2026年春天我走了一轮Lyft的MLE loop，目标是他们某个marketplace ML团队的L5岗位。我想写得更具体一点，而不是那种“他们问ML设计和coding”，因为那句话能描述90%的MLE面试，基本没信息量。
Lyft的ML组织重点就集中在几个真实问题上：driver-rider匹配、surge定价、ETA预测、供需预测。你的loop里ML system design那轮几乎必然会碰到其中一个。这不是巧合，所以按这个方向准备。
面试结构：
先是recruiter screen，然后是一轮technical phone screen（面试官是MLE或senior scientist）。电话技术面是1道coding（medium，Python，feature engineering和基础model eval：写一个函数，输入dataset和features，训练logistic regression并做评估。不是框架题，他们想看你是不是理解你调用的东西）+ 15-20分钟ML概念讨论：bias-variance取舍、regularization、你会怎么处理class imbalance。
Onsite四轮：
ML system design（60分钟）： 我抽到的是“design an ETA prediction system for Lyft rides.（为Lyft行程设计一个ETA预测系统。）”。到现在这基本算Lyft的经典题了。拆解方向：哪些特征重要（距离、时间段、历史分段耗时、实时交通），新路线分段的cold start怎么处理，怎么重训、多久一次，怎么评估（MAE还是分位数误差），怎么上线以及怎么监控distribution shift。他们要的是细节，不是框架口号。
Coding round 1： 偏算法。medium-hard。题目是高效更新一个streaming dataset的sliding-window统计。Python。后面还讨论时间和空间复杂度。
Coding round 2： 更偏应用。给一份dataset（用dict提供），写代码根据行程模式检测异常司机行为。不是纯算法题，他们更想看你如何定义这里的“异常”，以及怎么把它产品化、可运行。
Behavioral： 很常规。一次你不同意某个产品对模型特征的决策、一次你上线的模型表现不佳以及你怎么处理。这两类故事都准备好。
最重要的是什么： ML system design要讲深。不只是“我会用XGBoost”，而是为什么、你在生产里怎么评估、失败模式有哪些、feature staleness怎么处理。他们招的是上线过模型的人，不只是训练过模型的人。
L5在SF的comp我从recruiter聊天和Levels里拼出来，大概在$300-$350k TC区间。