4 月我走完了 Lyft 的 final loop，投的是 ML engineer。虽然是线上，但他们叫它 “onsite”。下面按 SWE/ML 的视角拆一下。
轮次结构（总共 5 轮）： Coding 1：算法题，45 分钟 Coding 2：更实用/偏应用，45 分钟 System design：1 小时 Behavioral：45 分钟 Hiring manager chat：30 分钟（不完全是打分轮，但他们可以标记疑虑）
轮次通常分两天半天，或者一天全做完。我当时一天连着做，真的很累。可以问 recruiter 能不能拆开。
Coding 两轮： 第一轮是图题。第二轮他们叫 “practical coding”，算法味更淡，更像写干净的生产代码。比如：给你一个数据结构，让你为它写一个 API，包含合理的错误处理和几个方法。这轮有点像 code review。他们在意 edge case、命名、清晰度，不太在意大 O 优化。
System design： 我另开帖写过。偏实时或 marketplace 相邻的问题。进面试前要搞清楚 Lyft 的业务到底怎么运作。
Behavioral： 三道问题，深挖。他们不是走 checklist，而是在追问。我提到一次组织冲突后，那一题就扩展成了 25 分钟的对话。
HM chat： 更偏聊天。我 HM 问我觉得 Lyft 的 ML 挑战里最有意思的是什么、我前 6 个月想做什么、以及我对团队有什么问题。不是陷阱轮，但也别梦游着过。准备一些关于具体工作的真问题。
Calibration 和时间线： 他们说 loop 结束 2 天内会 debrief。我在 3 个工作日后收到 recruiter 的反馈。口头 offer 后，细节又花了 4 天。OA 到 offer 总时长大约 6 周。
整体：流程组织得很好，面试官都准备充分，没有人想耍小聪明或挖坑。最难的部分就是一天内量太大。