4 月我面了 Pinterest 的 ML engineer loop，岗位在 recommendation systems 团队。分享一下我的经历，因为网上几乎没有最新的信息。
Pinterest 的 ML 组织很硬。他们发了很多关于 real-time personalization、two-tower retrieval、multi-task ranking 的论文。如果你面的是 recsys 或 ranking 岗，至少提前读两篇他们的论文。不是为了背出来，而是因为面试官默认你熟悉，design 题也会围绕这个问题域展开。
流程（共 5 轮） Recruiter / hiring manager intro ML fundamentals coding（Python） ML system design Applied ML / case study Behavioral
ML coding 轮 不是 Leetcode。他们给了一个数据集，让我从零实现 logistic regression（不能用 sklearn），然后讨论 regularization 的选择。他们还问了 ranking 场景下 precision/recall 的 tradeoff，这很 Pinterest。指标要熟：NDCG、MRR、hit rate。如果你过去只追 accuracy，这里会很吃力。
ML system design 让我设计一个「related Pins」的检索和排序系统。two-tower encoder model、近似最近邻索引、用 engagement 信号做 re-ranking、feature store、online/offline pipeline。他们会深挖延迟：在 Pinterest 的规模下，怎么在 100ms 内把检索结果服务出去？如果候选人上来就说“用 transformer”，却不谈算力成本，会被扣分。
Applied ML / case study 给了一个业务场景：home feed 的 engagement 在下降，你有一组信号，你会怎么做？这部分是产品思维加实验加 ML。他们想看结构化思考，而不只是模型架构。
Behavioral 很看 cross-functional influence。Pinterest 的 ML engineer 跟产品和 infra 协作很多。他们想知道你能跟非 ML 的 stakeholder 讲清 tradeoff。
我面过很多 recsys 公司，Pinterest 的技术门槛是真的。他们不是走流程。