今年早些时候我走完了 atlassian 的 ML engineer 面试流程。这个 track 几乎没什么人写，所以把我看到的情况分享一下。
atlassian 的 ML 岗分布在几个产品方向，主要是推荐系统（给 jira/confluence）、搜索相关性，以及一些自动化智能相关的工作。我申请的是 search 团队。
流程 recruiter call。take-home coding assessment（比较少见，是一个 2-3 小时的 ML 向问题，不是 leetcode）。然后是 4 轮 virtual onsite。
take-home 他们给了一个 dataset，让我训练一个 classifier、做评估，并写一份如果有更多时间我会怎么改的说明。整体偏数据科学风格，但他们会认真看 writeup，onsite debrief 里也提到了。
onsite 轮次 ML depth：基本是围绕 take-home 聊，然后延伸到如果从零做一个推荐问题我会怎么做。聊了 candidate generation、ranking、feature engineering、offline vs online eval。他们对 buzzwords 不买账，追问默认你真的懂数学。 Coding：普通 SWE 轮，LC medium。不写 ML 相关代码。 System design：设计一个面向文档检索的搜索相关性系统（和他们实际产品非常相关）。我们聊了 BM25 vs dense retrieval、hybrid 方案、延迟取舍、怎么在不毁用户体验的前提下对 ranking 变更做 A/B test。 Behavioral：还是 atlassian values。这一轮和其他岗位同等权重。
他们真正看重的 说实话，感觉不像大厂那么偏 ML 理论，更像在看工程判断力：在真实约束下能不能做出合适的模型选择。有位面试官还专门问了我：「what would you cut first if you had to ship in half the time.（如果你必须在一半时间内上线，你会先砍掉什么）」
total 大概 7 周。最后给了 offer。欢迎提问。