Uber 2026 Summer Growth Intern 面经复盘｜26NG必看！真实强度拉满

原创 已于 2026-03-03 19:03:15 修改 · 188 阅读 · 6 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
于 2026-03-03 19:03:14 首次发布

26NG注意！Uber 2026 Summer Growth Intern 第一波OA已开，亲测比想象中硬核10倍！

很多宝子以为Growth岗只靠商业直觉？大错特错！实际是「数据分析+商业理解+三方市场逻辑」的三重考验。一句话总结：题目不刁钻，但节奏快、维度多、容错率极低，稍有疏忽就翻车！

整理了完整流程+高频考点，帮26NG避坑，看完直接拿捏备考方向。

Online Assessment（75-90分钟）【核心环节】

Uber内部系统答题，分Quantitative Analytics和Strategic Case两部分，做完不即时出分，稳定输出比啥都重要！

  • 漏斗分析：NYC用户注册数据，找Acquisition/Activation的最大流失点。重点不是算比例，是用AARRR框架区分“注册流失”和“首单流失”，解释对LTV的长期影响（Growth岗超看重经济意义！）

  • 市场弹性：SF高密度市场，预订费涨10%对供需的影响。不是简单说“需求下降”，要分析乘客价格弹性、司机收入、平台抽成、溢价触发，还要区分短期冲击和长期均衡。

  • LTV&CAC：伦敦新用户获客，月流失5%，算回收周期和LTV/CAC比。别死套公式！高分关键是解释假设条件，考虑边际利润，分清按毛利还是营收计算。

  • 实验设计：设计Uber Green忠诚度奖励的A/B测试，明确北极星指标。重点不是流程，是兼顾增长与健康度，警惕用户分流，还要设置监控指标（比如订单量、司机体验）。

  • 利益相关方管理：说服产品团队优先做推荐功能，而非UI改版。靠数据证明推荐能降CAC，用实验结果减少争议，用增量收益量化机会成本——Growth本质是资源争夺战，ROI才是王道！

Virtual Technical Interview（45分钟）

Zoom案例面，核心考察乘客、司机、食客三方市场理解！常从“某城市订单异常”切入（比如下滑），让你排查原因，最怕思路发散，一定要结构化分析（先需求/供给侧，再价格/匹配效率，最后竞争/季节因素）。

Final Round（2轮）

和Growth Lead面谈，偏行为面+商业直觉。会深挖你过往的增长实验，高频追问：再做一次怎么优化？数据不支持假设怎么办？司机和乘客利益冲突优先哪方？拼的是成熟度和判断力，不是计算能力！

写在最后（26NG必看）

很多宝子备考OA越刷越焦虑，不是不会，是找不对考察逻辑和输出结构，练错方向等于白费功夫！

不用硬扛！我们长期整理各大厂Growth岗真题题库，更有实时助攻服务，在你做OA或Case训练时给予思路提醒和结构引导，帮你稳住节奏，避免临场慌乱，高效备战Uber实习！

