2026 MLE 跳槽心得分享

前言
这是我第三次跳槽。每次跳槽都是一场血泪史，但回头看，确实有收获、有成长。可惜，我觉得这些收获只限于“跳槽”这件事本身，无法真正转化成日常工作能力。这大概是这个行业的共同悲哀：你跳槽很牛逼，不等于你工作也很牛逼。你花大量时间练就的跳槽技能，无法完全变成工作实力；而在岗位上待久了，跳槽能力又会退化。于是，每次跳槽，都得痛苦地从头再学一遍，这真是既讽刺又无奈。。。

<下面的内容是我手打的草稿之后用AI润色的>

背景
PhD + ~8 yoe，senior DS/MLE/AS/RS。Target on senior/staff/principal MLE/AS/RS，以senior为主(按照当前的市场环境，以我的经验和资历，面senior更容易拿到面试，senior+要求只会更高)。

结果
全部都在linkedin上投简历，总共投递了40个职位 → 18个HR reachout → 14个 phone interview → 11 个onsite → 2 offers, 1 team match。目前还剩下两个公司在走phone interivew，另外还剩下一个onsite。

心得
MLE 面试准备是五大块，coding，ML系统设计，ML fundamentals，BQ和project deep dive。下面说一下我是怎么准备的。

Coding：从2026年1月初到2月底，我用了两个月时间主要刷 LeetCode 75 和 LeetCode 150。1月份我集中刷 LeetCode 75，共刷了2.5遍：第一遍用了两周，每天5道；第二遍用了一周，每天10道；本来计划第三遍也用一周，但最终没能坚持。2月份原本计划用两周刷完 LeetCode 150，但发现很多题完全没见过，解题效率很低。LeetCode 75 的经验几乎无法迁移到这些陌生题目，这让我感到强烈失望和绝望。于是我开始摆烂，每天陷入“逼自己刷题”和“完全不想刷”的纠结循环中。最终，整个二月份只把 LeetCode 150 刷了一半，很多 Hard 题直接跳过。

对我来说，coding 一直是最大短板，也是面试中最害怕的一轮。我很羡慕那些看一眼题目就能迅速写出最优解的人。对我而言，几乎没有哪道题是真正 straightforward 的。大部分题目都需要大量刻意练习，而且也只能比较有把握地解决之前做过、有印象的题。即使是刷过的题，也未必每次都能一次写对。准备 coding 的过程非常心力交瘁：一方面要狂刷 LeetCode 题海，要理解多个solution，并且写出最优解，但却常常感到力不从心；另一方面要收集整理各公司面经，但很多面经语焉不详，公司题库也经常变化，甚至根本没有题库。以前没有 LLM 时，面经帮助有限——即使拿到原题，也不一定能做出来。现在有了 LLM，确实能帮上很多忙，但依然需要自己深入理解每一道题的 solution。

即便做了充足准备，面试时还是经常遇到完全没见过的题。这时就只能听天由命，看临场发挥。遇到面经题时：靠演技取胜。先仔细读题，模糊的地方主动 clarify；从 brute force 开始，分析 pros and cons，再自然过渡到最优解。写代码时不要一气呵成，要分模块讲解（比如“我的方案分成三块，第一块建图，第二块 BFS，第三块返回结果”），变量按需出现，保持“现场思考”的真实感。遇到陌生题时：积极和面试官沟通，哪怕只有最 naive 的思路也要说出来，然后立刻动笔写。写完后主动询问反馈，尝试从 hint 中获得灵感并优化。能被 inspire 最好，被 hint 也上不了道也很正常，因为面试就是高压环境，大脑当机也是正常的。

Coding 面试结束后，我从不复盘。因为不会就是不会，事后补做对下次帮助也不大。不要自我否定，更不要 pua 自己。尽力了，就够了。最后，给不给你过，很多时候就是面试官一句话的事，里面有运气成分。但我始终相信：全程保持积极沟通、永不放弃的态度、亲切的微笑和稳定的情绪，能给面试官留下舒服的感觉。这也是一份非常重要的“演技”啊。

