**第一轮：算法面试**

第一轮是算法面试，通过电话进行，持续大约一个小时。这轮主要考察基础的数据结构和算法。第一个问题是一个常见的链表问题：给定一个单向链表，要求判断链表中是否有环。我使用了快慢指针的方法，快速写出了解决方案，面试官要求我解释其时间复杂度和空间复杂度。我回答这是O(n)的时间复杂度和O(1)的空间复杂度，面试官表示满意。

接下来第二个问题是一个涉及栈的数据结构问题：实现一个特殊的栈，要求在常数时间内返回栈中的最小元素。我首先提出了使用辅助栈的思路，面试官要求我优化代码并实现具体细节。我花了大概20分钟解决这个问题，最终代码通过了所有的测试用例。

**第二轮：机器学习应用**

第二轮是机器学习相关的编程问题，主要考察如何应用机器学习模型进行预测和优化。第一个问题是给定一个数据集，要求训练一个分类模型，并且优化模型的F1-Score。面试官给出的数据集有轻微的不平衡性，我首先对数据进行探索性分析，然后选用了RandomForest作为基线模型。训练后，我通过调整类别权重和使用交叉验证来提升模型的表现。面试官随后问到在实际应用中，如何处理更严重的数据不平衡问题，我回答可以考虑使用上采样或下采样，或者应用生成对抗网络（GANs）进行数据增强。

第二个问题是模型优化，要求我对现有的机器学习流水线进行改进。我分析了现有的流水线，发现模型训练过程中存在过拟合现象。我提出使用正则化技术，如L2正则化和dropout，并建议在特征工程阶段增加一些高阶特征。面试官对我的改进方案表示认可，并要求我讨论如何在线上环境中进行A/B测试验证模型效果。

**第三轮：系统设计**

第三轮是系统设计面试，问题是设计一个大规模的推荐系统架构。面试官要求系统能够处理高并发用户请求，并能对不同用户提供个性化推荐。我首先设计了一个基于协同过滤的推荐算法，并讨论了如何将该算法扩展到大规模数据集上。我提出使用Spark进行分布式计算，结合矩阵分解技术进行模型训练。在架构方面，我提出了使用微服务架构，将推荐系统拆分为数据收集、特征提取、模型推理和用户反馈模块，并使用消息队列（如Kafka）进行模块之间的数据通信。

面试官随后问我如何处理推荐系统中的冷启动问题，我提到了基于内容的推荐以及通过社交网络关系推断用户偏好。整个过程中，面试官不断提问，要求我进一步细化架构设计，包括如何处理高并发请求以及如何确保数据一致性。我提到了缓存机制（如Redis）来加速响应时间，并讨论了数据库分片和复制技术来提高系统的可扩展性。

**第四轮：行为面试**

最后一轮是行为面试，主要考察团队协作和解决冲突的能力。面试官问了我在之前项目中如何应对团队内部的不同意见，以及如何在压力下完成项目。我举了一个例子，描述了在之前的项目中，由于资源有限，团队成员之间对任务优先级产生了分歧。我通过组织定期的沟通会议，明确项目的核心目标，确保每个人都了解自己的职责，最终成功推动项目按时交付。面试官还问了一个比较棘手的问题，如何处理当你的上级和同事对某个技术方案有不同意见时，我描述了通过数据和实际效果来证明技术方案合理性的方法。

面试整体难度适中，但涉及的技术面较广，需要具备扎实的基础和实际操作能力。

最近我参加了OpenAI的MTS（Machine Learning Technical Specialist）面试，整个过程大约分为四个环节，涵盖了技术问题和实际操作等多个方面。以下是我具体的面试经历以及每道题目的详细描述。

**第一轮：技术电话面试**

首先是技术电话面试，时长大约为45分钟。这轮主要是针对机器学习基础的考核。面试官从基础开始提问，问了关于模型的优化问题。第一个问题是如何处理数据不平衡问题，我回答了常见的解决方案，比如使用加权损失函数、调整样本比例以及数据增强技术。面试官随即跟进了一个深入问题，询问在什么情况下会选择每种方案，并让我列举几个实际应用的例子。

接下来，面试官提了一个模型选择的问题，问如何选择合适的模型来处理分类问题，并让我比较逻辑回归和SVM。我详细描述了每个模型的优缺点，特别是在高维数据和少量样本下的表现差异。最后，面试官问了一个关于模型解释性的开放性问题，探讨如何解释黑箱模型的决策结果。

