一个搜广推MLE 在 AI 转型期的面试观察
找工就业
地里匿名用户KDIYB
- 背景
这次找工作并不是因为急着跳槽，而是想看看 AI 转型的大背景下，传统搜广推 MLE 的机会还有多少，也顺便了解一下各家公司目前真正的技术方向。
这里主要记录一下面试大体形式，给同样背景的同学一点参考，以及过程中自己踩的坑，还有对现阶段面到的几个公司技术方向的了解。
⸻
- 面试机会
年初的时候抱着试试看的心态投了几家 Frontier AI Lab，基本都是 Research Engineer 岗位。
我的背景不算 match，为了提高匹配度，简历上加了一些 LLM side project，以及工作中跟 GenAI 沾边的工作重点写了一下。
其中大部分杳无音信，收到面试的有 OpenAI 和 Meta FAIR Lab。
第二阶段：MLE 海投
拖拖拉拉到 4 月份，又开始投递第二波。
这次主要投的背景非常 match 的一些大中厂以及几个 startup 的 MLE 岗位，大概有 20 家左右吧。
没想到的是几乎全部石沉大海（大部分没回复，回复的也是拒信模板）。
第三阶段：LinkedIn 和内推
5 月份转而在地里找内推，打开了 LinkedIn 找工状态。
这两个渠道非常靠谱。几乎每周 LinkedIn 上都能收到几个 HR reach out。
4 月份自己投的那些公司当时被拒，大部分在这时又被 HR 主动联系，甚至一模一样的岗位。
这其中有 Pinterest、DoorDash、Whatnot、Shopify、Uber、Amazon、Netflix、Reddit 等，还有一些 AI startup。
回头看，很多岗位并不是没有 HC，而是不同渠道的效果差异确实很大。真正有效的渠道其实只有两个：LinkedIn Recruiter 和内推。海投的回报率远低于预期。
⸻
- 面试类型
- 一般公司这轮只是问些常规非技术问题，如为什么换工作、需不需要 sponsor。
- 值得注意的是薪资要求，尽量不要过早透露数字。尤其是一些比你现在公司小、薪资不高的公司（不是理想公司但可以攒面经）。
- 我唯一一个 Recruiter Screen 挂掉的就是因为透露了薪资水平。
- Startup 有例外，他们在这轮可能会给一些 case study 的问题，比如模型线上 serving 的时候出了 incident，你怎么处理，考察你是不是只会做模型。
- 除了 Research Scientist，大部分 MLE 岗位 Coding 轮都是 SWE 来面的。
- 尤其是 AI Coding，除了算法本身，还让你设计 API、写 service 直接跑起来。实在不知道对 AI Tool 的依赖什么程度合适，这轮谁有经验能分享一下。
- 现在越来越少公司考纯 LeetCode，更常见的是场景题：给一份已有代码，让你不断优化复杂度或增加功能。既考 Coding，也考解决问题的能力。
- Coding 建议练到 Medium bug free 再去面试。我基本是以面代练，因此错失了不少 onsite 的机会。
- 传统 MLE 考察 ML Coding 的公司不算多（可能跟岗位、Level 相关），目前碰到的有 Netflix、Uber、Reddit。
- 给你一个数据集，让你写代码处理数据、Feature、训练模型，再评估。
- LLM 相关的会让你实现 Transformer 的一部分，或者 Debug。这个在 OpenAI 和 Amazon 的面试中都碰到过。
- 这轮不同公司考察的点区别很大。
- 有的公司会考 Case Study，拿一个他们公司碰到的真实问题来看你怎么处理。比如对于数据短缺，他期望你能想到 Knowledge Distillation；再比如 Reddit 是探讨如何通过外部数据优化现有模型。
- 这轮我感觉比一般 SD 更难，你的知识面要广。
- 还有一种是考八股。Amazon 八股问得非常细，写公式、不同 Attention 机制的复杂度、LoRA、Fine-tuning 等。
- 这轮相对比较好准备，大部分公司考察点差不多。
- 值得注意的是 ML Infra 部分，好多做模型的人对 Infra 了解不够，尤其是 Latency 优化、Real-time Feature Pipeline 之类的问题经常会被问。
- 我最大的体会是，不要默认 Scope 最大、Impact 最大的项目就是最好的项目。
- HM 更关心的是你和团队的匹配程度。
- 如果你面的岗偏模型，就找跟组里做的事情最匹配、技术深度更好的项目讲，其他维度不够的可以根据岗位适当调整讲述重点。
- 如果岗位强调 Cross-functional、Tech Lead 的角色，你讲项目的角度就会完全不同。
- 按照 Amazon 的 LP 准备就够全了。
- 几点感悟
- 如果很久没面试过，一定要先面几家不大可能去的，评估一下自己的水平，查漏补缺。不要像我一样 Top 公司放前面，以面代练，白白浪费很多机会。
- 有些公司面试提示模糊，网上分享的面试题又少，我会去看面试官的 LinkedIn，根据他的背景猜 ML 题目方向，也确实打中过几次。
- 每次面试结束，我都会问他们公司目前使用什么模型，后面着力方向在哪。 目前来看，这些公司多多少少都在往 GenAI 靠，比较常见的是用在 Retrieval 阶段，或者生成 Feature 给主 Ranking Model 使用。直接把 GenAI 架构用做主要推荐的还没有。Ranking Model 一般还是 DCNV2、DIN 这些，但是多个 HM 面都会直接问有没有 GenAI 的经验，可见方向倾向性。
- 在大模型 Serving 困难的现状下，Distillation 似乎用得很多，至少两家公司提到他们用这个解决线上 Serving 问题。
- 现在市场上 Candidate 太多了，很多面试已经不是考你懂不懂，而是考你是不是比别人更懂。 你的技术既要深又要广。深是要让面试官眼前一亮，给 Strong hire；广是因为有的面试官喜欢问他自己擅长但不太大众的东西。当然，即使我懂，也做不到。
面试之前，我对传统搜广推 MLE 的未来比较悲观。
但实际面下来，GenAI 对推荐系统的冲击并没有想象中那么快。传统搜广推依然有大量工程和业务价值，MLE 更大的挑战可能是保持快速学习能力，让自己的技术栈持续跟上行业变化。
以上只是我这几个月面试的一些观察，涉及公司有限，也难免有个人视角的偏差。欢迎一起交流，互相更新一下市场情况。
已获得 83 大米
+2
共39条回复
✨ 您正在体验新版论坛UI
