上个月（2026 年 6 月）刚面完 shopify 的 ML engineer。目标是他们 merchant intelligence 团队的 senior MLE。一共五轮，下面是很诚实的拆解。
round 1: recruiter screen
无聊但正常。他们想高层次了解你的 ML 背景，也确认你不会 ghost。熟悉自己的简历就行。
round 2: ML fundamentals
有些人没预期到会在这轮挂。面试官问了这些： explain bias-variance tradeoff in terms of a real model decision you've made（用你做过的真实模型决策来解释 bias-variance tradeoff） when does gradient boosting overfit and what do you do about it（gradient boosting 什么时候会过拟合，你怎么处理） how would you handle class imbalance in a fraud detection dataset (very relevant given shopify's business)（在欺诈检测数据集中遇到类别不平衡你会怎么处理，这个和 shopify 的业务很相关） difference between precision/recall tradeoffs, when does each matter（precision/recall 的取舍区别是什么，各自什么时候更重要）
不需要做偏数学推导，但你必须讲到比表面定义更深。「就是模型复杂度和泛化的权衡」这种不够，他们要的是具体细节。
round 3: ML system design
这是最难的一轮。我拿到的是：给 shopify merchant 设计一个商品推荐系统，展示给买家在 storefront 上看。scope 很快就扩展了： 新 merchant 没有购买历史，cold start 怎么处理 上线前怎么做离线评估 shopify 这个规模下，低延迟（<100ms）推荐的 serving infrastructure 长什么样 怎么在 prod 里监控 distribution shift
花时间认真准备 ML system design。这不是 leetcode 题，更接近 staff 级别的架构对话。
round 4: coding
一题 python 的数据处理（基本就是用 pandas）。另一题是从零实现一个简单的模型指标（给你 prediction 和 label 列表，从零算 F1）。如果你熟 numpy/pandas 不难。
round 5: behavioral / values
shopify 的 values 是：be a merchant yourself、default to action、thrive on change、be direct。他们会把这四个都问到。default to action 这条最容易让人翻车：他们想要你在信息不完美的情况下也能推进的例子。如果你的故事都是深度分析、拿共识之后才行动，就要换个讲法。
comp offer:
我的 offer 大概是 CAD 180k base，equity 4 年 schedule。总包我觉得比 tier-1 US tech company 同级别的 senior MLE 略低一点，但 remote-first 文化和「没政治」氛围（真的，会议比我去过的任何地方都少）也算有价值。
总体：ML 专项比我想的更难。他们对 system design 和 fundamentals 很认真，不只是刷题。光 ML system design 这一轮可能就能筛掉 50% 的候选人。