我走完了 Robinhood 的 MLE loop，岗位在他们的 personalization/recommendations 团队。下面是详细拆解。
团队背景：他们在做让用户在 app 里看到的内容更个性化的功能：推什么新闻、推什么股票、推什么 options flows。团队比我想象的小，我跟他们聊的时候，整个 ML 职能的 MLE headcount 可能也就 15-20 人。
轮次：
1. recruiter + hiring manager intro（合并，45 分钟）：前半段是常规 recruiter 内容。后半段是 HM，很快就开始深挖我的 recsys 背景。他们想搞清楚的不只是我做过什么模型，而是我具体贡献了什么，属于「what would have been different if you hadn't been on that project」（如果你没有参与那个项目，会有什么不同？）这种问题。我挺喜欢。
2. ML system design（60 分钟）：设计一个 feed ranking 系统。经典题，但 Robinhood 的 twist 是你要考虑金融内容的监管约束。你不能只最大化 engagement，因为最能带 engagement 的可能是凌晨 3 点的 meme stock。他们想看我是否理解「纯 engagement 目标」和「受约束的真实世界目标」的差异。
3. coding（45 分钟）：中等算法题。没有 ML 相关，就是通用 coding。数组操作，没有图或 DP。他们明确说考的是通用编码能力，不是 ML-specific 编码，这也合理。
4. ML concepts（45 分钟）：这一轮真的很技术，覆盖： bias-variance tradeoff（用具体场景问，不是课本定义） 针对稀疏用户行为数据的特征工程 新用户没有交易历史时怎么处理 cold start 在对延迟敏感的 app 里，online vs. batch learning 的取舍
5. behavioral（30 分钟）：两个人。问题常规，但对冲突类故事追问很狠。要细节，不要泛泛而谈。
总体感受：团队不错，技术上很认真。他们对金融领域的理解要求是真的。如果你以为就是 Netflix/Spotify 那种 recsys loop，就会忽略监管和风险视角。准备时要把这块补上。