我走了 Uber 的 MLE loop，面的是 Forecasting 团队的一个 senior 岗位（ETA 预测、rider demand 建模）。我做 ML 八年了，之前在一家中型公司做 recsys。分享这个是因为 MLE 面试和 SWE 面试不一样，准备方式也不一样。
流程是：recruiter screen，两轮技术 phone screen，然后 full onsite。
Phone screen 1（ML 深度）：45 分钟，聊 ML 概念。他们让我设计一个模型来预测用户在叫车后是否会取消。这是一个经典 Uber 问题，巧得像是故意的。他们不太在意模型选择（我说 gradient boosted trees，他们点点头就过了），更关注 feature engineering、class imbalance（取消很少）、评估指标，以及模型上线后出错会怎么样。
Phone screen 2（coding）：标准 leetcode 风格题。中等难度。他们确实要求 MLE 候选人写出干净、能跑的代码。如果你 coding 弱，面这家之前先补起来。
Onsite ML design 轮：设计一个 pricing surge 系统。领域很 Uber，但会问得很深。实时延迟要求、模型重训节奏、如何检测 distribution shift、在峰值需求（Super Bowl、NYE）训练数据很薄时会发生什么。我大概花了 20 分钟讲 ML，他们一直把我往系统侧拉。
Onsite systems 轮：ML systems design。怎么在 10k QPS、sub-100ms latency 下做模型 serving？feature store 设计。online vs offline feature serving。监控和告警 model drift。这是一轮真正的系统面，不是软性的「聊聊你的架构」。
Onsite coding：两道题。一道偏数据处理（pandas 风格），一道偏算法（graph）。每道题大概 20-25 分钟能解。
Onsite behavioral：STAR 形式，重点是无权影响力和处理模糊需求。
结论：Uber 的 MLE 面试比平均更难。系统侧是真考。如果你没怎么想过 feature store、模型 serving 基础设施、或者线上 A/B 测试 ML 模型，这会是你走进去前需要补的短板。