🕷️ Crawler Inspector

URL Lookup

Direct Parameter Lookup

Raw Queries and Responses

1. Shard Calculation

Query:

Response:

Calculated Shard: 163 (from laksa035)

2. Crawled Status Check

Query:

curl -X POST \
  'http://laksa163.int.ahrefs:8124/' \
  -H 'Content-Type: text/plain' \
  -H 'X-ClickHouse-Database: crawler3' \
  -H 'Authorization: Basic YXBpOg==' \
  -d 'SELECT getAhrefsURLFromUnparsed(src_unparsed) AS found_url, ifNull(toUnixTimestamp(download_stamp), 0) AS crawl_time, ifNull(toUnixTimestamp(props_url_first_seen), 0) AS first_indexed_time, download_http_code AS http_code, src_unparsed AS src_unparsed, src_root_hash AS src_root_hash, history_drop_reason AS history_drop_reason, meta_title AS meta_title, meta_descriptions AS meta_descriptions, attrs_boilerpipe_text AS attrs_boilerpipe_text, attrs_markdown AS attrs_markdown, attrs_readable_markdown AS attrs_readable_markdown, meta_canonical AS meta_canonical FROM crawler3.page_info_local FINAL PREWHERE (src_root_hash, src_unparsed) IN ((getAhrefsRootHashFromUnparsed(getAhrefsUnparsedNoserviceFromURL(\'https://zhenggao.io/blog/2025/04/30/2025MLE%E8%B7%B3%E6%A7%BD%E6%80%BB%E7%BB%93/\')), getAhrefsUnparsedNoserviceFromURL(\'https://zhenggao.io/blog/2025/04/30/2025MLE%E8%B7%B3%E6%A7%BD%E6%80%BB%E7%BB%93/\'))) FORMAT JSONEachRow'

Response:

