我在 2026 年 2 月走完了 ServiceNow machine learning engineer 的流程，面的是 Now Assist 团队（他们的 AI 驱动工作流自动化产品）。发出来是因为 ML 面试生态很碎，而且不同公司的差异非常大。
先说他们在做什么
ServiceNow 的 ML 团队做的是应用型 AI，不是研究。重点是基于 LLM 的工作流自动化、IT service management 的分类模型（incident 分类、change 风险评估），以及用于虚拟客服的 retrieval-augmented generation。如果你来自纯研究或学术 ML，这里更像应用工程，而且 inference 和 serving 的比重很高。面之前要有这个心理预期。
流程（5 轮）
Recruiter screen、ML coding screen、ML system design、applied ML case、behavioral/leadership。
ML coding screen
60 分钟，两部分。第一部分：用 PyTorch 从零实现一个简单 attention 机制（不是直接调用 nn.MultiheadAttention，而是自己把数学写出来）。他们在看你是不是真的懂你在用什么。第二部分：关于不平衡数据上评估分类器的统计题。precision/recall/F1，为什么在 98/2 的划分上 accuracy 是个糟糕指标，ROC vs PR curve。这个要非常熟。
ML system design
设计一个系统，把进来的 IT 支持工单按类别（incident type、优先级、routing）做大规模分类。我讲了：工单文本的特征工程，小模型 fine-tune（BERT 类）vs prompt 更大的 LLM，延迟约束（他们说 SLA 是 500ms），在线 vs batch 推理，监控 drift，触发重训的条件。
在 ServiceNow 延迟约束是真的。他们的平台有企业级 SLA。很多场景里，10 秒的 LLM 调用是不可接受的。他们会追问什么时候用小的 fine-tuned 模型、什么时候用 LLM API，我需要为取舍做辩护。
Applied ML case
给一个数据集描述（不给实际数据，只给 schema 和统计），让你讲你会如何建模并验证，用来预测一个 change request 是否会引发 incident。这很贴近 ServiceNow 的业务。要考虑：标签质量、类别不平衡、如果包含变更后特征会产生的泄漏、在 false negative 成本很高的业务里如何设阈值。
我会怎么准备
Transformer 内部原理（一定会问你解释 attention）。LLM serving 模式：batching、quantization、caching。不平衡分类。Now Assist 产品，面前先读一遍。
Offer：Senior MLE，$230k base，$260k total cash。可 remote。RSUs 另算。