标签
#python #算法 #java #数据结构
ProgramHelpOa
关注
2026年7月文章一览
codists的博客
08-02 362
之所以选择这本书，主要是看中其有一个完整的项目，算是一种真正的实践。不过实际阅读起来也是挺困难的，因为第一个解释器使用 Java 实现的，荒废 Java 多年，很多写法不能完全理解，自己转为 Python 还是有点困难，不过好在读这本书的人多，其它人已经用 Python 改写了，自己无法改写的地方，至少有一个参考。阅读这本书还有一个很深的感受：各种术语在讲解的时候太缺乏实际场景的应用了，导致本来一个很简单的概念，让读者很难理解。因书上用了多是 demo，是在是不感兴趣，7 月暂停了阅读。
DAY 38
2501_90950910的博客
08-02 317
整个对话从 Python 的特殊方法出发，逐步深入到深度学习数据集（CIFAR、MNIST）的下载、读取、预处理，以及 PyTorch 中Dataset与DataLoader的核心机制，最后将前后知识串联，完成从 CIFAR 数据集中提取并显示单张图片的完整实践。
2026年程序化SEO实战：用Python批量生成1000+长尾关键词页面，同时适配AI搜索
SEO_juper的博客
08-04 1176
本文探讨了2026年程序化SEO兴起的原因及实施方法。核心观点包括： 搜索生态分裂为传统搜索引擎和AI搜索两大平行体系，需要同时满足SEO（关键词排名）和GEO（AI引用率）双重要求 程序化SEO通过三层架构实现规模化优质内容生产： 数据层：关键词库与结构化数据 生成层：内容组装与质量检测 发布层：自动化页面生成与提交 相比传统批量生成，程序化SEO更注重数据支撑、语义完整和AI友好结构 提供了Python实现示例，展示如何构建关键词库及长尾词矩阵 程序化SEO的核心价值在于工程化实现内容质量与规模化的平衡
以AI量化为生：25.vnpy 4.4升级实战 - 魔改版框架如何安全跟进上游
u013575060的博客
08-04 1208
上一篇讲了回测结果存储与策略参数管理，回测这条线算是闭环了。本来按计划这篇该继续聊AI策略的回测优化，但插了个队——我把vnpy从4.1升到了4.4，折腾了大半天，觉得这个过程本身就很值得写。为什么突然要升级？直接导火索是通知。第6篇的时候我们做过日志系统和告警机制，邮件、飞书、钉钉都接了。但用下来发现，邮件基本不看，飞书钉钉还得开着对应的APP。vnpy 4.4把原来的邮件引擎重构成了通知系统，新增了WechatEngine，直接往微信推消息。
AttributeError: module ‘numpy‘ has no attribute ‘array‘
qq_42478898的博客
08-01 292
pip uninstall numpy -y conda remove numpy -yconda clean --all -ypip install numpy
基于深度学习的车辆识别收费管理系统（全套源码+数据集）
Michael_Jay的博客
08-05 1160
本文介绍了一个前后端分离的停车场收费与车牌识别系统。系统分为管理员后台和用户前端：管理员可管理通行记录、车辆信息、订单、费率和用户；用户可查看车辆信息、使用车牌识别和停车订单功能。
MediaCrawler 项目深度分析
lpfasd123的博客
07-31 1094
Chrome 浏览器对外暴露的底层通信协议。你按 F12 打开的开发者工具就是通过 CDP 跟浏览器内核通信。任何程序都可以通过 WebSocket 连接来操控 Chrome 浏览器（查看 DOM、执行 JS、监控网络请求、截图等）。Playwright 和 Puppeteer 底层走的也是 CDP。
CUDA编程实战12：原子操作与高性能直方图——从正确累加到低冲突并行更新
weixin_49321128的博客
08-03 404
摘要 本文探讨了CUDA编程中原子操作与高性能直方图实现的关键问题。针对"多线程更新少量共享结果"场景，首先分析了普通累加操作会导致数据丢失更新的原因，提出使用原子操作atomicAdd建立正确基线。文章详细介绍了四种优化策略：Warp聚合、Block私有化、Warp私有化和两阶段归并，并强调必须基于输入分布和Profiler证据选择方案。通过对比实验展示了不同数据分布下各策略的性能差异，指出原子操作本身并非性能瓶颈，真正的挑战在于合理控制共享资源的竞争。配套提供了可验证的正确性检查方法和两个完整示例程序(
Appium+Selenium全栈UI自动化实战：避坑指南
qq_61701511的博客
07-31 327
本文介绍了一个基于Python + Pytest + Selenium + Appium的全栈UI自动化测试框架实战项目，覆盖Web后台管理系统、Web买家端和Android APP的测试需求。项目采用Page Object设计模式，集成了验证码识别、驱动复用和Allure报告等功能。文章详细展示了项目目录结构、环境准备步骤（包括Web端和APP端的配置），并逐行解析了核心代码base_page.py的实现，其中包含三类基类（Admin/Buyer/App）的定义，以及元素定位、输入文本、窗口切换等通用方法
Async和Await异步编程的原理
cz2T48M87的博客
08-03 191
async状态机。
LangGraph 状态机实战
Shockang的博客
08-04 374
本文介绍了LangChain和LangGraph在构建大模型应用中的关键作用，逐步从简单API调用升级为可编排的有状态Agent系统。主要内容包括： 工具定位 LangChain标准化LLM接入与输入输出，提供模型、消息、工具等基础组件 LangGraph通过状态图（StateGraph）管理多步骤、有状态、多分支的工作流 关键技术栈 结构化输出：使用Pydantic约束模型响应格式 消息模型：通过SystemMessage等角色区分上下文 工具调用。。。
第二观 · 具体观 —— AngelSpec 算法与实现剖析
ld326的专栏
