大概两个月前走完了 PayPal 的 MLE loop，面的是 fraud detection 团队一个 senior ML engineer 岗位。下面是实际情况，不是“修饰过”的版本。
轮次： recruiter call、ML coding screen，然后是完整的线上 onsite 共 5 轮。
ML coding screen： 给了我一个数据集（合成的，交易历史相关），让我用 Python 做一个简单的 fraud classifier。Sklearn，基础 pipeline：preprocessing、feature engineering、model selection、evaluation。他们在意你对特征选择和指标选择的 reasoning。比如为什么 fraud 要看 F1 而不是 accuracy，要把这个讲清楚。他们不指望你 45 分钟做出一个 94% AUC 的 gradient boosted tree。他们想看的是系统化思考。
Onsite 细分： Coding：数据结构/算法，LeetCode 中等。一题图（在交易网络上 BFS），一题数组处理。不花哨。Python 写干净。 ML system design：这是最硬的一轮。设计一个 real-time fraud detection system。全范围：从支付事件流做 feature engineering、模型训练 pipeline、实时推理的延迟约束（他们说 <100ms）、针对 concept drift 的监控。我讲了 feature store、online vs. offline feature computation、shadow deployment 上新模型。他们对监控问得很深，比如监管政策变化后欺诈模式变化，你怎么检测。 Applied ML：给了一个场景，你的 fraud 模型 precision 随时间下降。让你做 root cause analysis。本质上是模型 debug 轮。要熟 confusion matrix 机制，以及 precision/recall 的变化分别意味着什么。 Behavioral：标准 STAR。特地问了一题：你有没有一次需要向不信任模型的非技术 stakeholder 解释模型决策。这个在 PayPal 很常见，因为 compliance 和业务团队都会参与。 Cross-team/leadership：他们想知道我会怎么和 data engineer 们一起做 feature pipeline，也会怎么和产品一起定义模型成功指标。技术少一点，更偏协作。
Offer：senior 级别，Bay Area，大概 $245k TC。股票还可以，不是 FAANG-tier，但确实有。
如果你是投 fraud/risk ML 方向，真的要花时间在 imbalanced classification、precision/recall trade-off、以及 operational ML（模型监控、重训触发）上。这就是他们的核心。