投简历：三月份到了，这是我原计划开始投递简历的时间。虽然 coding 还没准备好，但说实话，无论给我多少时间，我都不会觉得完全 ready。于是我逼自己开始行动。当时几乎没有 HR 主动 reach out，我以为市场变差了。以前我跳槽都是HR或者Hiring mgr主动找我的，但这次我得主动起来了：我在 LinkedIn 上开通会员，开始大量投简历。投简历前我很没底——在地里看到很多帖子说现在candidates多，投几百份也可能石沉大海，这让我压力极大。我给自己定下规矩：每天投 10 个职位。没想到，HR 回复速度比想象中快得多，几乎每天都有反馈。这说明 LinkedIn 上的职位大多是真实的。我还开通了 Open to Work，吸引了一些 HR 浏览并主动联系，但数量不多。绝大多数面试机会仍来自我主动投递。仅仅一周后，我已经收到近 20 个回复，于是停止了继续投简历。

约面试时间：约面试时间是比较有挑战的一环。我无法控制公司 reach out 的先后顺序：不想去的公司可能先来，想去的公司也可能后到。最理想的情况是按“从不想去到最想去”的顺序依次面试，这样能积累经验。但现实中很难掌控。我的工作很忙，老板要求高，一边全职工作一边面试非常吃力。好在我的 calendar 大部分时间是空的，约时间本身不算太难，真正难的是在高压工作中挤出精力准备面试。我的策略是：Phone interview 尽量集中安排；一旦有多家公司通知 onsite，我就请 2-3 周假，把所有 onsite 集中在这段时间内进行。面试约好后，我会在自己的 calendar 上标记清楚，避免和其他会议冲突。如果实在撞期，我就如实说有 conflict，只能参加上半场或下半场；或者找理由（如 doctor appointment）请同事帮忙顶一下。对于 onsite，我习惯把它们尽量安排在一起，最多间隔一周到一周半。这样做的好处是，如果有多家 offer，可以互相 compete，拿到更好结果；请假更方便；避免出现喜欢的公司还没面试，不喜欢的公司却先发 offer、时间紧迫的尴尬局面。

ML系统设计和ML fundamentals：系统设计部分，我实际准备的时间很少，只用了一个周末（两天，每天8小时）。一方面，我日常工作就是做 end-to-end 的 ML solution，很多内容已经在工作中实践过；另一方面，ML 的基础知识我本来就有印象。虽然不能说完全精通，但主要概念和算法大多理解。不过，面试时仍然需要系统梳理，把核心概念和定义背得滚瓜烂熟，张口就能说出来，不能有任何卡顿，比如：Traditional ML 模型的原理、pros & cons、loss function（公式与推导）；Deep learning 基础；Sequence model 原理与架构； Transformer 系列（Attention、Self-Attention、Multi-head Attention、Mask Attention、Positional Encoding、Residual Connection、Layer Norm 等）； XGBoost 原理、模型量化、Gradient Vanishing、激活函数（sigmoid, relu, leaky relu, etc）、Optimizer（Adam、AdamW 等）；常见问题排查（training loss 不下降等）；BERT、ResNet、Vision Transformer 的训练方式等。这些基础知识需要大量时间反复梳理和背诵，才能做到脱口而出。

有些公司是要考ML coding的，我遇到的是给一个dataset，要你训练一个模型出来，用pandas和sklearn。我的准备方法就是提前把code从头到尾写出来，理解每一步，比如data processing，feature engineering，model training/testing，evaluation等等。然后背下来，计时练习多次，这样的话，在面试的过程中能够应对自如了。这样的面试都允许你google，但是如果对于pandas或者sklearn不熟悉，每一步都查api的话，会非常费时间。另外，我说的背下来，是连从哪个包import哪些函数都要背下来能默写的程度，不能有大小写或者拼错的情况发生。

