New Grad找MLE/RS 27找工季第一面 ：）复盘+总结+经验分享

刚从实习回来，今天面了某国内大厂的 MLE，分享一下新鲜出炉的心路历程，顺便求加米！我很多信息模糊化了，也希望大家不要过拟合，我面过挺多岗位，要求都不太一样，人精力有限，无法做到尽善尽美是人之常情，也希望大家不要太过焦虑！

楼主是硕士 New Grad，最近刚开始准备找全职。去年找实习时刷过一些 LeetCode，但 ML 八股和 System Design 一直是我的弱项，当然，我的 LeetCode 也比较一般，ML Coding 更是没怎么系统练过。。。

这家公司和我之前面过的一些美国 Tech 公司相比，个人感觉更侧重 ML 基础知识和项目经历，整体是一次比较 generalized、standardized 的面试体验。面试官人很好，在我卡住的时候给了很多提示，真的感谢，
前半部分主要聊实习项目，做的是推荐系统中的 Retrieval，我花了一些时间介绍了这些东西

• 项目具体做了什么；
• 为什么采用这样的设计；
• 当时面对哪些系统和 Serving Constraints；
• 模型训练中的资源配置与计算成本取舍；
• 自己在实验中的一些观察和思考；
• 为什么最终选择了这套兼顾效果与线上 Serving 成本的架构。

面试官也询问了项目是否上线，我如实说明了项目最终的交付范围并没有上线

中间还聊到了最近比较火的 xxx，我提了一些我们在探索中遇到的问题，以及为什么在当时的系统约束和项目周期内没有采用这条路线。面试官表示，他们在自己的业务场景下已经有相应的处理方案。

我当时听到后愣了一下，当时没能马上组织好回答，后来复盘觉得，更合适的回应应该是 - 我并不认为 xxx 本身不可行，只是不同公司的数据分布，系统架构，计算预算，Latency，Freshness ，Serving Requirements 都不一样，因此适用的处理方案也会不同，如果当时能进一步追问对方解决这些 Trade-offs 的关键设计，应该会让讨论更有价值吧

接下来进入 ML 八股环节，此前我没有面过国内大厂，只是听说国内厂通常会更重视基础知识和项目考察。相比之下，我之前面过的一些美国 Tech 公司没有如此广泛地覆盖传统 ML 模型，至少从我这次的个人体验来看，这一轮考察的 Breadth 确实比较广

然后毫无悬念，我拉垮了（笑），不少知识以前确实学过，但平时做的方向比较集中，临场没有顺利调出来。面试官一直努力给提示，也辛苦他了。

这轮最大的复盘就是，如果准备国内大厂的 MLE，ML 八股一定要认真、全面地过一遍，不能只准备和自己当前项目最相关的部分，传统 ML等基础知识仍可能被广泛考察

项目部分我个人感觉，只要能够把问题、设计依据、系统约束和 Trade-off 讲清楚，做到言之有理即可吧。。。
总体来说，这个岗位和我的经历不算特别 Match，加上自己准备不足，表现拉垮确实没有什么借口，接下来还得继续沉淀

另外，我的 Coding 和 ML 知识体系基本都是用英文学习的，这次技术部分主要使用中文交流，一些术语需要临场在中英文之间转换，因此表达上出现了一些卡顿，这不是主要原因，但也是我之后需要专门练习的地方。

最后祝各位接下来的 Intern/New Grad 招聘顺利！也祝已经 Full-time 的朋友们下半年，Scope +++ Workload --- Promotion +++ 空余时间 +++ 如果这篇复盘有一点帮助，求加米！还差 40 到 200 了：）

AI Usage Disclosure：本文我让ai修了一下，我说实话我写作能力不如孙哥新概念一等奖的水平，怕大家读的难受：）本人已经审计过了！