Das Vorstellungsgespräch für Site Reliability Engineers ist der seltsamste Hybrid im Tech-Recruiting: halb Softwareentwickler, halb Feuerwehrmann in der Produktion, mit einem Statistiker, der sich hinten versteckt. Du schreibst Code, debuggst unter simuliertem Ausfalldruck ein System, das du nie gesehen hast, und diskutierst danach, wie viele Neunen ein Service tatsächlich braucht. Dieser Guide deckt die Fragen ab, die 2026 wirklich kommen, und wie du antwortest wie jemand, der schon einen Pager getragen hat.
Was SRE-Interviews 2026 wirklich prüfen
Beim Recruiting für Reliability hat sich etwas verschoben. Vor fünf Jahren kamst du mit Linux-Trivia und einer Big-O-Frage durch. Heute ist die Messlatte, ob du über Fehler in verteilten Systemen nachdenken und Zuverlässigkeit quantifizieren kannst statt nur mit den Händen zu wedeln.
Interviewer klopfen 2026 vier Dinge ab. Denkst du in SLIs, SLOs und Error Budgets, oder jagst du "100 Prozent Uptime" immer noch wie eine Tugend? Kannst du ein laufendes System methodisch debuggen, ohne Vorwissen, so wie du es um 3 Uhr nachts tun würdest? Verstehst du die Systeme unter den Abstraktionen (Load Balancer, Queues, Caches, Consensus, Retries, Backpressure)? Und kannst du den modernen Stack bedienen: Kubernetes, Terraform, Observability-Pipelines und das KI-gestützte Alerting und Auto-Remediation-Tooling, das in den letzten zwei Jahren Standard geworden ist?
Die kulturelle Ebene zählt außerdem mehr, als Kandidaten erwarten. Verhalten nach einem Incident, Blamelessness und wie du Tempo gegen Zuverlässigkeit abwägst, werden genauso hart bewertet wie dein Code. Ein Engineer, der nach Schuldigen sucht oder nach einer schlechten Nacht alle Deploys einfrieren würde, fällt beim Werte-Check durch, egal wie sauber das Bash ist.
Der Ablauf
Die meisten SRE-Loops laufen 2026 über vier bis sechs Stufen und unterscheiden sich deutlich von einem reinen Software-Engineering-Loop.
- Recruiter-Screening. Organisatorisches, Motivation und "warum SRE statt Backend oder Platform?" Hab darauf eine echte Antwort.
- Technisches Telefoninterview. Coden mit Systemschlagseite plus ein paar Fragen zu Linux, Netzwerk oder Troubleshooting. Manche tauschen das gegen eine Skripting-Aufgabe: ein Log parsen, eine Rate berechnen, die Anomalie finden.
- Coding-Runde. SREs coden immer noch. Erwarte ein mittelschweres Algorithmusproblem und zunehmend eine "bau ein kleines Tool"-Aufgabe: einen Rate Limiter, einen Backoff-Wrapper oder Log-Parsing.
- Systems- und Troubleshooting-Runde. Die typische SRE-Runde. Du wirst in ein kaputtes oder hypothetisches System geworfen und sollst laut diagnostizieren, oft als Live-Szenario nach dem Muster "die Latenz ist gerade hochgeschossen, führ mich durch".
- System Design mit Fokus auf Zuverlässigkeit. Design auf explizite Ziele für Verfügbarkeit, Latenz und Skalierung. Der Reliability-Blickwinkel (Failure Domains, Blast Radius, Kapazitätspuffer) unterscheidet das von einer generischen Design-Runde.
- Verhaltens- und On-Call-Runde. Incident-Geschichten, Konflikte und wie du damit umgehst, gepagert zu werden, durch eine blameless Brille.
Google, Meta und die größeren Läden gewichten die Systems-Runde stark. Startups fassen Stufen zusammen und setzen auf praktisches Troubleshooting und deine echte On-Call-Historie.
Die Fragen
Reliability-Grundlagen: SLOs, Error Budgets und die Rechnung dahinter
Was ist der Unterschied zwischen SLI, SLO und SLA? So gehst du ran: Das SLI ist die Messung (Requests, die unter 300ms bedient werden), das SLO ist dein internes Ziel dafür, und das SLA ist der externe Vertrag mit Konsequenzen. Halte das SLO strenger als das SLA, damit du früh gewarnt bist.
Ein Service hat ein monatliches Verfügbarkeits-SLO von 99,9 Prozent. Wie viel Downtime erlaubt das, und was machst du, wenn das Budget fast aufgebraucht ist? So gehst du ran: Rechne laut (99,9 Prozent von rund 30 Tagen sind etwa 43 Minuten pro Monat) und ergänze dann, dass ein aufgebrauchtes Budget bedeutet, riskante Launches einzufrieren und Zuverlässigkeit neu zu priorisieren.
