Anthropic SDE编程面试的真正门槛：算法与系统设计不再是孤岛

Anthropic的SDE编程面试，不是关于你解决了多少LeetCode难题，而是你解决问题的深度与系统性思维的综合体现。

一句话总结

Anthropic的SDE面试，核心不在于你机械地堆砌算法解法，而是考察你对复杂问题进行抽象、建模和高效优化的能力。传统的刷题模式无法让你通过，因为他们寻找的是能设计AI系统、而非仅执行编码的工程师。真正的挑战是，将算法的严谨性与系统设计的宏观思考融为一体，不是将两者视为独立的模块，而是视为一个不可分割的整体。

适合谁看

这篇裁决，是为那些准备冲击Anthropic高级SDE（Staff/Senior Staff SDE）职位的候选人而设。如果你已经能够熟练解决LeetCode Hard级别的算法问题，却在实际面试中屡屡碰壁；如果你认为系统设计只是画图，与具体编码无关；

如果你对Anthropic“负责任AI”的愿景有深刻理解，并希望将技术能力转化为实际影响力，那么这篇文章将为你揭示Anthropic招聘判断的真实标准。这不适合那些刚入门的初级工程师，因为Anthropic的门槛远超基础技能考核，它要求的是对复杂分布式系统、大规模数据处理以及AI模型底层架构有深入理解和实战经验的人才。

Anthropic SDE，到底在招什么样的人？

Anthropic招聘SDE的核心诉求，不是寻找能够按照既定规范完成任务的编码机器，而是能独立思考、推动技术边界、并对AI安全与伦理有深刻理解的“Problem Solver”。在面试的深层判断中，我们关注的不是你对某项特定技术的熟练度，而是你面对未定义问题时的抽象能力和构建可靠系统的决心。

一个典型的场景发生在我们的工程周会，一位资深招聘经理分享了一个案例：候选人A在算法题上表现出色，代码完美无瑕，但当被问及如何将该算法应用于一个实际的、有大规模并发需求的AI推理服务时，他只是泛泛而谈，未能将算法的性能瓶颈与系统架构的扩展性挑战结合起来。这不是缺乏技术知识，而是缺乏将“点”连接成“面”的系统性思维。相比之下，候选人B的算法实现可能略有瑕疵，但他能清晰地阐述在多线程环境下如何避免竞态条件，如何通过缓存策略优化数据流，甚至能主动提出潜在的安全风险和应对方案。

最终，我们选择了B。这不是因为B的算法更优，而是他展现了更强的系统化思考能力和对复杂性管理的驾驭力。

Anthropic的SDE，常常需要与研究科学家紧密合作，将前沿的AI模型从原型阶段转化为可扩展、高可靠的生产系统。这意味着，你面对的不是一个预定义好的需求文档，而是一个需要你与研究人员共同探索、共同定义的模糊愿景。我们的工程文化是高度自治且结果导向的。我们不是在寻找一个执行者，而是一个能与我们一同塑造未来的贡献者。

所以，在面试中，我们深挖的不是你过去工作的具体细节，而是你如何从失败中学习，如何权衡技术选择，以及如何在高压下做出关键决策。你必须展现出，你不是一个被动接受任务的SDE，而是一个能主动识别问题、提出解决方案、并对结果负责的领导者。这种深层次的判断，超越了任何LeetCode题目的范畴。

LeetCode高频题型， Anthropic的考察重心在哪里？

在Anthropic的SDE编程面试中，LeetCode高频题型仅仅是门槛，而非终点。我们考察的重心，不是你背诵了多少算法模板，而是你如何将这些基础知识灵活应用于复杂且往往带有模糊约束的问题场景。这与传统的刷题思路背道而驰。

例如，在一次面试中，我们提出一个关于大规模文本数据处理的问题，它结合了图论、动态规划和字符串匹配的元素。候选人C在听到问题后，迅速识别出其中的LCS（最长公共子序列）变种，并熟练地写出了O(mn)复杂度的动态规划解法。他甚至能解释空间优化到O(min(m,n))。

这看起来很优秀，但当面试官追问“如果文本长度达到TB级别，你如何处理？”时，C却陷入了沉默，未能提出分布式处理、流式计算或近似算法的思路。他的解法是完美的，但其适用范围和扩展性思考却是缺失的。

