刚走完 Databricks MLE loop。投的是 senior MLE 岗（大概 L5 对标）在他们某个 MLflow 相关的团队。直接说说哪些地方让我意外。
我以为会是： 很重的 ML 理论，可能一些 coding，标准 FAANG 风的 behavioral。
实际拿到的是： 比我预期更偏系统和 data engineering。回头想也合理，因为他们的核心价值就是 Lakehouse 架构。如果你以为这是纯 ML 研究面试，会被打个措手不及。
整体 loop（5 轮）：
Coding：两轮。都属于我会叫「数据偏重的 coding」，不是纯 LeetCode。一题是解析并聚合结构化数据。一题是把图题套在 dependency graph 上。中等难度。没有 NLP 或训练相关的题。
ML system design：这轮最有意思。让我设计一个大型电商平台的 feature store。聊了 point-in-time correctness，offline vs online consistency，以及怎么处理 training-serving skew。我深入讲了用 Spark 做批计算，他们也一路追问下去，包括分区策略这类细节。这确实是很 Databricks 风格的问题。
ML depth：一轮更传统的 ML。bias-variance、regularization、如果模型 offline 表现很好但线上变差你怎么 debug。面试官特别 push 在 production 部分。他们想要的是会考虑部署、监控和数据漂移的 ML engineer，而不是只盯着模型指标。
Behavioral：挺标准。讲影响力故事、跨职能推动。还有一个问题是：讲讲你如何帮非技术合作方理解一次模型失效。
我的真实感受：如果你背景更偏研究、production 系统经验有限，面试前建议花时间看 Spark、MLflow 和 Lakehouse 的文档。他们不是要 Databricks 认证，但确实想要理解他们所在领域的工程师。