我在 2026 Q1 走完了 Workday 的 MLE 面试流程。想写下来是因为他们的设置和大家通常理解的产品公司 MLE 面试差别挺大。
职位： Machine Learning Engineer，在他们的 Skills Cloud 和 talent intelligence 团队。不是核心平台的 MLE。这个很关键，因为面试更偏应用型 ML，不是研究。
流程 Recruiter 电话。还行。 技术初筛（60 分钟）：两部分。前 30 分钟是 Python 编码题（清洗并处理一个很乱的数据集，写一个函数计算特征统计）。后 30 分钟是 ML 概念讨论：解释 precision vs. recall 的权衡，什么时候用树模型 vs. gradient boosting，带我走一遍你会怎么评估一个排序模型。 Onsite（5 轮）： ML 系统设计：设计一个 job-skills 匹配系统。他们给了产品背景（Workday 的人才市场）让我做端到端设计。特征工程、模型选择、训练 pipeline、服务、监控。 编码：LC medium，两道题。图搜索和一道字符串处理。感觉更像 SWE 初筛，不太像 ML。 应用 ML 深挖：讲一个你做过的真实模型。他们追问很细。我讲了一个 recsys 项目，他们重点挖我的离线评估方法。 ML 理论：bias-variance tradeoff、正则化、embedding 表示。没什么特别偏门，但需要的不只是表面知识。 行为面试：4 个问题，全是 STAR。
他们在 Workday 对 MLE 真正在意什么
Skills taxonomy 和 NLP 是他们 AI 产品的核心。如果你有 entity matching、用 embedding 做语义相似度、或者任何 people/jobs/skills graph 的背景，记得提。我花了大概 10 分钟讲我的 word2vec 和 transformer 相关工作，明显很对口。
他们不想要纯研究型 profile。如果你的经历主要是学术 benchmark 和论文、几乎没有生产落地经验，会很难匹配。他们要的是能把模型推到生产 API endpoint，并长期把它维护健康的人。
Comp： $185k base（Pleasanton），equity grant offer 时 TBD，mid-senior IC level。