对于 ML 系统设计，我强烈推荐 Alex Xu 的那本书。我先通读了第一章，它系统梳理了 ML Design 的面试思路。接着从第二章开始，我采用主动练习的方式：先看题目，自己写下 requirement collection，再和书中的答案对比找差距；然后对 ML framing、data & feature engineering、model dev/eval/deploy/serve/monitor 等环节逐一练习。这种方法让我进步很快。到第四章时，我已经基本融会贯通。其实 ML 系统设计的核心内容就那些，看透之后会发现大同小异。另外一类常见题目是设计 Chatbot、Shopping Assistant 等，这类本质上就是 RAG。我之前做过类似项目，回答时并不吃力。

最后一步是看面经。主要目的是了解常考的题目，另外要对公司产品有初步理解，然后用自己熟悉的套路进行模拟练习，并让 LLM 给出反馈和改进建议。我没有找人 mock，而是自己计时，在 Excalidraw 上进行练习。我的习惯是：先快速列出整体大框架；再针对每个步骤写出详细 bullet points；然后用 Excalidraw 画出模型流程图和 serving 流程图。我一共练习了 5 次，基本就熟练掌握了。真正面试时，画图工具通常就是 Excalidraw 或类似界面，所以这个练习非常实用。练习完成后，我会把 Excalidraw 上的笔记和流程图发给 LLM，让它给出批评和优化建议，获得及时反馈。

BQ & Project Deep Dive: 这两部分有时合并成一轮，有时分成两轮。我对自己的沟通能力非常自信。我能快速读懂面试官的反应：通过观察表情和反馈，在一两个回合内判断对方喜欢简洁还是详细的风格，并立刻调整回答方式。即使遇到没有提前准备的问题，我也能快速反应，用其他故事自然套用，过渡不生硬。这是我比较突出的天赋。BQ 部分我基本没有专门准备。作为 Senior+ 级别，回答时需要重点体现：scope，带人经验，conflict（尤其是如何与 cross-functional 团队或领导博弈，最终如何让对方满意或者结果很好）。现在有了 LLM，可以先让它帮你把故事润色成高 scope 的版本，再反复练习背熟。虽然费功夫，但非常有效。随着面试次数增多，很多故事会越来越熟练，临场反应也会更自然流畅。

对于project deep dive，我的建议是，对简历上的每个项目都要做到 end-to-end 非常熟悉，包括项目 vision/goal，phased approach/milestone，timeline，impact，challenges，cross-functional & key stakeholders，key technical details， 等等。有些公司会要求准备 1-2 页的 slide。我的准备方式是：先把每个项目从头到尾写成详细文档，然后直接让 Claude 生成 PPT，再自行修改完善。

运气：我必须说一句实话：即使你准备得再完美，也很难每次面试都拿到满分。你会紧张、沮丧，甚至感到绝望。你一边要应对繁忙的工作、琐碎的日常，还要照顾家庭和孩子，扛着生活的压力。在此之上，你还要挤出时间和精力准备面试。准备过程中几乎没有正反馈，大部分时间只能一个人默默死扛，前面的不确定性全靠自己消化。如果有家人全力支持，你会多一些时间准备，但这也变成另一种压力——成败在此一举，失败时会深深自责，觉得辜负了家人。如果家庭本身就不顺利，那日子就更艰难：本来就已心力交瘁，还要额外承受找工作的所有不确定性和打击。投了简历不一定有回复，联系上 HR 不一定能过，phone 或 onsite 过与不过，很多时候只是面试官一瞬间的决定。你全力以赴，嗓子说哑了，却不断遭受否定，只能自己舔舐伤口，拍拍灰继续往前走。这种平凡却真实的勇敢，发生在每一个正在找工作的人身上。有时候，你表现是 98 分，却因为那 2 分被拒绝；有些公司 onsite 挂一轮就直接 reject；即使过了 onsite，还要经历漫长的 team match，这时如果你手里有 expiring offer，你是接还是等？你会发现：除了自己的努力，其他大部分事情都无法控制。想要拿到最优的结果，运气起了很大作用。这让我想起多年前申请 PhD 时，留学咨询师对我说的一句话：“尽人事，听天命”。在找工过程中，我的经验是，要分清什么是我能控制的，什么是我不能控制的。能控制的，就全力行动，去消除焦虑；不能控制的，就告诉自己，这就是命，不要让它毁掉你的心情和动力。这个过程也是一种修行，当然我并不enjoy这样的修行。

