TikTok Machine Learning Engineer 的面试整体比较综合，核心可以归纳成 Coding、ML Fundamentals、项目 Deep Dive 和 ML System Design。对于 Recommendation、Ads、Search 等核心算法方向，还会比较关注大规模机器学习系统的落地能力。有文章的情况下当然会聊一聊你的research工作。

不要满脑子都是LLM，因为传统的ML也会问到。

面试流程

整体流程通常是 Recruiter Screen → Virtual Onsite → Hiring Manager，具体轮数和顺序会根据 Team 和 Level 有所不同。Recruiter Screen 主要确认背景、岗位匹配度和求职动机。后续一般会有多轮 Technical Interview，分别侧重 Coding、ML Knowledge、ML System Design、Resume Deep Dive。Senior 岗位还可能有 Hiring Manager 或 Skip-Level Interview，除了技术深度，还会关注 Technical Leadership、项目影响力、跨团队合作和 Product Sense。

需要注意，不要默认这一轮只考 ML或者这一轮只考 Coding。同一轮里可能先聊十几分钟项目，再问 ML Theory，最后直接做一道 LeetCode。

Coding

Coding 要求比较接近 SWE，重点准备 Tree、Graph、BFS/DFS、Binary Search、Sliding Window、Heap、DP 和 Linked List。除了写出 Solution，还要快速解释 Time/Space Complexity、Corner Cases 和优化方案。比较理想的状态是常见 LC Medium 可以在 15 - 20 分钟内稳定完成，并留出时间处理 Follow-up。

ML Fundamentals

重点包括 Bias-Variance、Overfitting、Regularization、Loss Function、SGD vs Adam、Learning Rate、AUC、Class Imbalance、Embedding 和 Transformer。不能只记 Definition，还要理解背后的原理。例如 Transformer 最好能解释 Q/K/V、Scaled Dot-Product Attention、Multi-Head Attention、为什么除以 √d_k，以及 Training 和 Inference 的主要性能瓶颈。

项目 Deep Dive

项目通常是贯穿多轮面试的重要部分。建议按照 Business Problem → Data → Feature → Model → Loss → Training → Evaluation → Deployment → Business Impact 准备，同时准备每一个关键 Design Decision 的 Why 和 Trade-off。

如果项目涉及 Recommendation，还要准备 Negative Sampling、Embedding、ANN Retrieval、Cold Start、Feature Freshness，以及为什么 Offline Metrics 提升但 Online Business Metrics 可能没有同步提升。

Recommendation & Ranking

Recommendation、Ads、Search 方向尤其需要掌握完整 Pipeline：User Events → Feature Pipeline → Candidate Generation → Retrieval → Pre-Ranking → Ranking → Re-Ranking → Online Serving → Feedback Loop

模型重点掌握 Collaborative Filtering、Matrix Factorization、Two-Tower、Wide & Deep、DeepFM、DLRM、DIN/DIEN 和 Transformer-based Recommendation，同时理解 Recall@K、NDCG、AUC、CTR、Watch Time、Completion Rate 和 Retention。

ML System Design

System Design 的核心是Scale，需要考虑 billion-scale users、massive event streams、high-QPS inference 和 near-real-time feature updates。重点准备 Kafka/Flink/Spark、Batch vs Streaming、Feature Store、Training-Serving Skew、Distributed Training、ANN Retrieval、Caching、GPU Serving、Dynamic Batching、Autoscaling、Model Versioning、Fallback 和 A/B Testing。

回答时不能只画 Architecture，还要主动解释系统如何保证 Latency、Throughput、Availability、Feature Freshness 和 Cost，以及不同设计之间的 Trade-off。

Evaluation

Evaluation 最好分成 Offline、Online 和 Guardrail 三层。Offline 关注 AUC、LogLoss、Recall@K、NDCG；Online 关注 CTR、Watch Time、Completion Rate、Session Length、Retention；同时监控 Latency、Error Rate、Content Diversity 和 Bad Content Rate 等 Guardrail Metrics。最终通过 A/B Testing、灰度发布和 Production Monitoring 判断模型是否真正带来了 Business Impact。

准备重点

如果只有两三周，可以集中准备 LC 高频 Medium + ML Fundamentals + ML System Design + 简历项目 Deep Dive。System Design 至少完整准备 TikTok Recommendation、Ads CTR Prediction 和 Search Ranking。如果是 LLM/GenAI 团队，再补 Transformer、Fine-Tuning、RAG、Quantization、Distributed Training 和 LLM Inference Serving。