如果正在准备 Google SWE VO，除了了解整体面试流程，真实面经里的 Coding 题目和 Follow-up 也值得重点参考。
下面整理的是一场 Google SWE VO 的面试记录，共两轮技术面试。第一轮先进行 BQ，再进入 Coding；第二轮连续进行两道 Coding。整体题目主要考察数据结构、优先队列、扫描线、BST 和 LCA 等基础算法，同时比较看重面对 Follow-up 时调整解法的能力。
需要说明的是，下面的题目属于单场面试经验整理，主要用于了解可能的考察方向，并不代表 Google SWE VO 的固定题库。
Google SWE VO Round 1
第一轮先进行 BQ，之后进入 Coding。
BQ：主动推动职责范围之外的工作
第一个行为题主要考察候选人在项目中的主动性。
问题可以概括为：
讲一次你在项目里主动推动一件原本不在自己职责范围内的事情落地的经历。
回答这类问题时，可以重点说明当时遇到了什么问题、为什么需要自己介入、具体做了哪些推动工作，以及最后对项目产生了什么结果。
相比单纯描述"我做了什么"，更重要的是把自己的判断和行动过程讲清楚。
BQ：如何处理团队中的技术分歧
第二个 BQ 是：
如果团队同事对你的技术方案提出不同意见，你一般会怎么处理？
这类问题比较适合结合实际项目回答。可以从理解对方观点开始，再比较不同方案的技术成本、风险和长期影响，最后说明团队是如何达成一致的。
重点不是证明自己的方案一定正确，而是体现面对不同意见时的沟通方式和技术判断。
Coding：带优先级的任务调度
第一轮 Coding 是一道任务调度问题。
题目给定一组任务，每个任务具有执行时长和优先级，需要按照题目给出的规则安排任务执行顺序，并计算完成所有任务所需要的最短总时间。
这道题的核心并不是简单排序，而是需要动态维护当前已经可以执行的任务。
解题思路
可以使用 Priority Queue（Heap） 维护当前所有就绪任务。
基本过程可以分成几个步骤：
-
整理任务的开始时间、执行时长和优先级等信息。
-
根据当前时间，把已经可以执行的任务加入候选池。
-
使用 Heap 维护当前所有可执行任务。
-
根据题目规定的优先级规则，从 Heap 中选择下一个任务。
-
执行任务并更新当前时间。
-
将新的可执行任务继续加入 Heap。
-
重复上述过程，直到所有任务执行完成。
这种方法的重点在于把"哪些任务现在可以执行"和"当前应该选择哪个任务"分开处理。
如果候选任务数量较多，使用 Heap 可以避免每次都重新对所有任务进行排序。
Follow-up：任务以流式方式不断加入
Follow-up 对题目做了一个变化：
任务不再一次性全部给出，而是随着执行过程不断新增。
这种情况下，可以继续保留原来的 Heap，不需要重新设计整个算法。
只要把 Heap 作为一个持续存在的数据结构，新任务到达之后直接加入当前的就绪任务池即可。
核心思路可以概括为：
新任务到达 → 判断是否已经可执行 → 加入 Heap → 根据优先级继续调度。
这个 Follow-up 主要考察的是算法能不能适应动态输入，而不是简单地把原来的代码重新写一遍。
Google SWE VO Round 2
第二轮是连续两道 Coding，没有先安排 BQ。
两道题分别涉及区间并发和二叉树路径。
Coding 1：区间并发峰值
题目给定一批任务的起止区间，需要找出某个时间点同时进行的任务数量峰值，同时返回达到这个峰值的时间段。
例如，可以把每个任务拆成两个事件：
-
开始时间：并发数 +1
-
结束时间：并发数 -1
然后按照时间顺序处理这些事件。
解题思路：Sweep Line
这道题比较典型的解法是 Sweep Line（扫描线）。
首先把所有区间转换成时间事件，然后按照时间排序。
遍历这些事件时维护当前正在执行的任务数量：
开始事件 → active + 1
结束事件 → active - 1每次更新 active 后，都可以和当前记录的最大并发量进行比较。
如果当前并发数超过历史最大值，就更新最大值，同时记录对应的时间段。
这样就可以在线性扫描过程中找到整个任务集合的最大并发量。
Follow-up：返回所有峰值时间段
Follow-up 要求不只是返回最大并发数，而是返回所有达到最大并发量的时间段。
这时候可以在扫描过程中维护当前峰值区间的起点。
当并发数达到新的最大值时：
-
更新最大并发数；
-
清空之前保存的结果；
-
记录当前时间作为新的峰值区间起点。
如果之后并发数下降，就可以把当前这段峰值区间加入结果数组。
如果后面再次出现相同的最大并发数，则继续记录新的时间段。
这种处理方式可以避免扫描完成后再次遍历所有区间寻找峰值。
