OpenAI and Anthropic Software Engineer Interview Guide 2026

การสัมภาษณ์รอบแรกกับ Anthropic ของผมพังไม่เป็นท่า อดีตเพื่อนร่วมงานคนหนึ่งซึ่งย้ายไปอยู่แล็บ AI อีกแห่งช่วยไล่ให้ฟังว่า ก่อนเข้าสัมภาษณ์ผมควรรู้อะไรบ้าง ไม่กี่สัปดาห์ต่อมา ผมก็ได้ข้อเสนอจากทั้ง Anthropic และ OpenAI บทความนี้เล่าว่ารอบสองผมเปลี่ยนวิธีรับมืออย่างไร

รอบเขียนโค้ดกินเวลา 90 นาที และ ไม่เหมือนโจทย์ไวต์บอร์ดแบบคลาสสิกเลยสักนิด โจทย์ของผมคือสร้าง key-value store เริ่มด้วย SET GET DELETE แล้วค่อยเพิ่ม filtered scans, การหมดอายุแบบ TTL พร้อม timestamps และการบันทึกลงไฟล์พร้อม compression รวมทั้งหมด 4 ด่าน แต่ละด่านต่อยอดจากของเดิม พอผมทำด่านหนึ่งเสร็จ ผู้สัมภาษณ์ก็เติมเงื่อนไขใหม่ทันที เหมือนเพื่อนร่วมงานที่เปลี่ยนสเปกกลาง sprint อยู่เรื่อย เล่นเอาผมแทบบ้า เธอบอกว่ารอบคัดกรองของ OpenAI ก็มาแนวเดียวกัน คือให้เวลา 1 ชั่วโมงสร้างของที่ใช้งานได้จริง นอกจากนี้ OpenAI ยังมีช่วงซักลึก ให้คุณนำเสนอระบบที่เคยสร้างมา แล้วผู้สัมภาษณ์จะไล่ถามทุกการตัดสินใจแบบไม่ปล่อยผ่าน

สิ่งที่ทำให้ผมพลาดในรอบโค้ดไม่ใช่ตัวโจทย์ แต่เป็นการพูดอธิบายวิธีคิด มันยากมากเมื่อมีเวลา 90 นาที มีคนนั่งมองอยู่ และยังเพิ่มข้อกำหนดใหม่ทุก 15 นาที พอลองครั้งที่สอง ผมบังคับตัวเองให้ช้าลง ผมจะทวนโจทย์ด้วยคำของตัวเอง แล้วลองเขียนตัวอย่าง input สักสองสามชุดก่อนแตะโค้ด เธอฝึกผมหนักเรื่องนี้ บางครั้งหยุดผมกลางประโยคแล้วถามว่า “โอเค แล้ว corner cases มีอะไรบ้าง” ผมจึงต้องคิดออกมาเป็นคำพูด ผมเริ่มร่างแนวทาง คิดเรื่อง complexity ก่อนจับคีย์บอร์ด และถามผู้สัมภาษณ์ให้แน่ใจด้วยว่าทิศทางนี้สมเหตุสมผล จากนั้นจึงค่อยพิมพ์และ debug ด้วยตัวอย่างที่เตรียมไว้ ตอนซ้อมรู้สึกว่าช้าเหลือเกิน แต่เอาเข้าจริงกลับทำให้ผมเร็วขึ้น เพราะไม่ต้องหลงไปผิดทางแล้วรื้อเขียนใหม่ทั้งหมด

มาถึง system design แล้ว ลืมทุกอย่างที่เคยอ่านเพื่อเตรียม system design แบบ FAANG ไปได้เลย เพราะที่นี่แทบเอามาใช้ไม่ได้ ไม่มีใครให้ผมออกแบบ URL shortener ทั้งที่ผมอยากได้โจทย์นั้นจะตาย และไม่มีคำถามเรื่อง chat service ด้วย Anthropic ให้ผมออกแบบโครงสร้างพื้นฐานสำหรับ inference ที่รองรับคำขอนับล้าน พร้อมรักษา GPU usage ให้สูงทั้งที่มีโมเดลหลายขนาด เรื่องที่ต้องคุยจึงเป็น batching, การจัดการหน่วยความจำ KV cache, การ route ไปยัง instance ที่ถูกต้อง รวมถึง latency ที่สะสมตลอด transformer pipeline ผู้สัมภาษณ์ของผมเป็นคน สร้าง serving stack ของบริษัทเอง คือเขาลงมือเขียนมันมากับมือ แค่ 2 นาทีเขาก็ดูออกแล้วว่าผมเตรียมตัวจากวิดีโอ YouTube ทั่วไป เธอเตือนผมเรื่องนี้เช่นกัน โจทย์ system design ของ OpenAI ที่เธอเจอคือการ scale inference และคนสัมภาษณ์ฝั่งนั้นก็มีประสบการณ์ตรงกับระบบ production ตัวจริงเหมือนกัน คุณต้องเคยลงมือทำเรื่องพวกนี้มาจริง ๆ ผมเคยแตะ serving infrastructure จากงานก่อนหน้าเลยยังพอรอด แต่ก็ต้องใช้เวลาสองสามสัปดาห์จัดสิ่งที่รู้อยู่แล้วให้เป็นเรื่องเป็นราว จะได้อธิบายโดยไม่วกวนยาว 20 นาที เคล็ดลับเล็ก ๆ ถ้าต้องใช้ distributed queue แต่ไม่เคยทำมาก่อน ก็เรียกมันว่า “distributed queue” แค่นั้น อย่าพาตัวเองลงไปในรายละเอียดที่ตอบต่อไม่ได้

ตอนลอง Anthropic ครั้งที่สอง ผมจึงเปิด InterviewMan ไว้ และใช้ระหว่าง mock ของ OpenAI บางรอบด้วย ในโจทย์เขียนโค้ด เครื่องมือจับได้ว่าผมลืมตรวจ TTL ตอน read ก่อนขึ้นไปทำด่านถัดไป นี่แหละเรื่องที่ผมน่าจะหลุด เพราะมัวแต่เร่งให้ถึงด่าน 4 พอเป็นรอบ safety มันช่วยส่งประเด็นเรื่อง alignment มาให้ รอบนี้ผมเลยตอบคำถามเรื่อง tool use และ hallucinations ได้โดยไม่ชะงัก ส่วน system design มันเห็นว่า GPU usage กับ batching คือแกนสำคัญตั้งแต่ผู้สัมภาษณ์ยังพูดโจทย์ไม่จบ ผมตรวจทั้ง dock, process list และ Activity Monitor ตอนใช้ Zoom, Replit และ CodeSignal ไม่เจออะไรเลย ราคา 12 ดอลลาร์ต่อเดือนเมื่อจ่ายรายปี หรือ 144 ดอลลาร์สำหรับ 1 ปี ไม่มีเพดานจำนวน session ตัวนับสาธารณะแสดงผู้ใช้ 57,000 คน ได้ 4.8 ดาวจาก 257 รีวิว และมี stealth features ในตัวมากกว่า 20 รายการ ขณะที่ Interview Coder ราคา 299 ดอลลาร์ทำได้เฉพาะโจทย์ coding ซึ่งแทบไม่มีประโยชน์กับรอบ safety และ system design ทั้งที่สองส่วนนี้อาจคิดเป็นครึ่งหนึ่งของคะแนนในบริษัทกลุ่มนี้ ถ้าอยากอ่านภาพรวมของเครื่องมือประเภทนี้แบบกว้างขึ้น บทความที่ใกล้เคียงที่สุดคือ เปรียบเทียบ InterviewMan กับ Interview Coder 2