2026 年初走完了 Notion 的 ML engineer 面试。分享出来是因为我准备时完全找不到什么有用信息，搜到的基本都是他们的 SWE 流程。
先说清 Notion 里 ML 到底指什么。他们在 AI 功能上推进很猛：Ask Notion / AI assistant 那些东西，smart summaries，block 自动分类。所以 ML 团队不是做纯研究的。他们要能 build and ship 的人，懂 LLM 集成模式的人，也要对什么时候该用 fine-tuned model、什么时候用 retrieval-augmented system、什么时候用 prompt-engineered 有自己的观点。
准备时要把这个前提记在脑子里。
流程：
Recruiter screen（30 分钟），然后是一轮团队工程师的 ML 专项 phone screen。这个 phone screen 更像技术讨论，不像 coding test。我们聊了我做过的一个推荐功能，我的训练 pipeline 长什么样，我怎么评估，以及回头看我会怎么改。他们不在意你能不能背 ML 基础概念，更想看你能不能把 ML 放在真实产品语境里思考。
Virtual onsite，4 轮：
ML system design（60 分钟）： 设计一个 AI 驱动的文档摘要功能。这题跟他们实际产品路线图贴得太近了，近到有点像真的在做 spec review。我讲了长文档 chunking 策略、embedding model 的选择、延迟的 tradeoff、底层文档变化时怎么处理更新。他们对 latency 的追问非常狠：摘要多长时间算可接受？用户预期是什么？最后变成了既像产品讨论，也像 ML 讨论。
Coding（45 分钟）： 标准 Leetcode medium，没有 ML 专属内容。对那种没怎么刷算法的 ML 候选人来说会有点烦，所以还是得准备。
ML fundamentals + applied（60 分钟）： 这一轮很深。gradient descent、regularization、为什么 dropout 有用、attention 机制。然后转到：你会怎么评估这个摘要功能、哪些指标合理、怎么避免 eval gaming。评估这部分我见过很多人翻车。要知道自动指标和人工评估的区别，并且对什么时候该用哪种有观点。
Behavioral（45 分钟）： 跟公司其他岗位一样。带 STAR 故事，尤其是关于不确定性和跨团队协作的。
总体：对一个这个体量的公司来说，这个 loop 比我预期更难。如果你来自纯研究背景，你会需要练习把你做过的东西翻译成产品语言。如果你来自大厂的 applied ML 团队，会更熟悉。
我看到的 comp，大概在 2026 年 SF 的 L4/L5 对标 $220-260k TC，取决于 level。股权池比 FAANG 小，但 vest 更快。