我今年早些时候走完了 cloudflare 的 ML engineer loop。资料不多，所以发出来希望能帮到别人。
背景：我投的是他们 bot detection / traffic intelligence 团队的岗位。你面不同 ML 团队的话体验可能不一样。
recruiter screen。 30 分钟。不考技术，主要聊 scope：团队做什么、我会做什么。他们很坦诚这里的 ML 更偏应用和生产，不是偏研究。如果你想去能发论文的地方，这里大概率不是。
technical phone screen。 1 小时，两部分。前半是 ML 概念：让我用通俗的话解释 gradient boosting，然后聊怎么处理二分类的 class imbalance（他们的场景是区分 bot 流量和人类流量）。后半是 coding 题，中等偏中，涉及字符串解析和一点树遍历。对 ML 岗来说我没想到会这么出题，但也合理：你写的是生产代码，不是只跑 notebook。
onsite（4 轮）。 ML system design：设计一个在 Cloudflare 规模下的实时网络流量异常检测系统。他们非常在意 latency 约束，以及模型准确率和推理速度的权衡。feature engineering 的讨论很实。 coding：两道标准 DSA 题，都是中等 LC 难度。一题 intervals，一题 graph。没什么离谱的，但你得扎实。 applied ML：深挖一个过往项目。这轮是我觉得最好的一轮，像真正的工程讨论。他们追问了「分布漂移时怎么 retrain」以及「怎么在 prod 里检测模型退化」。 behavioral：问得很细，关于处理模糊的数据质量问题、跨团队合作、以及我曾经不得不砍掉一个项目的经历。中间也穿插了 cloudflare 的文化问题。
结果。 我拿到了一个我认为是 senior MLE level 的 offer。Base 在我对 Cloudflare remote role 的预期范围内。薪酬结构是 base + RSUs + bonus，equity vesting 是 4 年带 1-year cliff，标准配置。
如果让我带人准备：把 ML system design 练到位，把你的 production ML 故事背得滚瓜烂熟。applied ML 那轮权重很大。