我走完了 PANW 的 MLE 面试，岗位在他们的 threat intelligence ML 团队。发个拆解，因为「安全公司里的 ML」和消费/广告公司的 ML 真的不太一样，而我当时也没找到太多针对性的内容。
团队背景 这个岗位是做模型来分类 malware、检测异常网络行为、按严重性对威胁做排序。领域很重要，因为数据很不一样：稀疏、极度不均衡、对抗性强（攻击者会主动想办法绕过你的模型）。如果你不懂怎么在真实上线场景里处理 class imbalance，这个面试会很难。
流程：5 轮 Recruiter + hiring manager 电话 Take-home ML fundamentals System design Behavioral
Take-home 给一个带标签的 process events 数据集（benign vs malicious）。要求：做一个分类器，用合适的指标评估（提示：accuracy 在这里是错的指标），描述你会怎么处理 concept drift。我用 LightGBM，重点讲 precision/recall/F1，也讨论了 SMOTE 和 cost-sensitive learning 来应对不均衡。他们对 drift 那段给了明确正反馈，据说那是大多数候选人薄弱的地方。
ML fundamentals 非常深。他们问了：从零解释 gradient boosting，random forest 什么时候优于 gradient boosted tree，SHAP 怎么工作以及为什么在相关特征上 SHAP 值可能会误导，什么是 isotonic regression calibration，以及为什么会在训练后用它。最后这个问题确实很安全领域：如果你在打 malware 可能性分数并把分数给分析师，校准非常关键，因为分析师会信那个数字。
System design 设计一个实时 malware 分类 pipeline。输入是文件 metadata 和行为日志（API call sequences）。从 ingest 到 prediction 到反馈闭环都要讲（包括怎么把分析师的标签纳入 retrain）。我在反馈环节花了很多时间，因为这才是真正难的部分：你得记录分析师 override 是因为模型错了，还是因为分析师有额外上下文。
Comp Senior MLE，Bay Area：总包 $235k，base $165k。4-year vest。2026 的 offer。