今年早些时候走了 MongoDB 的 MLE loop，岗位在他们 AI 和 ML platform 团队。他们现在在做真正的 ML，主要围绕 Atlas 里的 vector search 集成、自然语言 query 生成、以及内部 ML 工具链。这不是那种「数据库公司在做 ML 表演」。
流程大概是这样：
recruiter screen：很快，聊背景和为什么在数据库公司做 MLE。这个问题其实很合理。我大概说了我想做 ML 和结构化/非结构化数据检索交叉的方向。他们觉得这个动机说得通。
ML technical screen（60 分钟）：问我设计一个 recommendation system，重点在 retrieval stage。很贴合 MongoDB 在推 Atlas Vector Search。我们聊了 embeddings、approximate nearest neighbor search（他们知道 HNSW，因为产品里就有）、以及 evaluation metrics。整体是很扎实的对话。
onsite 有 4 轮： ML system design：设计一个 entity resolution pipeline。聊 feature engineering、candidate generation、blocking 策略、模型选择、以及怎么处理 cold start。他们要的是端到端思考，不只是模型。 coding：LC 风格，一道 medium。不偏 ML，就是标准算法题。你需要能写出干净的代码，不是只会 PyTorch。 applied ML / case study：给一个业务问题（大概是提升 query suggestions），你会怎么做。很偏产品，不是纯研究题。他们在意你能不能 scope，而不只是建模。 behavioral：ownership、跨职能协作、以及一次你上线的 ML 系统没按预期工作、你怎么处理。失败题永远比你以为的重要。
timeline 总共大概 5 周。offer 对 senior MLE 来说很有竞争力：NYC base 大概 $220k，RSU 包也很大。
如果你来自纯研究背景，你需要证明自己能把东西上线。如果你来自 adtech 或 fintech 的工业界 ML，vector search 和 retrieval 会是最自然的切入点。