上季度刚做完 GitLab 的 MLE 面试 loop。分享一下，因为非 FAANG 公司的 MLE 面经很少，我只能从旧帖里一点点拼。
简单背景：我面的是他们 AI/ML 团队的一个角色，做的功能类似代码建议（可以理解成 GitLab 版 Copilot）。我之前做 recsys，这次算小转向。
整个 loop
和团队里的一个 data scientist 做 phone screen：45 分钟。背景问题，然后一道中等难度算法题（不 ML 特化，就是 LeetCode 风格）。我感觉他们是在确认基础 coding 能力。
和 ML engineer 的 technical screen：60 分钟。两部分。第一：给一段有 bug 和低效写法的短 Python 代码，让你解释哪里不对并修好。第二：从零设计一个简单的 ranking model，针对一个假设功能。聊了 training data、features、loss functions、evaluation metrics。不需要什么 GPT 魔法，就是扎实的 ML 基础。
Onsite：4 轮。
第 1 轮：ML system design。设计一个代码补全建议系统。这显然是他们产品里真实存在的。你需要考虑延迟（推理要快，不然开发者会很烦）、模型大小的权衡、context window 怎么处理、质量怎么评估（BLEU 用在代码上很差，那还能用什么）。我提到用户反馈信号，他们看起来挺感兴趣。
第 2 轮：Coding。两题。一题数据结构题，一题更偏 ML：实现一个简单的 precision/recall 计算器，并解释什么时候你会更看重其中一个。
第 3 轮：Behavioral/values。全程 STAR。他们问了我怎么快速迭代一个效果不好的模型，以及一次我和 PM 在功能方向上有分歧的经历。GitLab 的快速迭代价值观会在这里出现。
第 4 轮：Hiring manager。更像聊天。他问我对“dev tools 的 ML”具体最感兴趣的点是什么。
整体感受
技术门槛更像“扎实的 senior IC”，而不是前沿研究员。他们做的是产品功能，不是发论文。如果你能设计务实的 ML 系统、能自信 debug Python、并且能结合产品语境思考，你就够格。
Comp：大概 L5 对标，US remote，base 约 $190k。Equity 每年 refresh。