今年春天我走了 Square 的 MLE 面试全流程，岗位是在他们的 risk/fraud ML 团队。我就直说了：对一家通常不在「FAANG 持久战」梯队的公司来说，这套流程比大家预期要难。下面是具体经历。
总共六轮： Recruiter screen ML fundamentals（60 分钟） Coding round（LC 风格，60 分钟） ML system design（60 分钟） Behavioral（45 分钟） Hiring manager 深度对话
ML fundamentals： 面试官问得很深。问题从梯度下降、正则化一直到类别不平衡的分类问题，这对欺诈检测非常贴合。他们问我会怎么处理极端类别不平衡（欺诈率大概 0.1%），除了 accuracy 还会用什么指标，以及我会怎么向非技术 stakeholder 解释模型决策。解释性这块我有点措手不及。我答得还行，但本可以更具体地提到 SHAP values 和 partial dependence plots。
Coding： 两道中等偏上的题。一道偏算法（sliding window 模式），另一道更像你在真实工作里会遇到的数据清洗问题。都挺合理，没有刁钻。
ML system design： 这一轮我会建议任何人都重点准备。我的题目是：设计一个实时交易欺诈检测系统。我需要覆盖特征工程（包括一些实时 feature store，我之前用过）、模型训练 pipeline、推理延迟要求、以及模型漂移监控。面试官会强力追问快速在线模型和更强 batch 模型之间的权衡。这里支付网络的时间约束很关键：在刷卡那一层你只有毫秒级。
欺诈检测的领域知识确实重要。不是说你必须在 Square 做过，但那种泛泛的 ML 空话不会过。要具体讲清楚特征工程怎么选、延迟和精度怎么取舍、以及在金融场景下怎么监控 concept drift。
Offer 还挺有竞争力：我在 SF 的总包大概 $260k，对标 L5，base 加 RSUs，标准 4 年 vest。大体符合我对 2026 年非 FAANG fintech 同级别的预期。