这不是我们想要的。我们想要的，不是一个能完美解决给定规模问题的工程师，而是一个能预见并解决未来规模问题的架构师。Anthropic的SDE经常需要处理海量的训练数据和模型推理，这意味着任何算法解法都必须考虑其在分布式环境下的性能、内存和通信开销。因此，我们对LeetCode题型的考察，会深入到以下几个层面：

第一，数据结构与算法的适用性及其限制。 我们会考察你在给定约束下选择最合适数据结构的能力，例如，在处理大量实时日志时，你是否能想到使用跳表或布隆过滤器，而不是盲目地使用哈希表。不是简单地知道每种数据结构的功能，而是深入理解它们的时空复杂度在不同场景下的表现和权衡。

第二，问题分解与抽象能力。 很多看似LeetCode的问题，在Anthropic的面试中会被“包装”成一个更贴近实际场景的复杂问题。你需要将一个大问题拆解成几个可管理的子问题，并识别出每个子问题对应的经典算法模型。不是直接套用模板，而是从第一性原理出发，构建解决方案。

第三，边界条件、错误处理与性能优化。 仅仅实现核心逻辑是远远不够的。我们会深入考察你对各种边界条件的考虑，比如空输入、极大值、负值。

更重要的是，在性能优化方面，我们会要求你不仅能给出最优的时间复杂度，还能讨论实际系统中的缓存局部性、I/O瓶颈、并行计算等因素对性能的影响。这不是纯粹的理论分析，而是结合实际系统运行的考量。例如，在处理一个需要频繁查找和更新的图结构时，你是否会考虑使用邻接矩阵还是邻接表，并阐述在分布式环境下如何避免“热点”问题。

第四，沟通与解释能力。 你的解题思路、权衡过程、以及对复杂度的分析，都必须清晰、有条理地传达给面试官。面试官不是你的听众，而是你的合作者。你需要引导他们理解你的思考过程，而不是简单地呈现结果。一个未能清晰解释其分布式哈希策略的候选人，即便算法本身正确，也可能被判定为沟通能力不足，这在高度协作的Anthropic团队中是致命的。

总结来说，Anthropic在LeetCode高频题型上的考察，是对你全面工程素养的检验。它要求你不仅是算法的熟练使用者，更是算法的深刻理解者和系统级的应用者。你必须展现出，你不是一个只会解题的程序员，而是一个能将算法融入到复杂系统设计中的未来架构师。

除了算法，Anthropic如何评估你的系统设计能力？

在Anthropic，系统设计不再是算法题的补充，而是其核心的延伸。我们对SDE系统设计能力的评估，不是看你能在白板上画出多么复杂的架构图，而是看你如何将抽象的设计原则与Anthropic面临的实际、大规模AI系统挑战相结合，并展现出对“负责任AI”原则的深度理解。这是一种对工程决策的综合性判断。

例如，在一次高级SDE的系统设计面试中，我们提出了一个关于“如何设计一个高可用、低延迟的AI模型推理服务，同时能实时监测并缓解模型偏见”的问题。很多候选人会迅速开始画负载均衡器、数据库、消息队列，然后讨论水平扩展和容错机制。这属于标准答案，但不足以通过。真正的考验在于，当面试官追问“如何监测并缓解模型偏见？”时，候选人能否将其与系统架构结合起来。

候选人D，完美地画出了一个分布式推理系统，包括Kubernetes集群、gRPC服务、Prometheus监控等。但他对模型偏见的监测，只是简单地提了一句“增加一个偏见检测模块”。

当被问及这个模块具体如何工作、如何与数据流水线集成、以及在延迟和准确性之间如何权衡时，他却显得力不从心。这暴露了一个常见的问题：将安全与伦理问题视为“附加功能”，而不是系统设计的内在组成部分。

Anthropic的判断标准远高于此。我们希望你展现出：

第一，从需求到实现的完整链路思考。 你需要从最初的业务需求（例如，AI模型的安全部署、高效推理）出发，一步步推导出所需的技术栈和架构组件。不是简单地堆砌技术名词，而是有逻辑地阐述每项技术选择背后的权衡和理由。比如，为何选择Kafka而不是RabbitMQ来处理实时事件流，其背后的数据一致性、吞吐量和延迟考量是什么。