**第二轮：编程环节**

第二轮是线上编程测试，时间为90分钟，主要是考察代码能力。题目一共两道，第一道是经典的二分查找变形问题，需要处理一个部分排序的数组，找到指定元素的位置。我花了15分钟理解题意，并迅速实现了解决方案，但在优化代码的时间复杂度时出现了一些困惑，最终通过了所有测试用例。

第二题是一个动态规划问题，给定一个矩阵，要求找到从左上角到右下角的最小路径和。我采用了递归+记忆化的方式来解决，优化到O(n*m)的复杂度。这个问题中面试官不断打断我的思路，要求我对每一步解法做详细的解释，同时我需要根据他们的提示调整代码，最终成功通过测试。

**第三轮：系统设计**

第三轮是系统设计，主要考察的是我对大规模分布式系统的理解。面试官给出的题目是设计一个分布式机器学习模型训练平台，要求支持多用户并发模型训练。我从架构设计入手，先讨论了数据流的设计，如何高效地分配计算资源，并提出了使用分布式训练框架（如Horovod）的方案。接着，面试官深入挖掘了数据存储和任务调度的问题，特别是如何保证训练任务的容错性。我提到了使用分布式文件系统和任务调度器如Kubernetes来管理资源的动态扩展，面试官对这一部分提了几个挑战性的问题，比如如何应对任务中断和数据丢失。我给出了解决方案，但面试官似乎希望我进一步考虑更复杂的场景。

**第四轮：行为面试**

最后一轮是行为面试，时间约为45分钟，主要是考察我的沟通能力和团队协作经验。面试官问我在之前的项目中遇到过哪些挑战，以及如何解决团队内部的分歧。最难的一个问题是，如何在资源有限的情况下保证项目按时完成。我结合了自己在以往项目中的经验，描述了如何在不增加人员的前提下，通过优化工作流程和有效沟通，推动项目进展。

移民只是一种生活的选择
现在中国富裕的人多了，对生活就有更高的要求了。想着向国外移民的人也多了。俗话说得好，条条大路通罗马，现在中国人是条条大路通海外。常常有国内的朋友问本猫，生活在哪儿更好，或者说到底要不要到美国来生活。其实，对这个问题的回答，肯定是有人说好，有人说不好，有人说应当来，有人说不要来。任何事情在不同人的眼里，在不同人的生活中，在不同人的感受中，一定都是不一样的。

红烧排骨萝卜 很香很好吃的家常菜

电话面试：2 道中等难度题。等了 5 天才收到反馈。根据招聘人员的说法表现不错，因此进入了现场面试。

现场面试：（两周后）
- 编程1：2 道中等难度题
- 编程2：1 道中等难度题，1 道困难题。困难题需要了提示，但提示后能解决。
- 系统设计：表现尚可。之前见过这个问题，但还是有些磕绊。
- 产品：表现良好。之前见过这个问题，准备充分。
- 行为面试：表现良好。所有问题都回答得很好，通常我在行为面试方面比较擅长。

总体而言，我认为我表现得很好。所有问题我都做好了准备。只有 Coding2 有我没有见过的问题。我确信我会被从 E6 降级到 E5，这也是我想要的结果。今天收到反馈，经过 6 天，结果是拒绝！招聘人员告诉我，下次需要重点关注系统设计。没有提供更多细节。

我是否犯了错，申请 E6 级别？招聘人员告诉我，他们考虑了 E5 和 E6 两个级别，但仍然未能通过。我为这次面试做了很多准备，觉得总体表现不错。最糟糕的感觉就是你以为自己表现很好，却最终失败了！

我今天参加了一个技术职位的面试。与经理的行为面试进行得很顺利，也很正常。但是技术面试的体验非常糟糕，其中一位面试官在我不知道答案的时候竟然嘲笑我，并且在我未能回答问题时一直咯咯笑。我觉得我肯定不会得到这份工作，我真的很想举报这位面试官，并希望他们有录下面试过程……但我又不想为未来的机会埋下隐患。 
##### 更新：刚刚收到公司的调查链接 ????? 有什么建议可以在调查中写吗？实际上，我和其他人的体验都很积极，但那个面试官真的很糟糕。

最近我参加了Meta的面试，这是我经历过的最糟糕的面试体验。一共进行了6轮面试，其中有两次面试官未出现，他们把我的现场面试拖了整整一周，最后一分钟重新安排面试。结果没有收到offer。

候选人和面试体验已经大幅下降，公司似乎对浪费我的时间毫不在意，即便我的简历非常优秀，面试轮次也不错。这就是现在的糟糕现状。

让我说一下，我一直对Meta的招聘团队和招聘人员有非常积极的经历。他们非常专业和坦诚，我仍然与一些招聘人员保持联系。但我相信，今年该部门经历了严重裁员，这对面试过程和招聘体验产生了影响。

