刚通过 Vercel 的 ML 面试 loop（我拒了 offer，原因另说，不想加戏）。ML 方向的 Vercel 信息基本没有，所以写一下。
背景：岗位在 infrastructure intelligence team，大概是用 ML 来提升 build performance、做 predictive caching 之类的。不是 GenAI 或 LLM 产品团队。先把这个前提记住，因为它决定了他们会问什么。
Recruiter screen：标准的 30 分钟。他们很坦诚地说 Vercel 的 ML team 很小，这个岗位要同时做 modeling 和一些 production engineering。他们明确问了我对 production systems 的舒适度，不只是 notebook。
Technical screen：60 分钟。一道 coding，Leetcode medium 难度，然后是 ML 概念讨论。这段讨论很好。面试官让我讲：如果要做 build time prediction，但历史数据很稀疏（cold start 问题），我会怎么做。不是问某个具体框架，而是看你对稀疏数据的直觉：fallback heuristics、feature engineering、什么时候用简单模型 vs. 复杂模型。他们对那种报出最大模型名字就觉得完事的人并不买账。
ML system design 轮：这才是真考点。设计一个系统，用来决定哪些 cached build artifacts 该 invalidation。注意这不是标准 recsys，它有 latency 约束（决策必须很快）和 data freshness 的要求。他们会很狠地追问 evaluation：你怎么衡量模型是否真的在帮助 build times，你的 offline eval 策略是什么，如果模型错了系统怎么优雅降级。
Coding 轮：更常规，两道题。Trees 和 graph traversal。没有 ML 特定内容。
Behavioral：一轮，经典 behavioral 问题加动机问题。他们问我为什么对 infrastructure 感兴趣而不是 product ML，说实话这个问题问得很对。
总体感觉：他们想要的是能落地交付的 ML engineer，不是 researcher。如果你背景 80% Kaggle、20% 生产，会明显感到差距。如果你真的把模型上过服务，就没问题。
时间线：从第一次电话到 offer 大概 6 周。