走了一遍 Coinbase 的 MLE 流程，投的是 mid-senior 的 ML 岗。五轮。我拆解一下，因为有些考察角度挺出乎意料的。
ML system design： 这是我准备最充分的一轮，但走向和我想的不一样。我以为他们会让我设计推荐系统或反欺诈（对 Coinbase 都很相关）。他们让我设计交易异常检测系统。其实我猜得还挺准，但细节非常 Coinbase：怎么处理链上行为部分公开这一点，也就是说你可能比典型 fintech 拿到更多信号？用客户数据做模型训练时会有哪些合规/监管约束？这些 compliance 的细节才是有意思的部分。
Coding： 两轮。第一轮是 LeetCode 风格的 Python，我拿到一道中等图题。第二轮更偏应用。他们给了我一个数据集 mock（只是列名和规模描述），让我写伪代码，做一个面向异常检测任务的特征工程 pipeline。不是考语法，是看你能不能从原始数据推到可训练特征，并判断什么才真正重要。
ML depth： 有一轮基本是 ML 知识面。问题包括：把 bias-variance tradeoff 套到他们描述的具体场景里；如何处理 class imbalance（对 fraud/anomaly 很关键）；概率输出的 calibration。有一个问题我答得不太好：对于一个标记链上钱包行为的模型，随着新协议不断出现，合法行为模式每几个月就变一次，你会怎么处理 concept drift？我答的是监控 + 固定节奏 retrain。他们继续追问。我觉得我拿到了一部分分数。
Behavioral： 有一轮聚焦技术领导力，不是带人管理。内容是：在不确定性下做技术决策、无权影响、交付不完美但够用的模型。算标准题，但他们的 framing 很好。
Offer 大概是 SF 的 senior MLE base $210k。股权不少。薪酬感觉是在用力对标 FAANG，但又不是 FAANG，差不多就是这个定位。