内窥MLE：面试和日常工作你需要的技能

记得加米记得加米记得加米

Context
AI更迭日新月异，这是一个纺织机取代纺织工人，蒸汽机取代车马夫的时代。越来越多人居安思危，寻找踏入AI行业的机会，追赶下一个生产力周期。
主包自己是DS转MLE选手，也在organic和ads干了几年，在这里以北美某锅炉厂炼丹🐮🐎视角，给想转行的旁友分享一下自己的两分钱。（叠个buff：以下中英夹杂慎入，文字仅代表个人观点🤧

MLE牛马分类
北美大厂MLE大致分几种，1️⃣product ml 2️⃣ml infra 3️⃣ml research，粗略估计占比7:2:1。鄙视链wise大概是3️⃣瞧不起1️⃣，1️⃣瞧不起2️⃣

转行的话3️⃣比较难，因为bar比较高，一般是名校phd在校已有相关经历，带资带人脉进各大厂AI lab，比如买 FAIR/羊驼（拉了），🐶 Brain/Deepmind等，做一些cutting edge的research发paper。他们的tc也是1️⃣2️⃣型MLE的1.5-3x。这类一般是大厂的军备竞赛和军火展示，不必羡慕。学术圈的事你少问

2️⃣的话更偏向于infra，也是sde转mle最好转的。基本就是ai基建，怎么做data & feature storage，分布式，model scaling，怎么解决model serving时的traffic balancing，latency等等。这个没做过不做过多评价，抛砖引玉等评论区大佬。

这篇笔记更focus在1️⃣，这类mle基本干的活就是modeling ds + sde。如果你本身是ds modeler或者sde，其实已经半只脚进了门。身边有很多ds，de，sde转这个工种。
一个合格的product MLE需要productionize你的ml model，给公司涨metrics。比如搜广推，及其llm的衍生技术，这三大传统ml方向各有自己的topline metrics。search有传统的SERP rate，以及结合了RAG之后的pDAU，是llm最大受益者和最速落地场景；ads一般是公司盈利大头，自然是goal on revenue；推荐算法广泛运用于各种organic surface，比如story，feed，reels，早期产品goal on DAU，成熟的产品DAU涨不动会goal on session或其他engagement metrics。广&推因为有很多seq data，也能用到很多llm的technique。

MLE面试内容
MLE的面试内容和DS相差很大，更偏向于SDE面试+ML domain knowledge。一般onsite包括
- Algorithm Coding：考察概率95%。一般是leetcode，最近🈶淡化趋势，因为公司想找bg更符合的candidate而不是背题机器，小公司尤甚。且VO+gpt加剧了coding作弊的情况
- ML Coding：考察概率50%，不是所有公司都会考。主包觉得这个更practical更考察ML基本功。面试内容是各种手写ML底层，比如KNN，deep learning NN，back propagation，multi-head attention，etc
- ML deep dive：考察概率50%，主要是了解一下candidate以前是否有e2e ml经历，model serve过多大的系统，做过哪些engineering tradeoff。如果没做过的话，一深挖基本露馅。为了打磨自己的depth建议多读一读各大厂的eng blog，比较推荐pinterest，abb，meta，uber，etc
- ML System Design：100%必考，target的级别越高越重要。这个和实际工作最贴合，考察如何design一个e2e的搜广推/llm ml system，比如短视频推荐，外卖送餐优化，llm-based search。答题框架一般是 data collection and cleaning, label and feature engineering, model arch design, offline training and tuning, online serving, monitoring system.  实际工作的senior level的eng基本也需要做全套这些，外加一开始需要做一些data driven analysis来justify the direction correctness. 这个需要靠平时工作多积累经验，如果工作不太相关的话，尽量多读读经典的paper(BERT, MoE, SNN, Two Tower, etc)和市面上一些ml design的书(grokking, Alex Xu, Huyen)，构建自己的答题框架和深度。
- Behavior：100%必考，target的级别越高权重越高。这个和ml design面的好不好直接决定你的级别，很多降级的人是因为这两个考察内容没有展现target level该有的signal。比如你面5和6，但是讲的故事还停留在feature level，或者是和小3小4扯皮。

MLE的日常工作routine（抽象版）
- Pipeline logging坏了，冒充de修一下
- Workstream里没ds，要roadmap了搞一些data analysis给leads画饼让老板招人
- Model training failed了，internal搜一下别人也有一样的bug，diss一下垃圾tools然后躺了
- AB test绿了🐸，炼丹师狂喜，draft一个launch proposal，然后被capacity block住
- AB test红了🌹，HBT要deadline了，daily warroom debug 急急急
- 多方利益冲突，Launch危，要不转组跑路吧

补充内容 (2025-06-22 15:27 +08:00):
后续：https://www.1point3acres.com/bbs/thread-1133906-1-1.html

1凭啥瞧不起2啊，2技术深度比1强很多，也不用天天为涨点焦虑睡不着觉，感觉入了门以后会舒服很多

从用词来看，楼主来自买它

借楼主帖子也来凑个热闹，之前是SDE现在是MLE，一个明显感受就是SDE比较安心，service搭起来就算impact， 工作不会浪费。MLE偏向玄学，每天炼丹也不知道能不能涨点有impact，不过也有好处就是比较适合idea多的人，因为中心目标就是metric gain，至于怎么涨的就看各位魔法师了。MLE工作比较杂，可以从Research/modeling到data cleaning以及传统backend work，专精程度看组而异。ML Infra可以非常硬核，即可偏向传统infra也可以偏向model serving。infra组里大神还是非常受尊敬的因为你的model训练中报错/卡住/各种问题你要找他来帮你debug。

已加米
楼主对MLE 1 方向，可能被LLM 取代的这件事怎么看？ 听说亚麻已经开始裁AS了，改用LLM
LLM自己写个 training pipeline 好快。

如果不想被取代，应该提升哪方面的技能？

alsoking 发表于 2025-06-18 18:18:20
1凭啥瞧不起2啊，2技术深度比1强很多，也不用天天为涨点焦虑睡不着觉，感觉入了门以后会舒服很多

同觉得2技术上更深一些 焦虑这个事儿或多或少会有 但愿能更平静一些吧

sde 转MLE要down level吗

anna-1080 发表于 2025-06-18 19:32:33
sde 转MLE要down level吗

ds de转是要downlevel的 sde转我觉得不用 都是一个job family

伊evaY 发表于 2025-06-18 17:48:31
已加米
楼主对MLE 1 方向，可能被LLM 取代的这件事怎么看？ 听说亚麻已经开始裁AS了，改用LLM
LLM自己写个 training pipeline

llm目前我觉得还替代不了吧😂 你说的对应该是autoML这类工具，我觉得目前还不够成熟只能辅助，这些工具也没有product sense

感觉真难

如果没有研究生学历 只有大厂sde经历 和本科阶段发过的paper 能转mle吗