心情过山车：面试的过程，充满了负反馈、自我否定和绝望。即使面对一些不想去、也没怎么准备的公司，被拒绝时心里还是很难受。对我们这些小镇做题家来说，每一次拒信都像一种否定。我面了近20家公司，有些是我主动放掉、没认真准备的，被拒后虽然表面无所谓，但收到拒信那一刻依然难受，只能咬牙继续 move on。真正想去的公司被拒，更让人失望和心痛；拿到 offer 后，又会因为薪资不够高而感到失落——明明已经这么努力了，结果却还是这么不让人满意。其实我就是一个普通人，没有过人的天赋，能走到今天已经很不容易。我渐渐学会不要太逼自己。有些东西，命里没有就是没有。我的人生下半场早已开始，谁也不知道未来 AI 是否会取代我们的工作。到那时候，更重要的是为自己而活。希望那一天到来时，大家都能财富自由，做自己真正喜欢的事，真心热爱生活，健康而快乐。

tinatina 发表于 2026-4-18 15:22
恭喜楼主，谢谢这么真诚的分享！

lz从phone screen到onsite的转化率也挺高的，请问phone screen问coding ...

我面的公司的phone screening分别是：
- 一个公司是两轮，paper reading，coding (2 problems)
- 一个公司是一轮AI coding （自备IDE，自备LLM，用AI做题，重交流）
- 一个公司是一轮ML coding（给dataset，要求end to end ML solution，用pandas+sklearn）
- 两个公司是一轮ML fundamentals + 1 coding problem
- 一个公司是一轮hiring mgr discussion
- 一个公司是两轮，hiring mgr discussion， ML system design
- 两个公司是一轮 project deep dive + 1 coding prolem
- 一个公司是一轮coding

我觉得Alex Xu的那本小蓝书太浅了，根本应付不了Staff MLE相关的面试。最好还是看看
1. 王喆，《深度学习推荐系统2.0》
2. YouTube王树森，推荐系统，搜索引擎

LZ写的很real，全是大实话，比小红书上大龄Boot camp转AI的real多了，MLE要考的真的太多了，PHD+背景这么强都这么坎坷，看来这个市场真的很难，感谢您的分享。想问下楼主遇到那种要求背景很match的如何应对，没做过就是没做过而且大厂应对的数据量是中小厂根本无法遇到的，感觉不管自己说读过再多的资料，面试官也不买账。

楼主写的太好了 能不能弱弱的问一句 最后的offer大概多少钱

恭喜恭喜， 能问问楼主， 你是传统的推广搜还是AI? 你这个投递转化率太高了， 好牛！

讲的真好！

写的真好，真情实感，不做作！谢谢楼主分享

匿名用户 发表于 2026-4-18 14:44
恭喜恭喜， 能问问楼主， 你是传统的推广搜还是AI? 你这个投递转化率太高了， 好牛！

传统搜广推和gen ai的application我都做过。

匿名用户 发表于 2026-4-18 14:32
楼主写的太好了 能不能弱弱的问一句 最后的offer大概多少钱

没有多少，其实。。挺失望的。。

恭喜楼主，谢谢这么真诚的分享！

lz从phone screen到onsite的转化率也挺高的，请问phone screen问coding的多吗，或者11个里面大概分布是怎么样的呢（比如coding, project deep dive, ML fundamentals, ...)。因为我的coding也是弱项，很虚。谢谢！

所以楼主6周前投简历，面了20，就拿到offer，很牛呀。这速度

匿名用户 发表于 2026-4-18 17:20
没有多少，其实。。挺失望的。。

500k有的吗 楼主