Airbnb MLE 面经 2026：Search、Ranking 和 Marketplace ML

💡 核心要点 (Key Takeaways)

• Airbnb MLE 面试主轴是 ML System Design（listing Search Ranking、推荐、动态定价，Ranking 链路是核心）+ ML Coding（特征工程、Ranking 指标实现、ML 理论）+ 项目规模深挖 + Core Values；Airbnb 是双边 marketplace 公司（host 供给 + guest 需求），不是内容平台，题目天然带供需 trade-off 和 spillover 约束，Marketplace ML 思维是贯穿全程的底色。
• Search Ranking 的核心难点是「availability 和日期是硬约束」：房源在查询时间窗内没有 availability 就不该进 ranking 阶段，把 availability 当普通排序特征是典型挂点；query 意图 + 筛选条件是显式约束，不能把 search 当推荐答。
• booking 转化标签天然延迟（guest 决策周期长），delayed feedback、multi-objective ranking（CTR + CVR）、calibration 这三件套必须张口就来，只会用「即时点击 = 即时标签」的单目标直觉会被判断为没跑过真实 booking 漏斗。
• 动态定价 / marketplace 实验是 Airbnb MLE 最高区分度的题：revenue optimization + 供需弹性 + market-level randomization + spillover + host 侧 guardrail（接受率、长期供给）要能讲成闭环，全程只讲 guest 侧、不提 supply 侧会明显减分。
• 公开 MLE 面经量小于 SDE，需要多篇交叉建立共识；7 天保 Search Ranking SD + 定价 SD 和 ML Coding 下限，14 天补 marketplace 实验设计和项目深挖，30 天加深挖库和完整 mock；Core Values 是 Airbnb 独有轮，values 故事要提前准备，不是标准 BQ。

这篇适合谁

这篇写给准备 Airbnb Machine Learning Engineer（MLE）面试的候选人，覆盖 listing 搜索排序（Search）、推荐（personalization / related listings）、marketplace 动态定价（dynamic pricing）、growth / 实验等方向，级别以社招中高级为主（大致对标 Google L4 / L5、Meta E4 / E5，Airbnb 内部有自己的级别体系，以 JD 和实际沟通为准），NG / Intern 和部分方向候选人的差异会在流程一节说明。文章基于 2026 年公开面经信号和 Airbnb 公开面试机制整理，各团队、级别、地区的轮次结构会有出入，以实际收到的邀请为准。

一句话定位：Airbnb MLE = ML System Design（listing Search Ranking、推荐、动态定价，Ranking 链路是核心）+ ML Coding（特征工程、Ranking 指标实现、ML 理论）+ 项目规模深挖 + Core Values。Airbnb 是典型的双边 marketplace（host 供给 + guest 需求），不是内容平台，所以和 Pinterest / TikTok 这类内容公司的 MLE 题最大的区别在于：题目天然带供需 trade-off、availability 硬约束和 spillover 效应，Marketplace ML 思维是贯穿全程的底色。准备的重点不是「刷了多少算法题」，而是「能不能把搜索 / 排序 / 定价系统讲成有数据闭环、有双边约束、有业务 trade-off 的线上服务，并且把项目规模与个人贡献讲清楚」。想看公司级完整题型清单（含 SWE、DS、DE 方向），见 Airbnb 公司页；同时准备 SWE 岗位的，先看 Airbnb Senior SDE 面经 区分两个岗位的题型重心——SDE 重 Coding / Code Review / System Design，MLE 重 ML Coding / ML System Design，不要混着刷题。

• 适合准备 Airbnb MLE 社招中高级面试的候选人（大致对标 Google L4 / L5、Meta E4 / E5）
• 主轴：ML System Design（Search Ranking、推荐、动态定价）+ ML Coding（特征工程、Ranking 指标、ML 理论）+ 项目深挖 + Core Values
• Airbnb 是双边 marketplace 公司，题目带供需 trade-off、availability 硬约束和 spillover，Marketplace ML 思维是底色
• 与 SWE / DS 岗位题型重心完全不同，投哪个岗位按哪个岗位准备