{"found_url":"https:\/\/zhenggao.io\/blog\/2025\/04\/30\/2025MLE%E8%B7%B3%E6%A7%BD%E6%80%BB%E7%BB%93\/","crawl_time":1776435136,"first_indexed_time":1746330698,"http_code":200,"src_unparsed":"io,zhenggao!\/blog\/2025\/04\/30\/2025MLE%E8%B7%B3%E6%A7%BD%E6%80%BB%E7%BB%93\/ s443","src_root_hash":"7448565633067331763","history_drop_reason":null,"meta_title":"2025MLE跳槽总结 | 高正太的自留地","meta_descriptions":["本文总结一下2025年上半年跳槽的全过程。主要申请的是senior machine learning engineer岗位。"],"attrs_boilerpipe_text":"本文总结一下2025年上半年跳槽的全过程。主要申请的是senior machine learning engineer岗位。\n本人背景\n：PhD学位 + 5年工作经验\n专业方向\n：NLP，搜广推，LLM（在Amazon干了两年半的NLP和推荐，在蚂蚁做了两年半的LLM post-training和agent）\n目标岗位\n：senior machine learning engineer\n求职进展\n：\n因为年初被reorg到一个完全陌生的project，所以我从二月中旬的时候下定决心跳槽，到四月底签完offer截止，一共历经两个多月的时间。还好我的manager后期因为他自己也要跳槽的原因，基本不管我们了，因此倒是因祸得福，相当于全职刷了两个月的题。\n一开始的时候，因为自己很久没有进入市场找工作了，对于行情不是很了解，所以我首先疯狂在LinkedIn上加recruiter和看各种公司的open position。大概看了一两周摸清了下当前都有什么公司之后，我决定基本从三个方面找和自己背景相似的公司：\n大中型上市公司（FAANG，Pinterest, Snap等）\n比较火的startup （主要参考了福布斯最近几年的\nTop50 AI公司名单\n)\nLinkedIn推荐的小的startup。\n之所以这么选择，一是不太清楚自己的定位如何，二是反正自己时间充足，不如先选一些小的startup面试练练手，同时还能增长点面试自信心。现在看来这种策略还是很有用的，像behavior question以及past project deep dive 这种面试轮次，经过前期面试打磨之后，后期面试我都面得非常得心应手。\n投简历的时候，除了一部分是我开了LinkedIn会员，并且把状态改成Open to Work之后有recruiter主动联系的之外，90%的公司我都是直接从官网海投的。我个人的感觉是如果你的背景和job description相关并且比较有竞争力的话，还是很快能收到回复的。找人内推的话，如果内推的人背景和自己并不相似，其实也未必能有什么作用。\n最终大概统计了下，我自己投了80+家公司，其中有30+家有recruiter联系，给面试机会（phone screen）的公司有22家。其中走到onsite轮的有15家（最终面了11家，因为offer定了所以推掉了4个VO），拿了8个offer。不过这些offer的含金量相对一般，因为大部分dream company要么挂在了面试上，要么根本就没给面试机会，要么被强行down level了，而且有两个offer由于后期没有headcount的原因到最后也没正式发下来。\n挂在phone screen\/hiring manager面试的公司：OpenAI, Meta, Atlassian, Vanta, Anyscale, Shopify, XAI (offer来了就没继续面)\n挂在on site的公司：Pinterest, Bosch, Abridge\n因为定了offer所以取消on site的公司：Bloomberg，Apple, Capital One, Snap\noffer: Tiktok, Amazon, Coupang, Microsoft, Accenture, Moveworks, Inworld AI, Kai Cyber\n面试经验\n：\n说实话面试真的是体力活，我最多的时候一天要面3家公司，有一段时间平均每天都要2场面试。前前后后一共面试了得有100+轮。因为重复了太多次，我后期面试做self introduction的时候都感觉完全不过脑子了。每家公司的phone screen会有1-2轮，具体会包括至少一轮coding，此外还会涉及到past project deep dive或者ML fundamental。onsite的话一般都有4-5轮，包括coding, ML system design，ML fundamental，和behavior这四个方面。除了个别公司之外，绝大部分的onsite现在都是virtual onsite。以下是我准备面试时的一些个人经验：\ncoding的话大部分公司都还是leetcode style, 需要在coderpad或者hackerrank上做到bug free（测试几个自己写的test case,或者要通过公司提前设置好的test case），然后分析下时间\/空间复杂度。面试中一般真正给coding的时间大概是35分钟，考察一道题+follow up的情况比较多，两道题的情况也有。准备coding面试也没什么捷径，只能多刷leetcode了。这些公司的coding体感下来大概都是medium左右的难度，我从来没有被考过DP的问题。我这些年前前后后一共刷了700道题，每周的leetcode contest平均能做2.5题左右。