker på å sortere det jeg kunne til noe jeg klarte å snakke om uten å rable i vei i tjue minutter.
Pro-tips: hvis du trenger en distribuert kø og aldri har vært borti en, bare kall det "distribuert kø". Ikke grav deg ned i detaljer du ikke kan forsvare.
Så jeg kjørte InterviewMan under det andre Anthropic-forsøket og på noen OpenAI-mocks. På kodingsutfordringen fanget verktøyet opp at jeg hadde glemt å sjekke TTL ved lesing før jeg gikk videre til neste nivå, akkurat den typen ting jeg ville ha bommet på fordi jeg var så opptatt av å komme meg til stadium fire. Under safety-runden matet det meg alignment-poenger, og jeg svarte på spørsmålet om tool use og hallusinasjoner uten å fryse til denne gangen.
På systemdesign fanget det GPU-bruk og batching som kjernetemaene før intervjueren min var ferdig med å lese opp oppgaven. Jeg sjekket dock, prosessliste, Activity Monitor på Zoom og Replit og CodeSignal. Ingenting. Tolv dollar i måneden på årsabonnement, hundre og førtifire for et helt år, ingen tak på antall økter, 57 000 brukere på den offentlige telleren, 4,8 stjerner fra 257 anmeldelser, mer enn tjue stealth-funksjoner bygd inn.
Interview Coder til to nittini gjør bare koding, noe som er ubrukelig for safety-runden og systemdesignen som til sammen utgjør kanskje halve poengsummen din disse stedene. Den nærmeste bredere gjennomgangen av kategorien er InterviewMan vs Interview Coder 2-sammenligningen.
Atferdsdelen er den de fleste bommer på, fordi den egentlig ikke er atferdsbasert. Anthropic sendte et verdidokument før intervjuet, og de forventet at jeg hadde lest det. Det første spørsmålet var hvilken failure mode hos LLM-er som bekymret meg mest, og oppfølgeren var hva som endrer seg når du gir en agent tool use. STAR hjalp meg ikke, og atferdshistoriene mine om teamkonflikter førte ingen vei. De vil vite om du faktisk bryr deg om hva koden din gjør etter at du har shippet den. OpenAI tester for dette også.
Litt om tidslinjen, siden folk alltid spør. Anthropic brukte rundt tre uker fra rekrutterer-samtalen til svaret kom. Hun sa OpenAI brukte seks uker, noe som nesten tok knekken på henne. Anthropic deler den siste runden i to separate halvdager, to eller tre runder hver. OpenAI kjører én lang dag. Ghosting mellom stadiene er normalt begge steder. Rekrutterere er nedlessa. Får du et tilbud, be om tretti til førtifem minutter med en av intervjuerne, ha et møte bare for å stille spørsmål, og lytt nøye, for på det tidspunktet er det de som selger inn til deg.
Jeg er sikker på at det finnes massevis av andre meninger om å bruke AI i ekte loops. Fokuset mitt i dette innlegget lå hovedsakelig på frontier lab-siden, på ekte runder, ikke på hypotetiske. Det funket for meg. Det betyr ikke at det vil funke for deg.
Ready to Ace Your Next Interview?
Join 57,000+ professionals using InterviewMan to get real-time AI assistance during their interviews.
