我面了 Meta 的 MLE loop，Feed Ranking 团队，E5 级别。下面直接说哪些重要，哪些在准备指南里被夸大了。
流程（E5 MLE）： Recruiter screen Technical phone screen：coding 或 ML design，按团队不同 Onsite：coding x1，ML system design x1，ML depth/theory x1，Jedi behavioral x1
有人说 onsite 会有两轮 coding。我只有一轮。题是中等难度的数组/hash map，没什么怪东西。coding 别不准备，我见过有人在 Meta 的 MLE loop 里因为把 coding 当成配菜直接挂。
ML system design： 这是最区分人的一轮。他们会给经典推荐/排序问题：设计一个 feed ranking system，设计一个内容审核 classifier，设计一个 ads relevance model。他们想要的框架是： 问题定义：优化目标是什么，业务目标是什么，怎么对应 数据：训练数据从哪来，怎么拿 label，类别不平衡怎么处理 特征：用哪些信号，实时特征 vs. batch 特征怎么做 模型选择及原因：先从简单的开始（logistic regression），知道什么时候需要更复杂（two-tower、transformer） 训练：loss function，评估指标（AUC、NDCG、precision@k） Serving：延迟约束，两阶段 retrieval + ranking pipeline 怎么做 Monitoring：怎么发现 model drift，feedback loop
你不需要是 ML 研究科学家。你需要能把一个模糊的业务问题，拆成一条端到端、看起来真的能上线的 ML pipeline。
ML theory 轮： 比你想的轻。我的问题有：解释 gradient descent，什么时候用 L1 vs L2 regularization，用自己的话解释 bias-variance tradeoff。有一道 attention mechanisms，偏概念而不是数学。不需要从零推 backprop。
我会跳过的： 刷 LeetCode hard。不值。相关类别（arrays、hash maps、trees）做一些 medium 就够了。Meta 的 MLE loop 不像某些公司那样在测 LC-hard 水平。
TC 备注（不说具体数字）： Meta E5 MLE 的 comp 很扎实。RSUs 才是重点，他们 refresh 很激进，股票表现也强。