除了有两家公司电面coding没发挥好之外，其他的coding轮次都还是比较顺利的。网上leetcode题目讲解的文档还是挺多的，我参考的比较多的是\nhttps:\/\/github.com\/doocs\/leetcode\/tree\/main\/solution\n和\nhttps:\/\/fuxuemingzhu.cn\/leetcode\nML system design对于MLE来说也是必考的一轮。虽然说有一些八股的套路，但是考官有时候会问到具体的一些模型（比如推荐系统的经典算法）和数据处理方法（比如处理缺少labeled data的具体算法），所以最好还是得有相关实践经验以及一些ML modeling方面的知识储备。Alex Xu的Machine Learning System Design Interview我觉得写的还是挺好的，一开始列了八股的模版，后面又结合了几个具体的例子，最起码对我还是有一定作用的。ChatGPT其实也很有用，提供的system design答案也挺好的。\nML fundamental目前我还没有找到什么特别好的参考资料，基本上都是根据个人背景自己一点一点零散的记录起来的。知乎、一亩三分地、甚至小红书都有很多所谓的ML fundamental知识的整理，但是要么写的比较简单，要么就是链接跳转来跳转去最终要付费，所以只能自己慢慢探索了。如果是junior level的MLE的话，西瓜书我觉得是必读书籍之一。但是一般来讲还是得根据自己的research background 以及申请的job description来进行针对性的准备。比如申请搜广推的岗位，那就得准备下推荐系统的算法；申请大模型相关的岗位，transformer以及各种SFT\/RL的方法要熟练掌握。\nBehavior question的话，主要考的还是讲故事的能力，这一轮其实非常非常的重要，是bar raiser用来决定给不给offer以及定级别的。我大概准备了十几个故事，面对不同的问题轮着用，目前体感下来也够用了。Amazon的leadership principle\nhttps:\/\/www.amazon.jobs\/content\/en\/our-workplace\/leadership-principles\n必须得烂熟于心，此外强推《\n彻底击碎行为问题\n》这篇文章, 熟读此文档我觉得面对各种behavior question都能轻松应对。\n总结\n：\n感觉对于machine learning engineer来说，当前的市场还是很有机会的，很多公司都在招和LLM相关方向的人才。但是从有面试机会到最终给offer还是有很长的路要走的。每家公司基本都是6轮面试打底，最多的一家我一共面了9轮。而且给口头offer和拿到official offer letter之间也有很多事情会发生，比如Moveworks一开始给了我offer，后面因为审批原因又撤回了。Microsoft一开始也给了offer，但是紧接着就因为headcount没了也撤回offer了。此外现在所有的公司发了offer之后都要求最多5个工作日之内给回复，导致competing offer不太能及时有，还导致我签了现在的offer之后来了一个给钱更多一点的offer，我衡量了半天之后还是没敢撕签好的offer。我还感觉到或许是因为行情不好(?)的原因，现在的公司特别喜欢down level, 我有至少3个收到的offer都是明显故意down level了。哪怕在低一级别上为了match我对工资的期望去找VP签字，也不愿意给我正常的level。\n其实面了这么多公司，还有一个让我很沮丧的点，就是我觉得phd学位对我好像没什么用。对于我这种背景比较普通的phd来说，去不了顶尖的research lab, 只能申请普通的MLE岗位。而这些MLE岗位其实并不需要phd学位。再加上我面试的时候也没有流弊到让所有的面试官都刮目相看，这种情况下公司在定级别的时候，更多的还是会考虑工作年限，所以最多给我senior甚至更低一档的级别。而我master同期的同学因为比我多了5年工作经验，很多人现在都在各大公司里面当上staff了。","attrs_markdown":"[高正太的自留地](https:\/\/zhenggao.io\/blog\/)\n\nmost in Chinese, rest in English\n\n- [首页](https:\/\/zhenggao.io\/blog\/)\n- [标签](https:\/\/zhenggao.io\/blog\/tags\/)\n- [分类](https:\/\/zhenggao.io\/blog\/categories\/)\n- [归档](https:\/\/zhenggao.io\/blog\/archives\/)\n- [搜索]()\n\n0%\n\n# 2025MLE跳槽总结\n发表于\n\n2025-04-30\n\n更新于\n\n2025-05-01\n\n分类于   [life](https:\/\/zhenggao.io\/blog\/categories\/life\/)        Valine：     \n     本文字数： 3\\.8k      阅读时长 ≈ 6 分钟\n\n本文总结一下2025年上半年跳槽的全过程。主要申请的是senior machine learning engineer岗位。\n\n**本人背景**：PhD学位 + 5年工作经验  \n **专业方向**：NLP，搜广推，LLM（在Amazon干了两年半的NLP和推荐，在蚂蚁做了两年半的LLM post-training和agent）  \n **目标岗位**：senior machine learning engineer  \n **求职进展**：  \n 因为年初被reorg到一个完全陌生的project，所以我从二月中旬的时候下定决心跳槽，到四月底签完offer截止，一共历经两个多月的时间。