大概两个月前刚走完 eBay 的 MLE loop。分享一下，因为网上很多泛泛的“ML 面试技巧”，但针对 eBay 的不多，而他们的 ML 问题空间确实很有意思（search ranking、recommendations、fraud detection、price prediction）。
流程是：recruiter screen，ML technical phone screen，四轮 onsite（线上）。总时长大概 7 周，中间 debrief 有点慢。
Phone screen 45 分钟。一道 coding（中等 LeetCode，arrays）+ 一道 ML 问题：“walk me through how you'd build a click-through rate model for eBay search results.” 不算特别深，更多看你能不能把问题讲清楚。feature engineering、training pipeline、离线评估、A/B test 考量。
Onsite 第 1 轮是 coding。两题，DSA 为主，和通用 SWE loop 差不多，没有 ML 特化。我拿到一题 graph traversal 和一题 dynamic programming。难度 hard-medium。
Onsite 第 2 轮是 ML system design。题目：给 listing page 的“similar items”设计 eBay 的推荐系统。我讲了 candidate generation（基于 embeddings 的 ANN retrieval）、ranking（LambdaRank 或 GBDT ranker）、feature store、serving latency 要求，以及 online/offline 评估。面试官重点追问：怎么处理 popularity bias；没有干净 ground truth 时怎么评估；新 listing 的 cold start 怎么办。这轮技术含量最高，也最有意思。
Onsite 第 3 轮是 ML theory 和概念。不是看感觉，是真的深。问题包括：解释 gradient boosting 以及你会怎么调；L1 和 L2 regularization 在实践中的区别（不只是公式）；fraud detection 里怎么处理 class imbalance；什么是 feature leakage 以及你怎么发现它。我做这行 8 年了，其中几题也让我认真想了一下。
Onsite 第 4 轮是 behavioral。标准 STAR。他们特别问了我一次和产品在用什么数据这件事上的分歧。感觉是他们真的遇到过的场景。
薪酬：我的 offer 是一个 senior MLE 角色，San Jose，base $230K，4 年 grant 的 RSUs 算下来总包大概 $380K。我还有一个小公司 offer，base 更高但 total 更低。最后选了 eBay，因为问题域更对口。