資料工程師面試 AI 輔助攻略：SQL、Pipeline 與 Spark 即時指引

重點摘要：資料工程師面試在同一輪循環中考驗 SQL、Pipeline 架構、Spark 效能調校、dbt 建模與行為面試五大領域。大多數準備資源都分開介紹各個主題——但實際面試不會。AI 面試工具能縮短你「腦中已知」與「在資深工程師面前說得出口」之間的落差，尤其是當你的思路在 Incremental ETL 設計題上突然斷線的那一刻。

你在上一份工作建立了 300TB 的 Spark Pipeline，Window Function 信手拈來。但坐在 45 分鐘的視訊面試中，對方是一位 Staff Engineer，問你「如何處理 Streaming Pipeline 中的遲到資料（late-arriving data）？」——腦袋突然一片空白，細節瞬間消散。

這不是知識缺口，而是表現缺口。而這正是 AI 面試工具改變局面的地方。

SQL 出現在 69–79% 的資料工程師職缺中。Apache Spark 在框架要求中以 38.7% 高居首位。dbt 從一個小眾工具，已成為多數現代資料棧招募時的篩選條件。

在台灣和香港，外商面試（台積電、聯發科、外資科技公司）以及透過 104人力銀行、LinkedIn 申請的遠端國際職位，都日益要求這五大領域的全面實力。

資料工程師面試題實際考哪些內容

典型的資料工程師面試循環涵蓋五大領域：

一、SQL 與資料建模 — Window Function、CTE、緩慢變化維度（SCD）、查詢最佳化。SCD Type 2 的經典題，很多只用過現成 Pattern 的工程師在這裡跌倒。

二、Pipeline 架構與 ETL/ELT — 增量載入 vs. 全量載入、Schema 演進、冪等性（Idempotency）、遲到資料、分區策略。

三、分散式運算 — Spark 效能調校、資料傾斜（Data Skew）、OOM 錯誤、Broadcast Join、Shuffle 操作。

四、現代工具鏈 — dbt 模型、Airflow DAG 設計、Kafka Consumer Group、Delta Lake 或 Iceberg、雲端服務（BigQuery、Redshift、Snowflake、Databricks）。

五、行為面試與系統設計 — 以 STAR 格式回答生產事故、資料契約、遷移規劃等情境題。

資料工程師 SQL 面試：基礎之外的進階要求

SCD Type 2 實作 — 「寫 SQL 在客戶 Email 變更時插入新記錄，並保留舊記錄並加上 end_date。」

有邊界條件的 Window Function — Sessionization、找到前一個非 NULL 值、會重置的累積總計。LEAD()、LAG()、DENSE_RANK() 只是基本，邊界條件才是人們失敗的地方。

增量載入邏輯 — 「檢查 updated_at 時間戳記」只是起點。如果記錄被刪除怎麼辦？如果來源回填歷史資料怎麼辦？

查詢最佳化 — Explain Plan、Partition Pruning，以及為什麼你的 CTE 比預期慢。

資料 Pipeline 面試題：Schema 演進陷阱

「你如何處理從持續變動 API 擷取資料的 ETL Pipeline 中的 Schema 演進問題？」

強力的回答需涵蓋：向後相容 vs. 破壞性變更、格式選擇（Avro、Protobuf vs. JSON）、Schema Registry，以及如何向下游消費者溝通契約變更。

冪等性：「你的 Pipeline 重複跑兩次安全嗎？」

遲到資料：Watermark、亂序事件處理、重新處理策略。

Orchestration 故障：「你的 Airflow DAG 在第 7 步中的第 4 步失敗，你的資料會怎樣？」

用即時 AI 建議練習實際作答。AceRound AI 在你答題一半時，能幫你找回正確的表達框架。aceround.app

Apache Spark 面試準備：為何我的 Job 這麼慢？

「你的 Spark Job 原本 45 分鐘，現在跑了 3 小時。請診斷這個問題。」

系統化診斷流程：

1. 查看 Spark UI — 哪個 Stage 慢
2. 資料傾斜 — 是否一個 Partition 承擔了 90% 的資料
3. Shuffle 操作 — 是否有不必要的重新 Shuffle
4. 資源配置 — Executor Memory、GC 壓力
5. 快取策略 — 是否重複計算同一個 DataFrame

關鍵主題：Broadcast Join 閾值、repartition vs. coalesce、Executor vs. Driver OOM、Watermark。

dbt 面試題：現代資料棧的能力訊號

增量模型（Incremental Models）：append vs. merge vs. insert_overwrite 策略。

測試策略：Schema Test vs. Data Test、參照完整性。

破壞性變更：「如果上游資料表重新命名一個欄位，你的 dbt 專案會發生什麼事？」

AI 面試副駕駛如何在現場資料工程師面試中發揮作用

靜態準備資源幫你在面試前做好準備。表現缺口發生在現場面試期間。

AceRound 等 AI 工具在面試過程中即時運作——當你對 Schema 演進細節或 Spark 配置參數瞬間失憶時，立刻在螢幕上浮現對應的脈絡提示。

對於正在準備外商面試或爭取海外遠端職位的台灣工程師而言，這種即時輔助能有效提升跨文化英語面試時的表達自信。

誠實說明：這不能取代實力本身。它縮小的是你腦中已有的知識，與在壓力下能清楚表達之間的落差。

常見問題

資料工程師面試最常考哪些主題？ SQL、Pipeline 架構、Spark 效能調校、dbt/Airflow/Kafka 工具鏈，以及行為面試與系統設計。

Spark 知識是必要的嗎？ 出現在 38.7% 的職缺中。對於有分散式運算需求的職位幾乎是必備條件。

資料工程師面試與軟體工程師面試有何不同？ 演算法題較少；更多是 Pipeline 系統設計、資料建模、分散式系統。

如果我沒有 dbt 生產經驗，要如何準備？ 在 Snowflake 或 BigQuery 免費方案上建立一個小型專案。重點放在增量模型與測試。

有哪些 AI 工具可以幫助準備資料工程師面試？ AceRound AI 在現場面試中涵蓋所有五大領域。SQL 練習則推薦 StrataScratch 和 DataLemur。

---

作者：Alex Chen。職涯顧問，前科技業招募官。在招募方待了 5 年，後來轉換跑道協助求職者。專注撰寫真實的面試動態，不是教科書式建議。