第二，对大规模分布式系统挑战的深刻理解。 这包括但不限于一致性模型、分区容错性、服务发现、流量控制、容灾恢复等。我们期望你能够深入讨论这些挑战，并提出具体的解决方案。例如，在一个全球部署的AI推理服务中，你如何处理数据同步和跨区域延迟问题，以及如何设计故障转移机制以确保服务的高可用性。这不是停留在理论层面，而是结合具体场景的深入探讨。

第三，性能与成本的权衡。 Anthropic作为一家专注于前沿AI研究和部署的公司，对资源的使用效率有着极高的要求。你的设计必须考虑到计算、存储和网络资源的优化。你不能只是提出一个“能工作”的方案，而是要提出一个“高效且经济”的方案。例如，在设计一个大规模特征存储时，你会如何权衡内存数据库（如Redis）和磁盘数据库（如Cassandra）的成本与性能。

第四，安全与伦理的内嵌式设计。 这是Anthropic的独特之处，也是区分优秀与卓越的关键。你必须将AI模型的安全性、公平性、透明性和可解释性等原则，融入到你的系统设计中。这包括但不限于：如何设计数据脱敏和隐私保护机制；

如何构建模型监控系统来检测和缓解模型偏见；如何实现可追溯性，以便在模型出现问题时进行审计。这不是一个单独的“安全部门”的责任，而是每个SDE在设计之初就必须考虑的。例如，你会如何设计一个系统，确保在模型更新时，能够进行A/B测试，并实时监测其对不同用户群体的影响，以避免引入新的偏见。

系统设计面试，不是一张白板上的艺术创作，而是一场模拟真实工程挑战的深度对话。我们希望看到你将算法的严谨性、工程的实用性以及AI伦理的责任感，无缝融合到你的设计思维中。你必须展现出，你不是一个只会搭建基础设施的工程师，而是一个能构建“负责任AI”未来系统的思考者和设计者。

面试流程拆解：每一轮的判断标准是什么？

Anthropic的SDE面试流程，通常分为电话面试和现场面试（Onsite）两个主要阶段，每一轮都有其独特的考察重点和判断标准。整个过程的设计，旨在全面评估候选人的技术深度、系统性思维、沟通协作能力以及与Anthropic文化的契合度。这不是一个简单的漏斗筛选过程，而是一个多维度、层层递进的综合评估。

  1. 电话面试 (Phone Screen) - 约45-60分钟

第一轮：编程能力 (Coding)

考察重点： 算法基础、数据结构运用、问题分析与解决、代码质量。通常会有一到两道LeetCode Medium-Hard级别的题目。

判断标准：

正确性： 代码能否在各种边界条件下给出正确结果。不是仅仅通过示例测试，而是要考虑到所有潜在的边缘情况。

效率： 能否给出最优或接近最优的时间和空间复杂度解法。不是满足于暴力解，而是能进行性能分析和优化。

沟通： 能否清晰地阐述解题思路、权衡过程，并与面试官有效互动。不是一个人闷头写代码，而是将面试官视为合作者。

典型场景： 候选人可能被要求实现一个特定数据结构（如Trie树），或者解决一个涉及到图遍历或动态规划的问题。面试官会观察候选人如何处理输入异常、如何进行代码调试，以及如何解释其复杂性分析。

在一次面试中，一位候选人给出了正确的代码，但在被问及为何选择特定数据结构时，他只是简单回答“因为这个看起来最合适”，未能给出底层原理和性能考量，最终未能通过。这不是因为代码错误，而是缺乏对技术选择的深层理解。

  1. 现场面试 (Onsite Interview) - 4-5轮，每轮约60分钟

现场面试是Anthropic判断候选人综合能力的决定性阶段，通常包括多轮技术面试和一轮行为面试。

编程能力 (2-3轮)

考察重点： 深度算法、复杂数据结构、多线程/并发编程、代码设计模式。题目难度通常为LeetCode Hard级别，并可能包含实际工程场景的变种。

判断标准：

深度分析： 能否从多种角度分析问题，提出不同的解法，并权衡其优劣。不是满足于一个解法，而是能探索多种可能性。

系统级思考： 能否将算法问题与实际系统约束（如内存限制、并发性、分布式环境）结合起来。不是纯粹的算法竞赛，而是工程实践。

高标准代码： 编写的代码不仅要正确、高效，还要具备良好的可读性、可维护性和健壮性。不是完成任务，而是交付高质量产品。

典型场景： 面试官可能提出一个关于大规模图数据处理的问题，要求候选人设计一个并行算法。我们会关注候选人如何处理数据分区、如何设计通信协议、以及如何处理潜在的死锁和竞态条件。