还好我的manager后期因为他自己也要跳槽的原因，基本不管我们了，因此倒是因祸得福，相当于全职刷了两个月的题。  \n 一开始的时候，因为自己很久没有进入市场找工作了，对于行情不是很了解，所以我首先疯狂在LinkedIn上加recruiter和看各种公司的open position。大概看了一两周摸清了下当前都有什么公司之后，我决定基本从三个方面找和自己背景相似的公司：\n\n1. 大中型上市公司（FAANG，Pinterest, Snap等）\n2. 比较火的startup （主要参考了福布斯最近几年的[Top50 AI公司名单](https:\/\/zhuanlan.zhihu.com\/p\/693062107))\n3. LinkedIn推荐的小的startup。\n\n之所以这么选择，一是不太清楚自己的定位如何，二是反正自己时间充足，不如先选一些小的startup面试练练手，同时还能增长点面试自信心。现在看来这种策略还是很有用的，像behavior question以及past project deep dive 这种面试轮次，经过前期面试打磨之后，后期面试我都面得非常得心应手。  \n 投简历的时候，除了一部分是我开了LinkedIn会员，并且把状态改成Open to Work之后有recruiter主动联系的之外，90%的公司我都是直接从官网海投的。我个人的感觉是如果你的背景和job description相关并且比较有竞争力的话，还是很快能收到回复的。找人内推的话，如果内推的人背景和自己并不相似，其实也未必能有什么作用。  \n 最终大概统计了下，我自己投了80+家公司，其中有30+家有recruiter联系，给面试机会（phone screen）的公司有22家。其中走到onsite轮的有15家（最终面了11家，因为offer定了所以推掉了4个VO），拿了8个offer。不过这些offer的含金量相对一般，因为大部分dream company要么挂在了面试上，要么根本就没给面试机会，要么被强行down level了，而且有两个offer由于后期没有headcount的原因到最后也没正式发下来。\n\n- 挂在phone screen\/hiring manager面试的公司：OpenAI, Meta, Atlassian, Vanta, Anyscale, Shopify, XAI (offer来了就没继续面)\n- 挂在on site的公司：Pinterest, Bosch, Abridge\n- 因为定了offer所以取消on site的公司：Bloomberg，Apple, Capital One, Snap\n- offer: Tiktok, Amazon, Coupang, Microsoft, Accenture, Moveworks, Inworld AI, Kai Cyber\n\n**面试经验**：  \n 说实话面试真的是体力活，我最多的时候一天要面3家公司，有一段时间平均每天都要2场面试。前前后后一共面试了得有100+轮。因为重复了太多次，我后期面试做self introduction的时候都感觉完全不过脑子了。每家公司的phone screen会有1-2轮，具体会包括至少一轮coding，此外还会涉及到past project deep dive或者ML fundamental。onsite的话一般都有4-5轮，包括coding, ML system design，ML fundamental，和behavior这四个方面。除了个别公司之外，绝大部分的onsite现在都是virtual onsite。以下是我准备面试时的一些个人经验：\n\n1. coding的话大部分公司都还是leetcode style, 需要在coderpad或者hackerrank上做到bug free（测试几个自己写的test case,或者要通过公司提前设置好的test case），然后分析下时间\/空间复杂度。面试中一般真正给coding的时间大概是35分钟，考察一道题+follow up的情况比较多，两道题的情况也有。准备coding面试也没什么捷径，只能多刷leetcode了。这些公司的coding体感下来大概都是medium左右的难度，我从来没有被考过DP的问题。我这些年前前后后一共刷了700道题，每周的leetcode contest平均能做2.5题左右。除了有两家公司电面coding没发挥好之外，其他的coding轮次都还是比较顺利的。网上leetcode题目讲解的文档还是挺多的，我参考的比较多的是<https:\/\/github.com\/doocs\/leetcode\/tree\/main\/solution> 和<https:\/\/fuxuemingzhu.cn\/leetcode>\n2. ML system design对于MLE来说也是必考的一轮。虽然说有一些八股的套路，但是考官有时候会问到具体的一些模型（比如推荐系统的经典算法）和数据处理方法（比如处理缺少labeled data的具体算法），所以最好还是得有相关实践经验以及一些ML modeling方面的知识储备。Alex Xu的Machine Learning System Design Interview我觉得写的还是挺好的，一开始列了八股的模版，后面又结合了几个具体的例子，最起码对我还是有一定作用的。ChatGPT其实也很有用，提供的system design答案也挺好的。\n3. ML fundamental目前我还没有找到什么特别好的参考资料，基本上都是根据个人背景自己一点一点零散的记录起来的。知乎、一亩三分地、甚至小红书都有很多所谓的ML fundamental知识的整理，但是要么写的比较简单，要么就是链接跳转来跳转去最终要付费，所以只能自己慢慢探索了。如果是junior level的MLE的话，西瓜书我觉得是必读书籍之一。