我打算把 amazon MLE loop 的真实版本讲出来，不是那种润色过的。我刚面完 personalization team 的 L5 岗位。总共六轮，包括 phone screen。
phone screen： 一道 coding（中等 lc，树遍历）+ 两道概念性 ML 问题。ML 问题是：1）怎么评估一个 ranking model？2）bias 和 variance 的区别是什么，实际工作里各自会因为什么导致？如果你做过真实的 ML，这些不难，但能筛掉那种只背术语不理解的人。
onsite 第 1 轮：coding。 两道 coding。中等难度，数组和图。没有 ML 特化。这一轮最容易把「以为是纯 ML 面」的人烧掉。amazon MLE 面试有很重的 SWE 内容。你必须过 coding bar，就这么简单。
onsite 第 2 轮：ML systems design。 设计一个用于 amazon product search 的推荐系统。这轮看深度。他们不要教科书式 collaborative filtering。他们要的是：怎么处理 cold start？拉哪些特征？怎么平衡 exploration vs exploitation？怎么做 offline eval，再怎么做在线 AB test？我讲了先 candidate generation 再 ranking 的两阶段方案，他们对这种 framing 很熟（大概率他们系统就是这么做的）。
onsite 第 3 轮：applied ML。 讲一个你端到端做过的真实模型。和 DS loop 类似。他们要你讲生产落地的故事，包括失败。我讲了一个我做的 recsys，offline 表现很好但 online 很一般，最后发现 feature engineering 里泄露了未来信息。这种「战损故事」比纯成功故事更吃香。
onsite 第 4 轮：ML fundamentals。 深挖：比如 gradient descent 的变体以及各自适用场景、regularization、怎么处理类别不平衡、什么时候用 tree-based vs neural。比 applied 那轮更理论。
LP 轮： deliver results 和 think big。要有真实的影响数字。
对整个 loop 的真实感受：严格但公平。我没觉得是在和那种随意的刁钻题搏斗。不过 SWE 部分确实存在。如果你 coding 弱，就算 ML 深度很强也过不了 bar。先把这个补起来。
offer 下来了，l5，AWS AI services team，base 大概 $195k + RSUs，细节是近似值。