在一次Debrief会议上，一位候选人给出了一个在单机上表现优秀的算法，但当被要求将其扩展到多节点集群时，他未能提出有效的分布式同步机制和数据一致性保障，尽管其单机算法本身无可挑剔，但最终未能通过，因为缺乏分布式系统视角。

系统设计 (1-2轮)

考察重点： 大规模分布式系统架构、可扩展性、可靠性、性能优化、安全与伦理考量。通常会围绕Anthropic实际面临的AI基础设施或模型部署挑战展开。

判断标准：

架构远见： 能否设计出满足未来需求、易于扩展和维护的系统。不是解决眼前问题，而是为长期发展奠定基础。

技术权衡： 能否在多种技术方案中进行明智的权衡，并给出清晰的理由。不是盲目追新，而是基于对技术深度的理解。

端到端思考： 能否从用户需求到底层实现，完整地思考整个系统的生命周期。不是只关注某一部分，而是具备全局视野。

负责任AI设计： 能否将AI安全、隐私、公平性等原则融入系统设计中。这是Anthropic独有的高标准。

典型场景： 如前所述，设计一个具备偏见检测和缓解能力的AI推理服务。我们会深入考察候选人对数据流水线、模型监控、以及安全策略的理解。一位候选人提出了一个技术上非常先进的系统，但在被问及如何确保数据隐私和模型透明性时，他未能给出具体的技术实现方案，而是泛泛而谈，最终被判定为缺乏对Anthropic核心价值观的深度融合。

行为面试 (Behavioral Interview) - 1轮

考察重点： 团队协作、解决冲突、领导力、应对失败、学习能力、对Anthropic文化和使命的理解。

判断标准：

自省能力： 能否从过去的经验中学习，并清晰地阐述教训。不是推卸责任，而是展现成长。

价值观契合： 是否认同Anthropic“负责任AI”的使命，并能在实际工作中体现。不是空谈理想，而是有具体行动。

影响力： 能否在团队中发挥积极作用，推动项目进展。不是旁观者，而是贡献者。

典型场景： 候选人可能被问及“你如何处理与同事的技术分歧？”或“你曾经历过的最大失败是什么，你从中学习到了什么？

”我们期待听到具体的STAR（Situation, Task, Action, Result）故事，而不是抽象的描述。一位候选人讲述了在一次项目失败后，他主动承担责任，并带领团队进行复盘，最终不仅解决了问题，还改进了团队协作流程，展现了卓越的领导力和学习能力，获得了高度评价。

整个面试流程，特别是现场面试，不是一系列独立测试的集合，而是一个相互关联、层层递进的评估体系。我们通过多轮面试，从不同角度拼凑出候选人的完整画像，最终做出是否符合Anthropic高标准SDE的裁决。

Anthropic SDE薪资与职业发展：回报与挑战并存？

Anthropic作为AI领域的顶级公司之一，其SDE的薪资回报极具竞争力，但伴随而来的是对个人能力和职业发展的极高要求。这笔薪酬不是对你过去成就的简单兑现，而是对你未来能为公司带来巨大影响力的押注。

薪资结构：

Anthropic SDE的薪资包通常由以下三部分构成，且在硅谷属于顶尖水平：

  1. 基本工资 (Base Salary)： 对于高级SDE（Staff SDE），基本工资通常在 $180,000 - $280,000 之间。对于更资深的Staff SDE或Principal SDE，则可能达到 $250,000 - $350,000+。这反映了你日常工作的价值和稳定性。
  2. 受限股票单元 (RSU - Restricted Stock Units)： 这是薪资包中波动最大、也最具吸引力的部分。鉴于Anthropic作为一家高速成长的独角兽公司，其RSU价值潜力巨大。通常会按四年期进行授予，每年归属一部分。

对于高级SDE，年度RSU授予价值可能在 $200,000 - $600,000 之间，这意味着四年总授予价值可能达到 $800,000 - $2,400,000。这笔股票奖励，不是对你简单绩效的奖励，而是对你长期贡献和公司未来价值增长的绑定。