但是一般来讲还是得根据自己的research background 以及申请的job description来进行针对性的准备。比如申请搜广推的岗位，那就得准备下推荐系统的算法；申请大模型相关的岗位，transformer以及各种SFT\/RL的方法要熟练掌握。\n4. Behavior question的话，主要考的还是讲故事的能力，这一轮其实非常非常的重要，是bar raiser用来决定给不给offer以及定级别的。我大概准备了十几个故事，面对不同的问题轮着用，目前体感下来也够用了。Amazon的leadership principle <https:\/\/www.amazon.jobs\/content\/en\/our-workplace\/leadership-principles> 必须得烂熟于心，此外强推《[彻底击碎行为问题](https:\/\/link.1point3acres.com\/?url=https%3A%2F%2Fdocs.google.com%2Fdocument%2Fd%2F112HBiMNvu6TYbDUOfVRe_MS4A-fKaWYrpMlmnsiMNiA)  》这篇文章, 熟读此文档我觉得面对各种behavior question都能轻松应对。\n\n**总结**：  \n 感觉对于machine learning engineer来说，当前的市场还是很有机会的，很多公司都在招和LLM相关方向的人才。但是从有面试机会到最终给offer还是有很长的路要走的。每家公司基本都是6轮面试打底，最多的一家我一共面了9轮。而且给口头offer和拿到official offer letter之间也有很多事情会发生，比如Moveworks一开始给了我offer，后面因为审批原因又撤回了。Microsoft一开始也给了offer，但是紧接着就因为headcount没了也撤回offer了。此外现在所有的公司发了offer之后都要求最多5个工作日之内给回复，导致competing offer不太能及时有，还导致我签了现在的offer之后来了一个给钱更多一点的offer，我衡量了半天之后还是没敢撕签好的offer。我还感觉到或许是因为行情不好(?)的原因，现在的公司特别喜欢down level, 我有至少3个收到的offer都是明显故意down level了。哪怕在低一级别上为了match我对工资的期望去找VP签字，也不愿意给我正常的level。  \n 其实面了这么多公司，还有一个让我很沮丧的点，就是我觉得phd学位对我好像没什么用。对于我这种背景比较普通的phd来说，去不了顶尖的research lab, 只能申请普通的MLE岗位。而这些MLE岗位其实并不需要phd学位。再加上我面试的时候也没有流弊到让所有的面试官都刮目相看，这种情况下公司在定级别的时候，更多的还是会考虑工作年限，所以最多给我senior甚至更低一档的级别。而我master同期的同学因为比我多了5年工作经验，很多人现在都在各大公司里面当上staff了。\n\n[\\# job](https:\/\/zhenggao.io\/blog\/tags\/job\/)\n\n[腾讯云使用教程](https:\/\/zhenggao.io\/blog\/2025\/04\/30\/%E8%85%BE%E8%AE%AF%E4%BA%91%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B\/ \"腾讯云使用教程\")\n\n- 文章目录\n- 站点概览\n\n![Zheng Gao (高正)](https:\/\/zhenggao.io\/blog\/images\/avatar.png)\n\nZheng Gao (高正)\n\n以always Day 1 的心态，工作102年\n\n[26 日志](https:\/\/zhenggao.io\/blog\/archives\/)\n\n[4 分类](https:\/\/zhenggao.io\/blog\/categories\/)\n\n[31 标签](https:\/\/zhenggao.io\/blog\/tags\/)\n\n[GitHub](https:\/\/github.com\/RoyZhengGao \"GitHub → https:\/\/github.com\/RoyZhengGao\")   [Email](mailto:gao27@indiana.edu \"Email → mailto:gao27@indiana.edu\")   [LinkedIn](https:\/\/www.linkedin.com\/in\/zheng-gao-351b738a\/ \"LinkedIn → https:\/\/www.linkedin.com\/in\/zheng-gao-351b738a\/\")   [Google](https:\/\/scholar.google.com\/citations?user=C8M7-1YAAAAJ&hl=en \"Google → https:\/\/scholar.google.com\/citations?user=C8M7-1YAAAAJ&hl=en\")\n\n友情链接\n\n- [个人主页](https:\/\/zhenggao.io\/ \"https:\/\/zhenggao.io\")\n\n© 2019 – 2025    Zheng Gao (高正) \\|    114k \\|    3:10\n\n由 [Hexo](https:\/\/hexo.io\/) 强力驱动 v7.3.0\n\n\\|\n\n主题 – [NexT.Pisces](https:\/\/pisces.theme-next.org\/) v7.6.0","attrs_readable_markdown":null,"meta_canonical":null}

