今年早些时候我走完了 Instacart 的 MLE loop。目标是他们个性化/推荐团队里的 senior ML engineer 岗，分享一下我看到的情况。
简版：这是一个真正的 MLE loop，不是披着外衣的数据科学面试。他们在意的是系统，不只是模型。
轮次： recruiter screen（30 分钟） phone screen：ML fundamentals + coding（45 分钟） virtual onsite：4 轮
phone screen： 一道 python coding，典型 array manipulation。然后大概 15 分钟 ML 问答：logistic regression 怎么工作、bias-variance trade-off 是什么、在业务语境下解释 precision-recall trade-off。不算难，但你要讲得清楚且准确。
virtual onsite：
ML design： 这是核心轮。我拿到的问题是：「design a recommendation system for Instacart's 'you might also need' feature.（为 Instacart 的「you might also need」功能设计一个推荐系统）」。开放题。他们想看：我怎么定义问题（什么算「好」？）、feature engineering 的选择、模型选择和理由、offline vs online 的评估指标、以及怎么处理 cold start。差不多一小时，而且会深挖。如果你有 recsys 经验，就多用这部分。如果没有，补一补 collaborative filtering、matrix factorization、以及基础 two-tower 模型。
coding： numpy/pandas 题，主要是在大数据集上做 feature 计算。vectorized operations 很重要。他们会点出那种大量 for loop 的解法。
ML fundamentals： 深度很够。gradient boosting 的高层原理、解释 attention mechanism、L1 和 L2 regularization 的区别和使用场景、训练集类别不平衡怎么处理。别只背定义，他们会要你应用。
behavioral： 标准。讲一次你上线的模型表现不如预期的经历，以及你学到了什么。
感受： instacart 的 ML 问题确实很有意思。shoppers 和 customers 的供需动态、地理约束、实时库存变化，这些语境在面试里以一种很好的方式出现。面试官看起来确实在做这些东西。
我的 offer 在 SF senior 的 $280-320k TC 区间，按 2026 来看算有竞争力，但不是顶配。