  1. 年度奖金 (Performance Bonus)： 根据个人绩效和公司整体表现，通常会有 10% - 20% 的基本工资作为年度奖金，即 $20,000 - $50,000+。这笔奖金，不是对你完成任务的简单奖励，而是对你超出预期、带来显著影响力的认可。

因此，一个典型的Anthropic高级SDE总现金薪酬（Base + Bonus）可能在 $200,000 - $400,000 之间，而总包（TC - Total Compensation）在包含RSU后，年化可达 $400,000 - $1,000,000+。这些数字，不是行业平均水平，而是针对能够驾驭高度复杂AI系统、推动前沿技术发展的顶尖人才的定价。

职业发展：

在Anthropic，职业发展不是一条预设的、线性的路径，而是一个充满机遇和挑战的平台。

技术深度与广度： 你将有机会深入参与到最前沿的AI模型（如Claude系列）的研发、优化和部署中，接触到大规模分布式训练、推理、数据流水线、AI安全等多个领域。不是专注于一个狭窄的技术栈，而是鼓励你成为一个T型人才，既有深度又有广度。

影响力与责任： Anthropic的工程团队规模相对精简，这意味着每个SDE都有机会承担更大的责任，对产品和技术路线产生直接影响。你的工作不是螺丝钉，而是关键的驱动力。

与顶尖人才合作： 你将与全球最优秀的AI研究员和工程师并肩工作，共同解决AI领域最富挑战性的问题。这不是一个学习的旁观者，而是一个积极的贡献者。

  • 高标准与高压： 伴随高回报的是极高的工作标准和压力。你需要持续学习、不断创新，并始终将AI安全和伦理原则置于首位。这不是一个安逸的工作环境，而是一个不断挑战自我的平台。

Anthropic的SDE职业道路，是为那些渴望在AI领域留下深刻印记、愿意接受挑战并持续成长的顶尖工程师准备的。你获得的不是一份工作，而是一个参与塑造AI未来的机会。

准备清单

  1. 深入理解AI基础架构： 不只是算法，更要理解Transformer架构、大模型训练与推理的原理、量化技术、分布式训练框架（如PyTorch FSDP, DeepSpeed）及相关挑战。系统性拆解面试结构（PM面试手册里有完整的LLM系统设计实战复盘可以参考）。
  2. LeetCode Hard级题目实践： 重点关注涉及多线程、内存优化、大规模数据处理的题目。不是简单通过，而是能讨论多种解法及其在分布式环境下的优劣。
  3. 系统设计案例学习： 专注于设计高可用、低延迟、可扩展的AI服务。研究如Google、Meta等公司的大规模AI基础设施论文，理解其背后的设计哲学和权衡。
  4. 强化并发编程技能： 熟悉锁、信号量、原子操作、内存模型等并发原语，并能在代码中正确应用，规避竞态条件和死锁。
  5. AI安全与伦理知识储备： 了解模型偏见、隐私保护、对抗性攻击等概念，并思考如何在系统设计中应对这些挑战。这并非可选，而是核心。
  6. 沟通与白板表达练习： 在模拟面试中，不仅要给出答案，更要清晰地阐述思考过程、权衡取舍，并主动与面试官互动。
  7. 简历精修与项目展示： 突出你在大规模系统、AI项目中的实际贡献和影响力，量化成果，而非简单罗列技术栈。

常见错误

  1. 错误： 将算法和系统设计视为独立的考核模块，在算法题中只关注代码正确性，在系统设计中只关注架构图。

BAD Example： 面试官问及一个算法题的扩展性，候选人回答：“这是算法题，系统设计会在下一轮讨论。”

GOOD Example： 面试官问及一个算法题的扩展性，候选人回答：“在单机环境下，该算法的时间复杂度是最优的。但考虑到Anthropic在大规模AI模型上的应用，如果数据量达到PB级别，我会考虑使用MapReduce框架进行分布式处理，并通过数据分片和异步通信来降低延迟。这其中还需要解决数据一致性和任务调度的挑战。” 这不是逃避问题，而是主动整合。

  1. 错误： 在系统设计面试中，堆砌热门技术名词，却无法深入解释其背后的原理和权衡。

BAD Example： 候选人说：“我会用Kubernetes做容器编排，Kafka做消息队列，Redis做缓存，Prometheus做监控。”当被问及为何选择Kafka而非RabbitMQ时，他回答：“因为Kafka更流行。”

