Doordash 的机器学习工程师（Machine Learning Engineer, MLE）Virtual Onsite（VO）面试流程一般包括 3 到 5 轮，持续时间约为半天，主要通过 Zoom 或 Google Meet 远程进行。整个流程紧凑而全面，涵盖编程能力、系统设计、机器学习理论与实践能力、跨团队沟通协作等多个方面，既考察候选人的技术深度，也评估其能否胜任 Doordash 的大规模推荐系统、实时 ETA 预测、物流优化等核心场景下的 ML 工程工作。每一轮面试通常由 1 位或多位 Doordash 员工主持，形式包括白板设计、代码编写、模型推理以及业务场景分析。

第一轮一般为算法与编程题，难度大致相当于 LeetCode 中等偏上或 Hard 级别。题目多与实际业务关联，如路径规划、图遍历、负载均衡、流量峰值处理等问题。考察重点包括数据结构（哈希表、堆、队列、树、图等）、算法思维（贪心、回溯、DP）以及代码可读性与鲁棒性。在这一环节，面试官期望候选人具备扎实的基础，并能在 30~40 分钟内给出时间空间效率俱佳的解法，同时解释边界情况、时间复杂度、可能的扩展优化方向等。

第二轮是系统设计与机器学习 pipeline 的构建，要求候选人结合业务需求，从零设计一个端到端的机器学习系统。例如“如何设计一个动态餐品推荐系统”或“如何构建一个 ETA 预测模型系统”。这一轮要求候选人能够讲清楚问题建模、数据预处理、特征选择、模型选择（如 XGBoost、深度学习、时序模型等）、训练流程、部署策略（batch vs online）、服务延迟控制、模型更新机制、监控报警、A/B 测试等关键环节。优秀的候选人还会主动谈及如何使用如 Airflow、Kubeflow、Ray、MLflow 等工具支持 MLOps 工作流，体现实际工程能力。

最后一轮通常为行为面试或 cross-functional 协作面，重点评估候选人是否符合 Doordash 的文化价值观，包括“bias for action”、“solve problems from first principles”、“think rigorously” 等。面试官可能会提出实际合作中的挑战，如“如何说服产品经理调整需求”、“如何处理模型被滥用导致的业务异常”、“你曾经上线过一个性能欠佳的模型，后续是如何应对的”等问题。候选人需要展示清晰的表达能力、良好的技术判断、与团队协作的经验以及面向产品目标的思维方式，这对晋级至 offer 阶段至关重要。