Async Job Queue

設計一個像 GoFundMe 的募款平台——一檔專案可能在一夜之間爆紅，湧入大量小額捐款，而每一塊錢都必須被收妥、可退款，並即時反映在準確的募款進度計數上。

設計一套分散式 job 排程器(cron-as-a-service)：讓各租戶註冊週期性與一次性的 job，保證每個 job 都在接近排定時間時觸發，並在 worker 與協調者故障時存活，不會重複執行、也不會默默漏掉 job。

設計一條內容審核管線，篩查使用者提交的貼文/媒體是否違反政策，在平台規模下權衡發文延遲與審核準確度。

設計一套企業支出管理平台，像 Brex 或 Ramp——每一次刷卡都必須在兩秒內由即時政策引擎完成授權或拒絕，而每一筆交易都必須流進會計系統，並配對到對應的收據。

設計一套網頁爬蟲，在不造成來源網站負擔的前提下，抓取並索引數十億個網頁、移除重複內容，並持續更新資料。

設計一個 webhook 派送平台(Stripe webhooks 那種)，在重試、順序與安全的約束下，可靠地把事件通知送達數千個第三方消費端點。

設計 影片平台 的上傳與處理管線——接收海量的使用者上傳影片，把它們轉換成可播放的多解析度影片庫。

為像 Uber 這樣的公司設計一套 ML feature store，讓同一份特徵同時供給離線模型訓練與低延遲的線上推論。涵蓋離線/線上儲存的拆分、point-in-time 正確的訓練資料、訓練/線上偏移(training-serving skew)、特徵新鮮度與回填(backfill)、物化(materialization)管線，以及特徵血緣(lineage)。

為一個要出貨 LLM 功能的組織設計評測平台：管理一份帶版本的 golden set（分層抽樣的生產樣本、對抗性題庫、人工建構的邊界案例，以及真正上線過的失敗案例的重放），在明確的偏誤控制下用 LLM judge 為輸出打分，在 CI 中依回歸趨勢對每一次 prompt／模型／檢索的變更設關卡（gate），並跑生產回饋迴路來讓 golden set 保持鮮活。評測方法論就是新的系統設計：一次...

設計一套 LeetCode 風格的線上評測系統（Online Judge），能在大規模下安全執行不受信任的使用者程式碼。內容涵蓋提交佇列、隔離的多語言執行器（容器／gVisor／Firecracker）、CPU／時間／記憶體限制、不受信任程式碼的安全防護、結果回傳，以及因應競賽尖峰的自動擴縮。