3. Robots.txt Check

Query:

Response:

4. Spam/Ban Check

Query:

Response:

5. Seen Status Check

ℹ️ Skipped - page is already crawled

📄

INDEXABLE

✅

CRAWLED

3 days ago

🤖

ROBOTS ALLOWED

Page Info Filters

Filter	Status	Condition	Details
HTTP status	PASS	`download_http_code = 200`	HTTP 200
Age cutoff	PASS	`download_stamp > now() - 6 MONTH`	0.1 months ago
History drop	PASS	`isNull(history_drop_reason)`	No drop reason
Spam/ban	PASS	`fh_dont_index != 1 AND ml_spam_score = 0`	ml_spam_score=0
Canonical	PASS	`meta_canonical IS NULL OR = '' OR = src_unparsed`	Not set

Page Details

Property	Value
URL	https://zhenggao.io/blog/2025/04/30/2025MLE%E8%B7%B3%E6%A7%BD%E6%80%BB%E7%BB%93/
Last Crawled	2026-04-17 14:12:16 (3 days ago)
First Indexed	2025-05-04 03:51:38 (11 months ago)
HTTP Status Code	200
Meta Title	2025MLE跳槽总结 \| 高正太的自留地
Meta Description	本文总结一下2025年上半年跳槽的全过程。主要申请的是senior machine learning engineer岗位。
Meta Canonical	null
Boilerpipe Text	本文总结一下2025年上半年跳槽的全过程。主要申请的是senior machine learning engineer岗位。本人背景：PhD学位 + 5年工作经验专业方向：NLP，搜广推，LLM（在Amazon干了两年半的NLP和推荐，在蚂蚁做了两年半的LLM post-training和agent）目标岗位：senior machine learning engineer 求职进展：因为年初被reorg到一个完全陌生的project，所以我从二月中旬的时候下定决心跳槽，到四月底签完offer截止，一共历经两个多月的时间。还好我的manager后期因为他自己也要跳槽的原因，基本不管我们了，因此倒是因祸得福，相当于全职刷了两个月的题。一开始的时候，因为自己很久没有进入市场找工作了，对于行情不是很了解，所以我首先疯狂在LinkedIn上加recruiter和看各种公司的open position。大概看了一两周摸清了下当前都有什么公司之后，我决定基本从三个方面找和自己背景相似的公司：大中型上市公司（FAANG，Pinterest, Snap等）比较火的startup （主要参考了福布斯最近几年的 Top50 AI公司名单 ) LinkedIn推荐的小的startup。之所以这么选择，一是不太清楚自己的定位如何，二是反正自己时间充足，不如先选一些小的startup面试练练手，同时还能增长点面试自信心。现在看来这种策略还是很有用的，像behavior question以及past project deep dive 这种面试轮次，经过前期面试打磨之后，后期面试我都面得非常得心应手。投简历的时候，除了一部分是我开了LinkedIn会员，并且把状态改成Open to Work之后有recruiter主动联系的之外，90%的公司我都是直接从官网海投的。我个人的感觉是如果你的背景和job description相关并且比较有竞争力的话，还是很快能收到回复的。找人内推的话，如果内推的人背景和自己并不相似，其实也未必能有什么作用。最终大概统计了下，我自己投了80+家公司，其中有30+家有recruiter联系，给面试机会（phone screen）的公司有22家。其中走到onsite轮的有15家（最终面了11家，因为offer定了所以推掉了4个VO），拿了8个offer。不过这些offer的含金量相对一般，因为大部分dream company要么挂在了面试上，要么根本就没给面试机会，要么被强行down level了，而且有两个offer由于后期没有headcount的原因到最后也没正式发下来。挂在phone screen/hiring manager面试的公司：OpenAI, Meta, Atlassian, Vanta, Anyscale, Shopify, XAI (offer来了就没继续面) 挂在on site的公司：Pinterest, Bosch, Abridge 因为定了offer所以取消on site的公司：Bloomberg，Apple, Capital One, Snap offer: Tiktok, Amazon, Coupang, Microsoft, Accenture, Moveworks, Inworld AI, Kai Cyber 面试经验：说实话面试真的是体力活，我最多的时候一天要面3家公司，有一段时间平均每天都要2场面试。前前后后一共面试了得有100+轮。因为重复了太多次，我后期面试做self introduction的时候都感觉完全不过脑子了。每家公司的phone screen会有1-2轮，具体会包括至少一轮coding，此外还会涉及到past project deep dive或者ML fundamental。onsite的话一般都有4-5轮，包括coding, ML system design，ML fundamental，和behavior这四个方面。除了个别公司之外，绝大部分的onsite现在都是virtual onsite。以下是我准备面试时的一些个人经验： coding的话大部分公司都还是leetcode style, 需要在coderpad或者hackerrank上做到bug free（测试几个自己写的test case,或者要通过公司提前设置好的test case），然后分析下时间/空间复杂度。面试中一般真正给coding的时间大概是35分钟，考察一道题+follow up的情况比较多，两道题的情况也有。准备coding面试也没什么捷径，只能多刷leetcode了。这些公司的coding体感下来大概都是medium左右的难度，我从来没有被考过DP的问题。我这些年前前后后一共刷了700道题，每周的leetcode contest平均能做2.5题左右。除了有两家公司电面coding没发挥好之外，其他的coding轮次都还是比较顺利的。网上leetcode题目讲解的文档还是挺多的，我参考的比较多的是 https://github.com/doocs/leetcode/tree/main/solution 和 https://fuxuemingzhu.cn/leetcode ML system design对于MLE来说也是必考的一轮。虽然说有一些八股的套路，但是考官有时候会问到具体的一些模型（比如推荐系统的经典算法）和数据处理方法（比如处理缺少labeled data的具体算法），所以最好还是得有相关实践经验以及一些ML modeling方面的知识储备。Alex Xu的Machine Learning System Design Interview我觉得写的还是挺好的，一开始列了八股的模版，后面又结合了几个具体的例子，最起码对我还是有一定作用的。ChatGPT其实也很有用，提供的system design答案也挺好的。 