GOOD Example： 候选人说：“我会选择Kafka作为消息队列，主要考虑其高吞吐量和持久化特性，这对于处理大规模模型推理的实时日志和事件流至关重要。相比之下，RabbitMQ在复杂路由和消息优先级方面更强，但其吞吐量和可扩展性在大规模场景下可能不如Kafka。

此外，Kafka的分区机制天然支持消费者组并行处理，这有助于我们构建高可用的数据流水线。” 这不是简单罗列，而是基于理解的权衡。

  1. 错误： 对Anthropic“负责任AI”的核心价值观一知半解，将其视为公关口号，而非工程实践的指导原则。

BAD Example： 在行为面试中，当被问及如何确保AI系统的公平性时，候选人回答：“我们会训练一个更公平的模型。”当被追问具体如何衡量和实现“公平”时，他却语焉不详。

GOOD Example： 在行为面试中，当被问及如何确保AI系统的公平性时，候选人回答：“这需要从数据采集、模型训练到部署监控的全链路思考。在数据层面，我们会进行数据偏见分析，确保训练数据的多样性和代表性。在模型训练中，我们会探索使用公平性约束算法。

更重要的是，在系统部署后，我们会设计实时监控系统，监测模型对不同用户群体（如按地域、性别、年龄划分）的输出差异，并在发现偏见时，能够通过回滚、模型修正或人工干预等机制及时缓解。这不是一个单一的技术问题，而是需要多学科协作和工程实践来保障的。” 这不是空谈，而是具体的工程落地思考。

准备拿下PM Offer？

如果你正在准备产品经理面试，PM面试手册 提供了顶级科技公司PM使用的框架、模拟答案和内部策略。

获取PM面试手册

FAQ

  1. Q: Anthropic SDE面试，真的有那么难吗？是不是比Google、Meta还难？

A: Anthropic的SDE面试难度并非在于题目的绝对复杂性，而在于其对深度和广度的综合要求。它不是比其他大厂“难”，而是“不同”。Google或Meta可能更侧重于算法的精巧性和系统设计的规模，而Anthropic在此基础上，对你将算法、系统设计与AI安全伦理深度融合的能力有更高期望。

一个在Google能通过算法轮的候选人，可能因为缺乏对大规模AI系统独特挑战的理解，或未能将安全考量融入系统设计而被Anthropic拒绝。这不是刷题就能解决的，而是需要你对AI领域的未来有深刻洞察，并能将这种洞察转化为具体的工程实践。

  1. Q: 如果我的LeetCode能力很强，能刷出Hard题，是不是就能通过Anthropic的编程轮？

A: 能够解决LeetCode Hard级别的题目，只是通过Anthropic编程轮的必要条件，而非充分条件。我们不仅仅考察你是否能“解题”，更考察你“如何解题”以及“为何如此解题”。一个常见的误区是，候选人能给出最优解，但当被问及该解法在内存受限、多线程并发或分布式环境下的表现时，却无法深入分析。

Anthropic的编程轮，会刻意将问题导向真实世界中的复杂性，例如，要求你设计一个能在GPU上高效运行的矩阵乘法变种，或者一个支持增量更新的复杂数据结构。这意味着你不仅要了解算法，还要理解其在具体硬件和系统架构上的表现与瓶颈。

  1. Q: Anthropic的系统设计面试，是不是只要画出高可用、可扩展的架构图就行？

A: 仅仅画出高可用、可扩展的架构图，不足以通过Anthropic的系统设计面试。我们寻找的不是一个通用的架构师，而是一个能为“负责任AI”构建系统的工程师。这意味着你的设计必须深入考虑AI模型特有的挑战，如模型版本管理、数据偏见检测、实时模型监控、隐私保护和可解释性。

例如，在设计一个AI推理服务时，你不仅需要考虑如何应对流量高峰，还要考虑如何实时检测模型输出是否偏离预期，以及如何在模型出现“幻觉”时进行干预。这要求你将AI安全和伦理原则内化为系统设计的一部分，而不是将其视为独立的功能模块。

准备好系统化备战PM面试了吗？

获取完整面试准备系统 →

也可在 Gumroad 获取完整手册。

相关阅读