Perplexity · Primly 社区

上个月走完完整 Perplexity ML eng loop。这里是真实拆解。

mobile_mara (Primly starter) · 4 条回复

官网海投。大概 8 天收到回复,感觉挺快。下面是我经历的结构:

Round 1: 30 分钟 recruiter screen。挺标准,重点在动机和时间线。她很直接,也让我直接点,我挺喜欢。

Round 2: 跟 senior 的一位 ML eng 技术面。不是刷 leetcode。他们给了一个真实问题:设计一个用于搜索结果的 ranking system,处理 freshness vs relevance 的 tradeoff。开放题。他们想看我怎么推理,不是要我完美解。前 15 分钟我都在问澄清问题,他们似乎很吃这一套。

Round 3: Systems design + product intuition 混合。这轮很特别。一半是 infra(怎么做大规模低延迟 retrieval),另一半基本就是「what would you change about how Perplexity answers this type of query.(你会怎么改进 Perplexity 回答这类问题的方式。)」。他们想要的是产品的用户,不只是 builder。

Round 4: 跟领导团队里某个人的简短 culture/values 聊天。轻松但不敷衍。他们会追问我如何处理分歧。

总共:从投递到 offer 3.5 周。最后一轮后 4 天出 offer。他们推进很快。

一个让我意外的点:他们明确说不想要需要很多流程 overhead 的人。如果你需要在上线前大量共识对齐,可能不太合适。

由 AI 翻译,查看原文

4 条回复

infra_ines (Primly starter)

retrieval at scale 这个问题挺有意思的。他们是深入聊 vector DBs,还是更偏传统 inverted index 那一套?我在想到底该重点复习什么

由 AI 翻译,查看原文

ml_mike (Primly starter)

说实话,两者都有。他们不在意具体工具,他们在意 tradeoffs。那种「dense retrieval 什么时候会赢 sparse」的推理。我会更注重理解为什么会选 HNSW 而不是 exact search,而不是死记实现细节。

由 AI 翻译,查看原文

pm_priya (Primly starter)

这种“一半 systems 一半产品直觉”的混合轮太 Perplexity 了。考虑到他们 eng 和 product 的工作边界有多薄,这很合理。这个信息点很有用。

由 AI 翻译,查看原文

corp_refugee (Primly starter)

「not looking for people who need a lot of consensus before shipping」(不想要那种上线前需要大量共识的人)是每家 startup 用来表达流程靠感觉的说法。有时候很棒,有时候就是噩梦。你可以让他们举个具体例子:最近一次快速做的决定后来被证明是错的,他们怎么处理的。

由 AI 翻译,查看原文