ML fundamental目前我还没有找到什么特别好的参考资料，基本上都是根据个人背景自己一点一点零散的记录起来的。知乎、一亩三分地、甚至小红书都有很多所谓的ML fundamental知识的整理，但是要么写的比较简单，要么就是链接跳转来跳转去最终要付费，所以只能自己慢慢探索了。如果是junior level的MLE的话，西瓜书我觉得是必读书籍之一。但是一般来讲还是得根据自己的research background 以及申请的job description来进行针对性的准备。比如申请搜广推的岗位，那就得准备下推荐系统的算法；申请大模型相关的岗位，transformer以及各种SFT/RL的方法要熟练掌握。 Behavior question的话，主要考的还是讲故事的能力，这一轮其实非常非常的重要，是bar raiser用来决定给不给offer以及定级别的。我大概准备了十几个故事，面对不同的问题轮着用，目前体感下来也够用了。Amazon的leadership principle https://www.amazon.jobs/content/en/our-workplace/leadership-principles 必须得烂熟于心，此外强推《彻底击碎行为问题》这篇文章, 熟读此文档我觉得面对各种behavior question都能轻松应对。总结：感觉对于machine learning engineer来说，当前的市场还是很有机会的，很多公司都在招和LLM相关方向的人才。但是从有面试机会到最终给offer还是有很长的路要走的。每家公司基本都是6轮面试打底，最多的一家我一共面了9轮。而且给口头offer和拿到official offer letter之间也有很多事情会发生，比如Moveworks一开始给了我offer，后面因为审批原因又撤回了。Microsoft一开始也给了offer，但是紧接着就因为headcount没了也撤回offer了。此外现在所有的公司发了offer之后都要求最多5个工作日之内给回复，导致competing offer不太能及时有，还导致我签了现在的offer之后来了一个给钱更多一点的offer，我衡量了半天之后还是没敢撕签好的offer。我还感觉到或许是因为行情不好(?)的原因，现在的公司特别喜欢down level, 我有至少3个收到的offer都是明显故意down level了。哪怕在低一级别上为了match我对工资的期望去找VP签字，也不愿意给我正常的level。其实面了这么多公司，还有一个让我很沮丧的点，就是我觉得phd学位对我好像没什么用。对于我这种背景比较普通的phd来说，去不了顶尖的research lab, 只能申请普通的MLE岗位。而这些MLE岗位其实并不需要phd学位。再加上我面试的时候也没有流弊到让所有的面试官都刮目相看，这种情况下公司在定级别的时候，更多的还是会考虑工作年限，所以最多给我senior甚至更低一档的级别。而我master同期的同学因为比我多了5年工作经验，很多人现在都在各大公司里面当上staff了。
Markdown	[高正太的自留地](https://zhenggao.io/blog/) most in Chinese, rest in English - [首页](https://zhenggao.io/blog/) - [标签](https://zhenggao.io/blog/tags/) - [分类](https://zhenggao.io/blog/categories/) - [归档](https://zhenggao.io/blog/archives/) - [搜索]() 0% # 2025MLE跳槽总结发表于 2025-04-30 更新于 2025-05-01 分类于 [life](https://zhenggao.io/blog/categories/life/) Valine：本文字数： 3\.8k 阅读时长 ≈ 6 分钟本文总结一下2025年上半年跳槽的全过程。主要申请的是senior machine learning engineer岗位。本人背景：PhD学位 + 5年工作经验专业方向：NLP，搜广推，LLM（在Amazon干了两年半的NLP和推荐，在蚂蚁做了两年半的LLM post-training和agent）目标岗位：senior machine learning engineer 求职进展：因为年初被reorg到一个完全陌生的project，所以我从二月中旬的时候下定决心跳槽，到四月底签完offer截止，一共历经两个多月的时间。还好我的manager后期因为他自己也要跳槽的原因，基本不管我们了，因此倒是因祸得福，相当于全职刷了两个月的题。一开始的时候，因为自己很久没有进入市场找工作了，对于行情不是很了解，所以我首先疯狂在LinkedIn上加recruiter和看各种公司的open position。大概看了一两周摸清了下当前都有什么公司之后，我决定基本从三个方面找和自己背景相似的公司： 1. 大中型上市公司（FAANG，Pinterest, Snap等） 2. 比较火的startup （主要参考了福布斯最近几年的[Top50 AI公司名单](https://zhuanlan.zhihu.com/p/693062107)) 3. LinkedIn推荐的小的startup。之所以这么选择，一是不太清楚自己的定位如何，二是反正自己时间充足，不如先选一些小的startup面试练练手，同时还能增长点面试自信心。现在看来这种策略还是很有用的，像behavior question以及past project deep dive 这种面试轮次，经过前期面试打磨之后，后期面试我都面得非常得心应手。投简历的时候，除了一部分是我开了LinkedIn会员，并且把状态改成Open to Work之后有recruiter主动联系的之外，90%的公司我都是直接从官网海投的。我个人的感觉是如果你的背景和job description相关并且比较有竞争力的话，还是很快能收到回复的。找人内推的话，如果内推的人背景和自己并不相似，其实也未必能有什么作用。最终大概统计了下，我自己投了80+家公司，其中有30+家有recruiter联系，给面试机会（phone screen）的公司有22家。其中走到onsite轮的有15家（最终面了11家，因为offer定了所以推掉了4个VO），拿了8个offer。不过这些offer的含金量相对一般，因为大部分dream company要么挂在了面试上，要么根本就没给面试机会，要么被强行down level了，而且有两个offer由于后期没有headcount的原因到最后也没正式发下来。 - 挂在phone screen/hiring manager面试的公司：OpenAI, Meta, Atlassian, Vanta, Anyscale, Shopify, XAI (offer来了就没继续面) - 挂在on site的公司：Pinterest, Bosch, Abridge - 因为定了offer所以取消on site的公司：Bloomberg，Apple, Capital One, Snap - offer: Tiktok, Amazon, Coupang, Microsoft, Accenture, Moveworks, Inworld AI, Kai Cyber 面试经验：说实话面试真的是体力活，我最多的时候一天要面3家公司，有一段时间平均每天都要2场面试。前前后后一共面试了得有100+轮。因为重复了太多次，我后期面试做self introduction的时候都感觉完全不过脑子了。每家公司的phone screen会有1-2轮，具体会包括至少一轮coding，此外还会涉及到past project deep dive或者ML fundamental。onsite的话一般都有4-5轮，包括coding, ML system design，ML fundamental，和behavior这四个方面。除了个别公司之外，绝大部分的onsite现在都是virtual onsite。