Coding 2：BST 两节点最短路径
第二道 Coding 给定一个 Binary Search Tree（BST） 和两个节点，需要计算两个节点之间的最短路径长度。
同时还需要考虑节点不存在的情况。
解题思路：利用 BST 性质寻找分叉点
因为题目给的是 BST，所以可以利用 BST 的大小关系快速找到两个节点的最近公共祖先。
从根节点开始：
-
如果两个目标节点都小于当前节点，继续向左；
-
如果两个目标节点都大于当前节点，继续向右；
-
如果两个节点分别位于当前节点两侧，或者其中一个就是当前节点，那么当前节点就是两者的分叉点。
找到这个节点之后，再分别计算它到两个目标节点的距离。
最终：
两个节点之间的距离 = 分叉点到节点 A 的步数 + 分叉点到节点 B 的步数
由于利用了 BST 的性质，不需要遍历整棵树。
节点不存在怎么办？
题目还要求处理节点不存在的情况。
因此在计算路径之前，需要确认两个目标节点确实存在于树中。
如果其中一个或者两个节点不存在，就不能直接把找到的分叉点当成答案，需要按照题目要求返回对应的无效结果。
实际面试中，这类边界条件也比较容易成为 Follow-up，所以写代码时不要只考虑正常输入。
Follow-up：取消 BST 条件
后续把题目中的 BST 条件去掉，变成普通 Binary Tree。
这时候就不能再使用节点大小关系判断向左还是向右。
可以改成通用的 LCA（Lowest Common Ancestor） 解法。
一种方式是递归寻找两个节点的最近公共祖先，然后分别计算 LCA 到两个节点的距离。
另一种思路是先建立父节点关系，把树转换成类似图的结构，然后从一个节点开始进行 BFS，寻找另一个节点。
两种方式都可以解决普通二叉树中的最短路径问题，具体选择可以根据面试官的 Follow-up 和现场代码情况决定。
这场 Google SWE VO 主要考什么？
从这场面试来看，Coding 题本身并没有特别偏门，主要集中在比较常见的数据结构和算法基础上。
几个比较明显的考察方向包括：
1. Priority Queue / Heap
第一轮任务调度题需要维护当前可以执行的任务，并根据优先级动态选择任务。
重点是理解 Heap 在动态任务选择场景中的使用方式。
2. Sweep Line
区间并发题本质上是一个典型的扫描线问题。
把区间转换成事件之后，可以通过排序和一次遍历计算并发峰值。
3. BST
BST 题重点考察对二叉搜索树性质的理解。
如果两个节点位于当前节点的同一侧，可以继续向对应方向搜索；如果分别位于两侧，则找到了分叉点。
4. LCA
当 BST 条件被去掉之后，问题自然转化为普通二叉树的 LCA。
这也是面试中比较常见的一种 Follow-up：先给一个具有特殊性质的数据结构，再逐步取消这个性质，看候选人能否把解法推广到更一般的场景。
Google SWE VO 备考建议
从这组题可以看出，准备 Google SWE VO 时，只刷某一种固定题型并不够。
更重要的是熟悉常见数据结构背后的使用场景，例如：
-
Heap：任务调度、Top K、动态选择
-
Sweep Line：区间重叠、并发数量、时间段统计
-
BST：搜索、分叉点、路径
-
LCA：树上的祖先关系和路径问题
-
BFS：最短路径和状态搜索
同时需要特别注意 Follow-up。
面试官可能会逐步改变题目的条件，例如：
一次性输入 → 流式输入
或者：
BST → 普通 Binary Tree
这时候不能只记住原题的代码，而需要理解原来的解法为什么成立，以及当某个条件被取消之后，应该替换成什么更通用的方法。
对于 Google SWE VO 来说，能够把自己的思路讲清楚、主动说明复杂度，并且在 Follow-up 出现后快速调整方案，通常比单纯快速写完第一版代码更加重要。
总结
这场 Google SWE VO共包含两轮 Coding，第一轮是 BQ 加任务调度，主要考察 Priority Queue 和动态任务处理；第二轮连续两道 Coding，分别涉及 Sweep Line 区间并发和 BST 两节点最短路径。题目本身都是比较常见的数据结构与算法问题，但面试过程中会继续通过 Follow-up 增加条件，比如把任务改成流式输入，或者取消 BST 条件，要求使用更通用的 LCA 方法。
如果正在准备 Google SWE VO，除了掌握常见题型，更建议重点练习 Follow-up。面试官可能会根据你的第一版方案继续修改输入方式、数据结构或输出要求，这时候需要快速判断原来的思路还能不能使用，以及应该如何调整。刷题时可以多思考不同限制条件下的替代方案，这对实际 VO 中的 Coding 沟通和现场解题都会更有帮助。