在Meta、Apple、Reddit、Amazon、Google、Snap等众多顶尖科技公司，系统设计面试是招聘流程中不可或缺的核心环节。
这类面试内容广泛，形式多样——有些侧重于软件架构，有些则更关注问题建模或推荐/排序系统，不同团队之间的沟通风格和期望也可能存在显著差异。
深入理解这些差异并从各种方法中学习，有助于揭示在面试中取得优异表现的关键要素。每种面试形式都能考察候选人不同的技能，例如将业务目标转化为机器学习解决方案的能力、处理模糊不清问题的能力，以及在压力下保持冷静的素质。
相较于软件工程系统设计面试，目前市场上针对机器学习系统设计面试的结构化资源要少得多。
本文旨在汇集一个通用的框架、常见的陷阱和实用的技巧，并精选一系列资源，以助读者为下一次机器学习系统设计面试做好充分准备，并脱颖而出。
机器学习系统设计面试旨在考察哪些能力？
设计面试通常比一般的机器学习、行为和编程轮次更具趣味性、不可预测性、挑战性和实用性。根据面试对话的走向，设计面试可能会涵盖其他所有类型的面试，并能有效揭示候选人是否拥有实际工作经验、是否理解其过去解决问题的基本原理、规模和复杂性，以及其资深程度。
设计面试通过围绕设计选择和不同架构间的权衡讨论，来考察候选人核心技能的深度和广度。通常，它会通过以下能力来评估：
- 掌控并引导对话：优秀的候选人能够主导讨论，而非被动地跟随提示。这意味着需要设定清晰的结构，尽早阐明计划，并主动推动对话走向有意义的技术和产品决策。
- 提问的质量与广度：提问的质量和范围反映了候选人的经验。在仓促提出解决方案之前，深思熟虑的澄清问题表明候选人对业务背景、系统约束和数据依赖有深刻理解。
- 通过回答展现的细节洞察与宏观视角：出色的候选人能够灵活地在细节和抽象之间切换。应能够讨论技术机制，同时将其与用户体验、业务目标和系统性能关联起来。
- 行为表现——如何应对新信息并捍卫己见：面试官会密切关注候选人如何应对模糊性或质疑。保持冷静、深思熟虑地调整解决方案，并用推理而非主观意见来证明设计选择，这都体现了成熟度和协作精神。
- 编码能力——讨论细致入微的实现细节：尽管设计面试并非纯粹的编码环节，但最优秀的候选人能够在被提示时深入探讨具体的实现方面——例如数据流水线、模型服务策略或优化方法——这表明其想法植根于实际的工程经验。
不同级别候选人的期望
针对相同的面试问题，公司对不同资深程度的候选人在设计面试中的表现会有不同的期望。
对于初级工程师：期望候选人精通所提算法的技术细节，而对所解决问题的业务层面要求相对较低。
对于中高级工程师：期望重心转向不仅要展现深厚的技术功底，还要具备系统级思维，理解设计决策如何影响可扩展性、延迟和整体产品目标。候选人应能将模糊的产品需求转化为清晰的机器学习问题表述，讨论不同方案之间的权衡，并对数据收集、实验和模型评估策略进行推理。在这一阶段，沟通能力变得日益重要——面试官会寻找那些能够引导对话、提出澄清问题，并在技术严谨性与实际可行性之间取得平衡的工程师。
对于资深及以上级别（Staff+）：期望涵盖技术深度与广度、业务影响，以及对功能或模型部署和生产追踪的更广泛考量。在更高层级，还期望候选人能够独立主导对话，即应聘者需占据95%的谈话时间，极少向面试官寻求有针对性的澄清问题。在此级别，候选人还需清楚自己所选择路径的权衡取舍——很多时候，没有绝对正确或错误的决定，只有各有利弊的选择。
总而言之，面试官会收集以下信号（摘自Meta面试指南）：
- 问题导航：能否可视化并组织问题-解决方案空间？能否将业务背景和需求与机器学习决策联系起来？
- 训练数据：如何识别训练数据收集方法？如何看待所提方法的约束/风险？
- 特征工程：能否为模型提出相关的机器学习特征？如何识别特定任务的重要特征？
- 模型构建：如何解释模型选择？能否证明使用特定模型的决策是合理的？能否解释训练过程？能否预测风险并如何缓解这些风险？
- 评估与部署：能否设计一致的评估与部署技术？如何证明并阐明所选择的追踪指标？
面试环节设置
在典型的机器学习系统设计面试中，候选人通常有30到40分钟来解决问题。在这段时间内，需要探索问题空间、提出解决方案核心、讨论训练、测试和部署，并可能深入探讨几个关键组件。
