2026 年初我走了 Stripe 的 ML engineer 面试 loop，面的是 L5 左右、fraud/risk ML 团队。几乎没人写过相关信息，所以把我记得的都写下来。
Stripe 的 ML 团队比你想象的小。大部分 ML 工作在支付欺诈、风险评分和一些内部工具上。他们不打算做 foundation models。如果你想做纯研究或 CV/NLP research，这里不是。
整个 loop： recruiter screen（30 分钟）：常规，想要什么、地点、时间线、薪酬大概范围 technical phone screen（60 分钟）：ML 概念 + coding 各一半。ML 部分是模型评估：欺诈分类这么严重 class imbalance 的情况下怎么评估？哪些指标重要，哪些会误导？coding 部分是一道 leetcode medium，不是 ML 相关 onsite（4 个 panel）： ml depth：深挖一个项目。不只是 "what did you do（你具体做了什么）"，而是 "why that model architecture（为什么用这种模型架构）"、"what did you try that didn't work（你试过哪些不奏效的方法）"、"how did you measure production impact（你怎么衡量线上影响）"。他们想确认你做过真实工作，不是只调过超参 ml system design：我拿到的是 "design an ML system to detect fraudulent transactions at stripe's scale.（设计一个能在 Stripe 这种规模下检测欺诈交易的 ML 系统。）"。这一轮信息量很大：特征工程、在线 vs. 离线推理、延迟要求、怎么处理 concept drift、如何在 prod 里安全做 A/B test software engineering：一轮 coding，更偏标准数据结构。他们会确认 Stripe 的 MLE 需要写真实生产代码，不是只写 jupyter notebooks behavioral：tell me about a model you deployed that had unexpected behavior in production. what did you do（你具体做了什么）。这是我在任何地方遇到过最好的 behavioral 题，能直接看出你是不是真的上线过东西
他们看重什么： class imbalance、fraud ML 领域知识、模型监控/可观测性。有做过 fraud 或 risk 的是大加分 能把 precision 和 recall 的取舍放到业务语境里讲清楚，不是只讲学术 软件工程是真的要做，代码要写得干净
我确实拿到了 offer。最后因为别家 equity 更好拒了。comp 大概是 base $215k，equity $500k/4yr，L5，SF。