走了 Starbucks Technology 的 ML engineer 全套面试，岗位在他们的 personalization team。这个团队负责驱动 app 里展示的内容：个性化饮品推荐、定向优惠等。我把信息贴出来。
流程。三周内五轮：recruiter screen、ML coding screen、ML system design、cross-functional behavioral，以及最后的一个 director calibration call。
ML coding screen。60 分钟，两部分。第一部分是 Python 实现题：写函数计算排序列表的 precision 和 recall at K（P@K、R@K），很标准的 recsys 评估。第二部分是 pandas 的数据处理题。如果你 pandas 生疏，建议进面试前补一下。
ML system design。最重要的一轮。题目是：设计个性化 offer 推荐系统，决定给每个 Starbucks Rewards 会员在移动端展示哪些 offer。覆盖特征工程（交易历史、时间段、位置、季节性模式）、模型选择、训练 pipeline、移动端的服务延迟要求、以及 A/B 测试策略。我 60 分钟讲满了，仍然感觉只覆盖了 70% 的面。他们非常看重线上 serving，不只是线下训练。
他们更看重什么。从复盘（recruiter 说得很直白）看：system design 和 A/B 测试讨论权重最大。他们实验文化很成熟。你如果能讲清楚怎么设计带干净 holdout 的实验，以及上线新 recsys 功能时如何避免 novelty effect，比 coding 轮表现更能出信号。
Behavioral。更偏和产品、工程协作。有个问题让我意外：「Tell me about a time a model you shipped had unintended consequences for a user group.」（说说你上线的一个模型如何对某个用户群体产生了非预期影响。）要有真实例子，泛泛或假设性的回答撑不住。
技术栈。主要 Python，特征工程规模化用 Spark，还有一些基于 Azure ML 的内部工具。他们提到 Databricks。不是重 PyTorch 研究文化，更偏应用和生产化 ML。
Comp（口头 offer，已拒）。Senior MLE，Seattle：$190k base，15% bonus target，4 年 modest RSU。模型算的第一年总包大概 $220k 左右。我拿了别的 offer，但面试流程很扎实。