面试结构化策略
一场出色的机器学习系统设计面试，其展开过程如同讲述一个故事——它拥有清晰的结构、逻辑流畅的叙述，并展现出循序渐进的思考。尽管每个故事（和每次面试）都是独一无二的，由候选人的经验和具体问题所塑造，但有力的回答通常遵循一个一致的框架。典型的机器学习系统设计面试可以按以下结构进行：
- 业务问题理解与澄清问题——谁是最终用户，预期有多少请求，模型是否用于下游任务等。
- 机器学习任务制定与离线和在线指标——具体要解决什么问题，以及如何衡量成功。
- 高层级架构——尽早定义模型的流程，以确保面试官对整体情况有全面了解，这有助于后续的时间管理。
- 数据——如何收集数据，数据来源，是否需要进行数据预处理、过滤、清洗、平衡、重构？
- 特征准备——是否需要进行降维，也许需要先获取嵌入？可能需要对齐不同模态的数据？如何混合来自不同来源的数据？
- 机器学习模型构建——深入探讨架构、损失函数、优化器和模型特定的权衡。
- A/B测试——如何设置实验，总体分布如何，处理组有哪些？
- 部署——在线学习、MLOps、模型优化、监控、日志记录等。
常见的机器学习系统设计面试问题示例
- 设计一个视频排序系统。
- 设计一个地点推荐系统。
- 设计一个武器销售检测系统。
- 设计一个用户bug报告系统。
- 设计一个基于过去一小时最热门曲目的Spotify推荐系统。
- 设计一个系统，通过受损物体的图片评估保险理赔金额。
- 设计一个针对聊天机器人进行大语言模型微调的流水线。
- 设计一个银行交易欺诈检测系统。
- 设计一个换脸滤镜。
- 设计一个基于社区的消息审核系统。
- 设计一个Instagram广告推荐系统。
- 设计Facebook新闻的下一篇帖子逻辑。
- 设计一个翻译模型。
- 设计Instagram中的“故事”功能。
- 设计一个能将视频翻译成目标语言的系统。
备战设计面试
熟练掌握机器学习基础知识。有一本机器学习职位面试问答书，其中包含了一系列扎实的问题及答案。另一本优秀的著作是《机器学习面试准备书》，它涵盖了许多关于面试行为、薪资谈判和技术问题的内容。此外，还有一篇博客文章总结了来自Glassdoor上关于机器学习面试的反馈。以及一份涵盖常见机器学习问题的综合列表。
尽可能多地阅读机器学习系统设计相关的博客和案例研究。这一点的重要性无论如何强调都不为过。这是了解机器学习新领域绝佳途径。阅读10到20篇此类文章后，就会开始发现常见模式，并了解每个机器学习领域需要关注的重要方面。以下是一些值得推荐的资源：
- Aman Chadha关于排序系统设计的笔记 — 网站上还有更多博客文章。
- 精选的关于将机器学习系统投入生产的论文列表 — 建议阅读该网站上的几乎所有内容。
- Pinterest资深工程师的排序系统设计演练
- 十个真实世界、大型公司系统投入生产的案例研究
- 一篇深入探讨推荐系统的博客
- Meta规模化Instagram探索推荐系统
- Meta广告点击预测的实践经验
论文：
- 150个成功的机器学习模型：Booking.com的6个经验教训
- 亚马逊搜索：产品排序的乐趣
- YouTube推荐的深度神经网络
- 用于推荐系统的深度学习：Netflix案例研究
- 推荐系统的神经协同过滤
- LinkedIn搜索系统的深度自然语言处理
- Facebook搜索中的基于嵌入的检索
- Bing搜索的反事实推理和学习系统
- 经久不衰的现实世界陷阱：机器学习：技术债务的高息信用卡
书籍：
观看尽可能多的示例视频。尽管机器学习系统设计面试的资源相对较少，但软件工程师的系统设计面试视频仍然有助于理解各种面试风格和期望。
准备问题清单并为设计阐述构建粗略结构。以下是一些此类清单的示例：
进行尽可能多的模拟面试。幸运的是，有大量资源可以帮助做到这一点！
- https://adplist.org/：一个可以找到导师的网站，其中一些也提供模拟面试服务。
- https://interviewing.io/：一个非常重视面试质量的优秀平台——每位面试官都经验丰富且通过了极高的门槛。该平台还拥有大量有用的文章和真实面试录音，值得一看！