Wie würdest du ein SLO für einen brandneuen Service ohne historische Daten wählen? So gehst du ran: Starte bei der kritischen User Journey, setz ein konservatives Ziel, miss ein paar Wochen echtes Verhalten und zieh dann an. Ein SLO, das niemand erreichen kann, trainiert allen nur an, Alerts zu ignorieren.
Warum ist 100 Prozent Verfügbarkeit als Ziel meistens falsch? So gehst du ran: Es rechtfertigt seine Kosten selten und lässt keinen Spielraum zum Ausliefern, und Nutzer merken keinen Unterschied zu 99,99 Prozent, weil ihr eigenes Netz öfter ausfällt. Genau wegen dieser Lücke gibt es Error Budgets.
Incident Response und On-Call
Erklär mir, wie du als diensthabender Engineer einen großen Incident führen würdest. So gehst du ran: Schwere einschätzen, bei großem Ausmaß einen Incident Commander und Rollen benennen, Stakeholder informieren, Mitigation vor Root Cause priorisieren (erst die Blutung stoppen) und danach einen Postmortem fahren.
Du wirst wegen hoher Latenz auf einem Service gepagert, den du nie angefasst hast. Was machst du in den ersten fünf Minuten? So gehst du ran: Dashboards und jüngste Alerts prüfen, nach einem kürzlichen Deploy oder einer Config-Änderung suchen (der übliche Auslöser), Abhängigkeiten stromauf und stromab prüfen und aus den Signalen eine Hypothese bilden, während du deinen Entscheidungsbaum laut erzählst. Hier zählt die Methode mehr als die Antwort.
Was macht einen guten Postmortem aus, und was heißt blameless eigentlich? So gehst du ran: Ein guter Postmortem hat einen Zeitstrahl, beitragende Faktoren, was gut lief, und Maßnahmen mit Verantwortlichen, und blameless heißt, menschliche Fehler als Symptom von Systemlücken zu behandeln.
Wie reduzierst du Alert Fatigue in einer lauten On-Call-Rotation? So gehst du ran: Auf Symptome alarmieren, die Nutzer spüren, statt auf jede Metrik, Pages an die SLO-Burn-Rate koppeln und Alerts löschen, die nie zu einer Handlung führen.
Debugging und Systeminterna
Eine Linux-Kiste reagiert langsam. Wie findest du raus, warum? So gehst du ran: Arbeite dich von oben nach unten durch die Ressourcen, CPU (top, mpstat), Speicher und Swap (free, vmstat), Disk I/O (iostat), Netzwerk, dann der Prozess, und prüf Logs und jüngste Änderungen. Die USE-Methode zu benennen (Utilisation, Saturation, Errors) signalisiert Reife.
Zwischen zwei Services laufen Requests sporadisch in einen Timeout. Wie grenzt du die Ursache ein? So gehst du ran: Erst lokalisieren (alle Requests oder eine Teilmenge, eine Instanz oder alle), dann Connection-Pool-Erschöpfung, DNS, Retry-Stürme und eine langsame Abhängigkeit prüfen, die kaskadierende Timeouts auslöst, welche Circuit Breaker eindämmen.
Was passiert von Anfang bis Ende, wenn du eine URL eintippst und Enter drückst? So gehst du ran: DNS-Auflösung, TCP- und TLS-Handshakes, den Request, die Verarbeitung in Load Balancer und Server sowie das Rendering abdecken, aber als SRE dort tiefer gehen, wo Zuverlässigkeit wohnt: Caching-Schichten, Wiederverwendung von Verbindungen und welche Hops am häufigsten ausfallen.
Erklär eine Thundering Herd und wie du sie verhindern würdest. So gehst du ran: Definier sie (viele Clients treffen nach einem Cache-Ablauf oder Neustart gleichzeitig auf eine Ressource) und nenn konkrete Gegenmittel: Backoff mit Jitter, Request Coalescing und gestaffelte Cache-TTLs.
System Design mit Fokus auf Zuverlässigkeit
Entwirf ein System, das 1 Million Requests pro Sekunde bei einem Verfügbarkeitsziel von 99,95 Prozent bedient. So gehst du ran: Erst Annahmen und SLO nennen, dann für den Fehlerfall entwerfen (Redundanz über Availability Zones, Load Balancing, Caching, sanfte Degradation). Das Signal ist, ob du über Blast Radius und Single Points of Failure nachdenkst statt nur über den Happy Path.
Wie würdest du einen globalen Rate Limiter entwerfen? So gehst du ran: Scope klären (pro Nutzer, pro IP, global), dann Token Bucket versus Sliding Window diskutieren und wo der Zustand liegt (gemeinsamer Store wie Redis versus lokal mit Sync), und akzeptieren, dass perfekte globale Genauigkeit Latenz kostet.
Wie rollst du eine riskante Änderung an einem kritischen Service sicher aus? So gehst du ran: Progressive Delivery nutzen, Canary auf einen kleinen Prozentsatz, SLIs und das Abbrennen des Error Budgets beobachten und einen schnellen, getesteten Rollback bereithalten, der bei einer Metrik-Verschlechterung automatisch abbricht.