我曾面试E7职位，首先进行了两轮电话面试，由两位E7+（我认为是总监）进行。谈话很愉快，但同时仍然感觉像是在面试。经过积极反馈，他们决定继续进行现场面试，我进行了技术准备电话，这些对我非常有帮助。

然后Meta陷入裁员旋涡，最终宣布招聘冻结，这让我的过程延长了将近7-8个月。在裁员消息期间，他们多次向我保证，这不会影响E7的招聘过程，但最终确实受到了影响。在这段时间内，招聘人员更换了3-4次，一个接一个离职。

他们再次联系我，想继续进行现场面试，但由于7-8个月过去了，他们想重新进行一次电话面试——这很奇怪，因为这不是编程电话面试，所以你的范围和影响力不会退步。对于我来说，重新进行编程面试完全可以理解。我认为，这应该没问题，因为他们已经有两个积极的面试反馈，这只是一个复习和补充。

我错了，这是我判断失误。这次面试体验完全相反，由一位工程经理进行的面试，非常有脚本化，面试问题话题之间的过渡很差，跟进问题非常浅薄，无法引发有趣的讨论来了解我的影响力和范围。面试中有一刻，我被问到“你的弱点是什么？”? 这肯定是当你搜索“面试官应该问什么”时出现的第一个问题。

我知道面试后感觉不对，果然，我被问是否对E6职位感兴趣，而没有明确的反馈。我立即拒绝了这个建议，对整个过程感到沮丧，将Meta的事情搁置了。

这是我在Mastercard申请生成AI角色的搞笑面试经历：

我完成了与首席AI科学家的第一轮面试，接着进入了与平台负责人进行的下一轮面试。其中一位面试官是同行的印度人，但他没有自我介绍或说明自己的角色。他直接进入正题，问了我很多关于配置VPC子网和应用迁移的问题，完全是网络和迁移相关的。

我多次打断他，澄清自己是机器学习工程师，不是网络工程师。我告诉他我使用AWS SageMaker、Azure ML Studio和GPU或者Databricks，而不是VPC路由和子网配置。他坚持认为，要创建用于微调或预训练的AI应用，必须了解核心网络原理。

我无奈地笑了笑。面试中没有一个问题涉及AI模型、微调、预训练或任何编程内容！

敬请关注下一集的“我到底在面试什么？”

**更新**：第二轮面试与另一位面试官进行了，非常顺利，实际上他在面试中也提到这轮面试非常好。收到最终反馈后我会再更新。

TC：未知（招聘人员没有给我打电话，直接安排了面试。）

这段经历真是让人沮丧，我最近在一些公司面试时遇到了一些不公平的情况，明明自己表现不错却被拒绝了。

比如说，我几个月前面试了很多公司，虽然最终拿到了不少包括FAANG在内的offer，但有些拒绝的原因真的让我觉得不公平。

**Velocloud**：在电话筛选环节中，我被问了很多后端问题，最后20分钟给了我一个编程题目，我用trie解决了问题。虽然通常在类似题目中解决方案会是trie和数组的组合，但面试官显然只想要那种特定的解法。他把我拒绝了。

**Netskope**：电话编程面试时，一个中国面试官问了一个字符串处理问题，我得到了一个扎实的解决方案，并在面试中与面试官多次测试。他对我的解决方案很满意，但后来招聘人员告诉我面试官没有给出令人信服的拒绝理由。

**Asana**：电话面试中被问了三个问题：LRU缓存实现、验证BST和设计Twitter。我表现很好，因为我对这些问题都很熟悉，面试官也表示满意。但一天后，我收到了一封标准的拒绝邮件，实在搞不懂为什么会这样。

**Coinbase**：编程环节通过了工程师的测试，接着收到招聘经理的电话讨论现场面试的重点。招聘经理似乎对管理不太熟悉，但尽管如此，我还是收到了拒绝通知。

我也曾在面试中表现得很糟糕并意识到自己做得不好，但以上这些例子都是我表现良好却却意外被拒的经历。

我认为这些拒绝大多是因为面试官的问题。代码运行良好，测试通过，都是针对LeetCode难度问题的解答。

招聘人员是否会内部标记那些表现不佳的面试官？为什么反馈系统是单向的，面试官却可以毫无责任感地通过？虽然我对获得的FAANG offer感到满意，但我还是听到很多关于不公平面试的故事，感觉像是公司在做我们一个人情。