参加机器学习系统设计课程。
专业建议
- 确保充分探索问题。提出足够的问题，确保收集到正确的数据和宏观图景，不错过问题的规模。不清楚要解决什么问题或解决错误的问题，都会给面试官留下不好的印象。
- 主导对话。如果等待面试官来引导对话，则会显得缺乏主动性，而应始终展现积极性。应聘者应该在大部分时间里进行阐述。
- 练习绘制图表。面试前，练习在Excalidraw上绘制一些设计图。这会使面试过程更加顺利：如果能节省几秒钟来搞清楚如何画圆，就可以将更多时间用于头脑风暴。
- 学习时做笔记。在准备过程中，始终记录所学到的知识。不要只是复制粘贴，用自己的话来书写，以此来检验理解程度。
- 将面试官视为初级工程师。不要将面试官视为评判者，而应将其视为一名初级工程师，向他解释最终的流水线应该如何运作。
常见问题解答
如果不知道问题的答案怎么办？
这正是面试的意义所在——它旨在测试候选人面对陌生和模糊问题时，寻找解决方案的能力。如果觉得解决方案没有立刻浮现，不必感到压力。应先收集需求、约束条件，思考最简单的突破口，然后逐步增加复杂性。
如果对相关领域不熟悉怎么办？
有趣的是，这种情况比想象中更为常见。即使专攻生成模型，但在Meta面试时，也很可能被问到与排序相关的问题。尽管领域可能不同，但解决这些问题仍有通用的流程，并可基于共同的机器学习基础知识进行构建。即使对某个领域不甚了解，候选人的经验也可能带来全新的视角。没有绝对的对错——面试官更关注思维过程以及对机器学习领域的整体理解。然而，避免陷入这种困境的最佳方法是针对所面试的公司进行充分准备。
如果时间不够了怎么办？
这种情况非常常见——毕竟面试中需要解决一个庞大且不熟悉的问题。有些面试官甚至不期望候选人能够完成所有内容，而是希望专注于某些特定部分。然而，通常情况下，如果发现进度落后于计划，有几个选择：首先是提问——直接询问面试官，明确表示时间不足，并询问是否希望专注于特定部分；另一个选择是总结已讨论的内容，然后优先处理剩余部分。听起来显而易见，但避免陷入时间陷阱的关键在于练习，并为每个部分分配准确的时间。
如果提前完成了怎么办？
这是一个机会，可以更详细地阐述认为重要的部分。也可以向面试官寻求帮助，询问他们是否有问题。通常，可以涵盖的良好内容包括边缘情况、实际考虑因素以及生命周期管理。
如果卡住了怎么办？遇到瓶颈是很正常的——在压力下解决一个通常需要多名工程师才能完成的复杂问题。首先，停止固执己见。其次，向面试官口头表达当前遇到的困境——所有人都是如此，坦诚地表达卡住能减轻假装没事的压力，从而释放思维资源。第三，重复已收集和构建的内容。第四，如果感觉完全无法进展，可以尝试处理流水线的不同部分。无论如何，经验丰富的面试官都会察觉到线索，并引导走出困境。
如何使用白板？
大多数面试都会使用Excalidraw。务必在面试前打开并熟悉其界面——例如，如何在形状中添加文本和绘制箭头。总的来说，在探索问题的过程中，要做好笔记——包括问题的规模、需求等。确保不要逐字逐句地输入所有答案，这会非常耗时；但笔记要足够清晰，因为面试官在撰写反馈时可能会回顾这些笔记。总的来说，笔记很重要，它们也有助于结构化回答。一种做法是明确列出计划涵盖的所有部分，以便更容易地循序渐进。在设计环节，可以询问面试官是更喜欢笔记还是图表。对于绘图部分，可能需要先关注大局——绘制主要的依赖关系和流程，只有在必要时才深入细节。
总结
归根结底，精通机器学习系统设计面试并非死记硬背模式，而是培养结构化思维、好奇心以及将业务目标与技术解决方案相结合的能力。每一次面试都是真实世界工程实践的预演，其中权衡取舍、处理模糊性以及沟通能力的重要性，丝毫不亚于模型本身。
要将准备转化为进步，可以从小处着手：从上述列表中选择一个设计问题，限定40分钟，大声说出解决方案。然后回顾哪些地方做得好，哪些地方不清晰——这种反思循环才是真正进步发生的地方。养成每周进行一次模拟面试的习惯，完善框架，并与他人分享所学。
随着时间的推移，回答会变得不那么像排练，而更像面试真正考察的能力：实用、自信的系统级思维。祝您成功！