07-31 310
回看这五个技术点，它们并非孤立，而是环环相扣共同支撑 AngelSpec 的目标——用统一框架训练服务对齐的草稿模型，服务于真实世界高吞吐推理：技术点一（block-parallel 双源 KV 与逐层融合）与技术点二（TTT 多深度 rollout）是两大草稿路线的算法内核，前者用极少前向换高吞吐、后者用多步 rollout 换高精度，二者由同一训练流水线统一；
布林带策略量化实战：用Python构建波动率通道交易系统
leisoo8097的博客
08-03 360
本文介绍了基于Python的布林带量化交易系统实现方法。系统包含三个核心模块：1)基础布林带计算，包括中轨、上下轨、带宽和百分比指标；2)突破策略，监测布林带收窄后的扩张信号；3)均值回归策略，在价格触及通道边界时交易。代码展示了如何读取K线数据、计算技术指标并生成交易信号。该系统结合价格波动率和成交量分析，适用于不同市场环境，为技术分析提供量化支持。文章提供了完整的Python实现代码，可直接应用于实际交易场景。
从零训练一个会下五子棋的AI
qq_33909788的博客
08-01 714
摘要：本文分享了在消费级GPU（RTX 4090 + RTX 2080 Ti）上从零训练五子棋AI的完整实战经验。详细介绍了AlphaZero框架选型、网络架构设计、分布式训练策略及性能优化方法。重点总结了14个实际训练中的关键问题及解决方案，并提出了一套基于探针检测、激活率和模型PK的评估体系，解决了"loss下降≠棋力提升"的评估难题。通过v1→v2→v3的对照实验，验证了网络架构与训练策略对棋力的影响。全文7000+字，为强化学习实践者提供了可复用的工程方案与调优思路，适合对自对弈AI开发感兴趣的开发
Windows 原生编译 SGLang（3/8·前置）：FlashInfer Windows 源码编译踩坑全记录
love530love的博客
08-01 673
在 项目里需要原生跑 sglang 做 OCR/VLM 模型的 serving。sglang 官方明确不支持 Windows——核心原因是它依赖两个 Linux 绑定很深的本地扩展:(CMake + scikit-build-core 编译的 CUDA kernel 库)和 (默认 attention backend)。社区目前没有 的 Windows 移植先例(上游有一个长期没人回应的 issue 在问这个问题),但 已经有 这个维护中的 fork 可用——跟我现在用的 是同一个作者。这篇先记录
PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-FOUR
RSTJ_1625的博客
08-01 233
性能优势与对比.得益于上述技术，vLLM 在同等硬件条件下的性能表现极为出色：吞吐量：官方数据显示，启用分页机制后，vLLM 的吞吐量可达传统 Hugging Face Transformers 框架的 24 倍，比 DeepSpeed 高 16 倍，比 TensorRT-LLM 高 2-4 倍。适用场景与定位.vLLM 是一个生产级推理引擎，其设计理念是“模型一旦加载，就一直占着显存，持续不断地处理请求”，这与 Ollama 等“按需加载、用完释放”的本地工具定位不同。
String如何实现不可变的
qq_40458575的博客
07-31 227
Java 里所有看似能改字符串的方法：replace、substring、concat、toUpperCase、拼接 +，全都不会碰原来的 value 数组。第三层：String 类本身是 final（不能被继承篡改逻辑）第四层：所有修改 API 全部返回新对象，绝不改原数组。私有 value 数组（防止普通人摸到容器）修饰 value 数组（箱子不能整体换掉）数组（一排格子，存所有字符）靠四层层层上锁，缺一不可。
Python积累——读写文本文件实例
直到世界的尽头
08-03 212
本文介绍了Python中读写文本文件的各种方法和最佳实践。主要内容包括： 文件读取的基本流程（打开、读取、关闭）及推荐使用with语句自动管理文件关闭 三种读取方式： 一次性读取：read()和readlines() 按字节读取：read(size) 逐行读取：readline()和文件迭代器 对比了read()、readline()和readlines()的优缺点及适用场景 特殊文件处理： 二进制文件使用'rb'模式 指定字符编码处理非UTF-8文本 使用errors参数处理异常编码 文章通过代码示例详细
Bernini-r 视频编辑本地一键部署指南与实测：解锁高性能视频生成与重绘
最新发布
lzj781210的博客
08-06 153
摘要： 本文介绍Bernini-r视频编辑本地整合包的部署与使用，该模型支持高质量视频重绘、风格化与多参考控制，优化了显存与推理效率。部署要求：Windows系统、NVIDIA显卡（8G+显存）、CUDA驱动。整合包已预装Python环境，解压后运行脚本即可启动。核心功能包括首尾帧控制、视频风格化重绘，实测在1080P下8G显存设备可稳定运行。常见问题涉及显存溢出（降低分辨率）和画面闪烁（调整运动参数），整体降低了AI视频创作门槛。回复“Bernini”获取整合包。
Claude API + Whisper: 香港职场会议纪要自动生成的Python实现
patrickstar231的博客
08-01 378
本文介绍如何用 Python 构建“Whisper + Claude API”会议纪要自动生成流水线：先将会议录音转写成文本，再通过结构化 Prompt 提取议题、决策、待办事项和争议点，最后生成可直接用于汇报的 Markdown 纪要。文章覆盖环境准备、语音转写、Prompt 设计、Claude 调用和长会议分段汇总策略，并给出实用代码示例。适合 AI 应用开发、办公自动化和 Python 学习者参考，可帮助快速搭建自动会议纪要方案，提升工作效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值