我在 2026 年初走完了 Ramp 的 MLE 全流程。发出来是因为我准备的时候几乎找不到针对性的资料，只能看一些很泛的 startup MLE 面试指南。
首先要知道：Ramp 的 ML scope 比 FAANG 窄，但可能更直接产生影响。他们主要的 ML 方向是 fraud detection、spend categorization，还有一些 forecasting。所以面试不会考你 ranking system 或推荐系统，更偏 fraud 和 classification。
他们考什么：
Coding：有一轮是比较直白的 ML 相关 coding。要求你手写一个函数，从零计算 precision 和 recall，不能用 sklearn。然后扩展到 multi-class。不难，但重点是：你到底懂不懂这个指标的含义，还是只会调用 .fit()。我一边写一边讲 fraud 场景下怎么处理 class imbalance，他们看起来挺认可。
ML system design：这是最核心的。"Design a system to detect fraudulent expense submissions."（设计一个系统来检测欺诈性报销提交。）非常贴近他们在做的事。我覆盖了 feature engineering（merchant 历史、velocity、偏离用户 baseline）、labeling 策略（rule-based bootstrap vs 人工审核闭环）、模型选择（在合规敏感场景下偏向可解释的 gradient boosting）、阈值校准、分布漂移监控。他们追问得最狠的是：feedback delay 怎么办？Fraud label 往往要几周后才来。这是现实问题，他们要现实答案。
Math/stats：不是那种白板数学拷打，但会快问一些 confusion matrix、为什么 AUC 在不平衡数据上可能误导、你会用什么替代。
Behavioral：单独一轮 behavioral。结构很标准，但很 Ramp：讲一个你上线的模型没有按预期工作的例子。你学到了什么。你怎么跟非技术 stakeholder 沟通。
结论： 面试设计得很贴合他们真实在做的东西。如果你在任何 fintech 做过 fraud、risk 或 anomaly detection，会很有感觉。如果你只做过 NLP 或 recsys，面之前建议花一周读一下 imbalanced classification 和 feedback loop。