刚走完 mercury 的 ML engineering loop，最后拒了他们的 offer。写下来是因为 fintech 的 ML 岗和大厂不太一样，我想分享下我学到的东西。
先说：mercury 的 ML 组织不大，是个小而专注的团队，在 dashboard 里做会影响到反欺诈、信用风险信号、产品推荐的模型。你不会是为了 LLM 本身去做 LLM。如果你想要那个，去别的地方。
recruiter screen： 30 分钟，作为第一通电话算问得很细。她真的会问你具体的模型经验（表格数据 vs NLP vs CV），也很直接地说团队大量用 tabular models。我主要是 NLP 背景，她也点出来了。这种坦诚我挺感激，哪怕也意味着路会比较难。
technical phone screen（60 分钟）： 两部分。前半是 ML 基础聊天：过拟合、正则化、你会怎么处理反欺诈数据集里的类别不平衡（剧透：这是刻意的）。后半是 python coding，不是算法谜题，更像是给你一个 dataframe，让你写 feature engineering 代码。偏 pandas/polars 那种操作。
virtual onsite（4 轮）： ML system design。我拿到一个反欺诈场景，需要把全流程 pipeline 走一遍：feature engineering、模型选择、服务架构、线上监控。他们特别在意监控这块。反欺诈里的 model drift 是很真实的运维问题，他们想知道你有没有想过。coding（更多 feature engineering + 一些 sklearn）。product/stakeholder（你怎么跟非技术的人解释模型决策，要具体例子）。behavioral。
他们真正想找什么： 金融场景里的实用 ML。你如果能聊清楚类别不平衡、时间序列切分里的 data leakage、可解释性（我聊天里自然提到 shap values），以及线上监控，你就很有优势。研究背景没那么重要，更看重落地能力。
comp offer 大概是 200-220k TC。我拒了是因为团队规模对我目前职业阶段来说太小，不是流程有什么负面。