Typische Fehler, die SRE-Kandidaten versenken
Der größte ist, es wie ein reines Coding-Interview zu behandeln. Starke Coder fallen durch SRE-Loops, weil sie nicht laut debuggen oder Verfügbarkeit nicht beziffern können.
Direkt dahinter: der Jagd nach 100 Prozent Zuverlässigkeit. Sag, du würdest niemals Downtime tolerieren, und du hast gerade angekündigt, dass du weder Error Budgets noch die Kosten der letzten Neun verstanden hast.
Drittens: Debuggen nach Gefühl. Services ohne Hypothese wahllos neu zu starten liest sich wie Panik; Interviewer wollen einen ruhigen, erzählten Entscheidungsbaum, auch wenn du die Antwort nicht erreichst.
Viertens: Schuldzuweisung. Jede Incident-Geschichte, deren Moral "ein Entwickler hat Mist gebaut" lautet statt "unser System hat einen Fehler bis in die Produktion durchgelassen", fällt bei jedem ernsthaften Laden durch den Kultur-Check.
Fünftens: abstrakt bleiben. "Ich würde Monitoring hinzufügen" heißt gar nichts, also nenn das Signal, den Schwellwert und was in der Page stehen würde.
Wie du dich vorbereitest (und wo ein Live-Copilot hilft)
Bau dir einen Plan in Schichten. Drill die Reliability-Rechnung, bis Umrechnungen von Verfügbarkeit in Downtime und Error-Budget-Argumente automatisch kommen, und lies die Kapitel zum Umgang mit Fehlern im Google-SRE-Material noch mal, um sie anzuwenden statt sie aufzusagen. Üb, laut zu debuggen, denn geprüft wird deine Erzählung, nicht stille Korrektheit. Halte das Coden scharf, und schreib drei echte Incidents als Zeitstrahl auf, blameless formuliert, samt dem, was du danach geändert hast.
Mock-Interviews legen die Lücken am schnellsten offen, besonders den Muskel Reden-während-du-denkst, den Troubleshooting-Runden verlangen. Genau hier verdient sich ein Live-Copilot seinen Platz. GhostPilot läuft während deines echten Gesprächs im Chrome Side Panel, hört mit und zeigt dir einen strukturierten Anstoß, wenn du hängst: den nächsten Debugging-Schritt zum Prüfen, eine SLO-Umrechnung oder den Fehlermodus, den du in der Design-Runde vergessen hast. Es hält dein Denken in Bewegung, wenn die Nerven dich leer machen, statt dir ein Skript vorzusagen. Mehr dazu auf ghostpilotai.com.
FAQ
Wie schwer ist das SRE-Interview im Vergleich zu einem Software-Engineering-Interview? Es ist breiter, nicht schwerer. Coden kommt weiterhin vor, dazu kommen aber Systems-Troubleshooting, Reliability-Rechnung und Verhalten im Incident, und genau da rutschen eng vorbereitete Softwareentwickler ab.
Müssen Site Reliability Engineers 2026 noch Coding-Runden bestehen? Ja. Fast jeder SRE-Loop enthält eine Coding-Runde, meist mittelschwere Algorithmusarbeit plus eine praktische Tooling-Aufgabe. Der Unterschied zu einem reinen SWE-Loop ist, dass Coden nur eine Säule von mehreren ist.
Wie beantworte ich SRE-Verhaltensfragen zu Incidents? Nutz einen klaren Zeitstrahl, konzentrier dich auf systemische Ursachen statt auf Personen, und schließ mit den konkreten Verbesserungen ab, die du umgesetzt hast. Blameless zu formulieren ist das Signal, auf das Interviewer hören, lass die Geschichte also nie bei einer Person landen.
Wie übt man die SRE-Troubleshooting-Runde am besten? Üb lautes Debuggen an simulierten Szenarien mit kaputten Systemen und erzähl dabei jede Hypothese und das Signal, das sie bestätigen oder killen würde. Die Runde bewertet Methode und Kommunikation, Erzählen schlägt also stilles Problemlösen.
GhostPilot AI testen
SRE-Interviews belohnen ruhiges, strukturiertes Denken unter Druck, und genau dann hilft ein leiser Anstoß am meisten. GhostPilot läuft im Chrome Side Panel und wird bei der Freigabe eines Tabs nicht miterfasst, dazu gibt es eine optionale Windows-Desktop-App, die unter Windows 10 (Build 2004 oder neuer) und Windows 11 für die Bildschirmaufnahme unsichtbar ist. Starte gratis mit 10-Minuten-Live-Sessions und unbegrenzten KI-Antworten, hol dir einen Session Pass für $29 (drei komplette Zwei-Stunden-Gespräche, einmalig, kein Abo), oder geh Pro für $59/Monat oder $192/Jahr ($16/Monat bei jährlicher Abrechnung).