以下是我准备面试时的一些个人经验： 1. coding的话大部分公司都还是leetcode style, 需要在coderpad或者hackerrank上做到bug free（测试几个自己写的test case,或者要通过公司提前设置好的test case），然后分析下时间/空间复杂度。面试中一般真正给coding的时间大概是35分钟，考察一道题+follow up的情况比较多，两道题的情况也有。准备coding面试也没什么捷径，只能多刷leetcode了。这些公司的coding体感下来大概都是medium左右的难度，我从来没有被考过DP的问题。我这些年前前后后一共刷了700道题，每周的leetcode contest平均能做2.5题左右。除了有两家公司电面coding没发挥好之外，其他的coding轮次都还是比较顺利的。网上leetcode题目讲解的文档还是挺多的，我参考的比较多的是<https://github.com/doocs/leetcode/tree/main/solution> 和<https://fuxuemingzhu.cn/leetcode> 2. ML system design对于MLE来说也是必考的一轮。虽然说有一些八股的套路，但是考官有时候会问到具体的一些模型（比如推荐系统的经典算法）和数据处理方法（比如处理缺少labeled data的具体算法），所以最好还是得有相关实践经验以及一些ML modeling方面的知识储备。Alex Xu的Machine Learning System Design Interview我觉得写的还是挺好的，一开始列了八股的模版，后面又结合了几个具体的例子，最起码对我还是有一定作用的。ChatGPT其实也很有用，提供的system design答案也挺好的。 3. ML fundamental目前我还没有找到什么特别好的参考资料，基本上都是根据个人背景自己一点一点零散的记录起来的。知乎、一亩三分地、甚至小红书都有很多所谓的ML fundamental知识的整理，但是要么写的比较简单，要么就是链接跳转来跳转去最终要付费，所以只能自己慢慢探索了。如果是junior level的MLE的话，西瓜书我觉得是必读书籍之一。但是一般来讲还是得根据自己的research background 以及申请的job description来进行针对性的准备。比如申请搜广推的岗位，那就得准备下推荐系统的算法；申请大模型相关的岗位，transformer以及各种SFT/RL的方法要熟练掌握。 4. Behavior question的话，主要考的还是讲故事的能力，这一轮其实非常非常的重要，是bar raiser用来决定给不给offer以及定级别的。我大概准备了十几个故事，面对不同的问题轮着用，目前体感下来也够用了。Amazon的leadership principle <https://www.amazon.jobs/content/en/our-workplace/leadership-principles> 必须得烂熟于心，此外强推《[彻底击碎行为问题](https://link.1point3acres.com/?url=https%3A%2F%2Fdocs.google.com%2Fdocument%2Fd%2F112HBiMNvu6TYbDUOfVRe_MS4A-fKaWYrpMlmnsiMNiA) 》这篇文章, 熟读此文档我觉得面对各种behavior question都能轻松应对。总结：感觉对于machine learning engineer来说，当前的市场还是很有机会的，很多公司都在招和LLM相关方向的人才。但是从有面试机会到最终给offer还是有很长的路要走的。每家公司基本都是6轮面试打底，最多的一家我一共面了9轮。而且给口头offer和拿到official offer letter之间也有很多事情会发生，比如Moveworks一开始给了我offer，后面因为审批原因又撤回了。Microsoft一开始也给了offer，但是紧接着就因为headcount没了也撤回offer了。此外现在所有的公司发了offer之后都要求最多5个工作日之内给回复，导致competing offer不太能及时有，还导致我签了现在的offer之后来了一个给钱更多一点的offer，我衡量了半天之后还是没敢撕签好的offer。我还感觉到或许是因为行情不好(?)的原因，现在的公司特别喜欢down level, 我有至少3个收到的offer都是明显故意down level了。哪怕在低一级别上为了match我对工资的期望去找VP签字，也不愿意给我正常的level。其实面了这么多公司，还有一个让我很沮丧的点，就是我觉得phd学位对我好像没什么用。对于我这种背景比较普通的phd来说，去不了顶尖的research lab, 只能申请普通的MLE岗位。而这些MLE岗位其实并不需要phd学位。再加上我面试的时候也没有流弊到让所有的面试官都刮目相看，这种情况下公司在定级别的时候，更多的还是会考虑工作年限，所以最多给我senior甚至更低一档的级别。而我master同期的同学因为比我多了5年工作经验，很多人现在都在各大公司里面当上staff了。 [\# job](https://zhenggao.io/blog/tags/job/) [腾讯云使用教程](https://zhenggao.io/blog/2025/04/30/%E8%85%BE%E8%AE%AF%E4%BA%91%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B/ "腾讯云使用教程") - 文章目录 - 站点概览 ![Zheng Gao (高正)](https://zhenggao.io/blog/images/avatar.png) Zheng Gao (高正) 以always Day 1 的心态，工作102年 [26 日志](https://zhenggao.io/blog/archives/) [4 分类](https://zhenggao.io/blog/categories/) [31 标签](https://zhenggao.io/blog/tags/) [GitHub](https://github.com/RoyZhengGao "GitHub → https://github.com/RoyZhengGao") [Email](mailto:gao27@indiana.edu "Email → mailto:gao27@indiana.edu") [LinkedIn](https://www.linkedin.com/in/zheng-gao-351b738a/ "LinkedIn → https://www.linkedin.com/in/zheng-gao-351b738a/") [Google](https://scholar.google.com/citations?user=C8M7-1YAAAAJ&hl=en "Google → https://scholar.google.com/citations?user=C8M7-1YAAAAJ&hl=en") 友情链接 - [个人主页](https://zhenggao.io/ "https://zhenggao.io") © 2019 – 2025 Zheng Gao (高正) \\| 114k \\| 3:10 由 [Hexo](https://hexo.io/) 强力驱动 v7.3.0 \\| 主题 – [NexT.Pisces](https://pisces.theme-next.org/) v7.6.0
Readable Markdown	null
Shard	163 (laksa)
Root Hash	7448565633067331763
Unparsed URL	io,zhenggao!/blog/2025/04/30/2025MLE%E8%B7%B3%E6%A7%BD%E6%80%BB%E7%BB%93/ s443