面试流程：OA / Phone / VO / HM / Team Match 各轮是什么

Airbnb MLE 的主线流程是：投递 / 内推 → Recruiter Screen →（部分岗位 / NG 有 OA）→ Phone Screen → Onsite / VO（4-5 轮）→ HM / Team Match → offer。公开信号里有两个特点要提前知道：MLE 方向的公开面经量比 SDE 少（很多 MLE 面经混在 SDE 帖子里，读的时候注意区分），VO 每轮时长偏长（多为 45-60 分钟）；Airbnb 出结果通常偏慢，全程时间线可能 6-12 周，2026 年还有团队 shutdown 导致面试暂停后重开的公开反馈，日程上留好余量。各轮大致长这样：

• Recruiter Screen（30-45 分钟）：不考技术，聊动机、背景、级别期望和方向。MLE 岗位这轮常被问「你做过什么模型相关的工作」，要能一句话说清项目规模（user base / listing 规模、QPS、特征数量、模型延迟、影响的业务指标），「参与过推荐项目」这种颗粒度不够。
• OA / CodeSignal（约 90-120 分钟，2 题）：NG / Intern 基本必考，社招多数岗位在简历通过初筛后跳过，部分团队保留。公开信号：题目偏数据处理和 coding（指标计算、日志聚合、简单图 / 字符串处理），medium 难度，限时作答，偶尔带一道统计 / ML flavor 的题。以实际收到的邀请为准。
• Phone Screen（45-60 分钟，技术电话面）：常见结构是 1 道 medium Python coding（数据处理、特征工程、指标计算是高频方向）+ 简历深挖穿插，部分团队是纯 coding。考察的是无提示下能否完成第一版实现、把复杂度讲清楚，follow-up 常见「数据量 10 倍怎么优化」「再加一个实时约束」。深挖阶段表现不好会直接影响 onsite 的预期。
• Onsite / VO（4-5 轮，每轮 45-60 分钟，通常一天面完）：常见结构是 1-2 轮 ML Coding（其中常含一道 ML 理论或指标实现题）+ 1-2 轮 ML System Design（listing Search Ranking、推荐、动态定价是高频方向）+ 1 轮 Core Values / 项目深挖 + BQ。Search & Discovery 团队偏 search 和推荐，pricing 团队偏动态定价和 marketplace 实验，growth 团队会在 SD 里加实验设计追问。
• HM（Hiring Manager Call）：VO 通过后，与 hiring manager 聊方向（search / ranking / pricing / growth）、level 和 comp，确认双向意向，不再考技术。
• Team Match：跨组调剂也发生在这个阶段，根据团队需求匹配具体方向，重点是双向确认团队和 scope。Airbnb 出结果偏慢，从 VO 到 offer 可能再等 2-4 周，期间保持响应即可。

题型雷达：ML Coding、ML System Design、Marketplace ML、SQL、Core Values 各占多少

按 MLE 岗位把题型按出现频率排个雷达图，ML System Design 和 ML Coding 是两根主轴，marketplace 场景贯穿全程：

• ML System Design（最高频，1-2 轮）：Airbnb MLE 最核心的环节，场景几乎都在 Airbnb 自己的业务线上——listing Search Ranking（query 理解 → 检索 → 多目标 ranking → re-ranking）、推荐（related listings / i2i、新房源冷启动）、动态定价（host 侧定价建议、供需平衡）。考点是业务约束（双边供需、用户体验、营收）→ 数据与特征 → 多段模型与延迟预算 → 评估与实验 → marketplace 特有约束（availability 硬过滤、spillover、guardrail）的完整闭环。Airbnb 特有部分是 availability 和日期作为硬约束：房源在查询时间窗内没有可订日期，应该在检索 / 过滤层就被剔除，而不是当成排序特征。通用结构框架可以看 ML System Design 专题，这里重点说 Airbnb 场景怎么落。
• ML Coding（1-2 轮）：Python 为主，两种风格。一种是数据 / 特征向：特征工程（guest 行为序列、stay window 特征、时间衰减、availability 特征、缺失值处理）、Ranking 指标实现（AUC / GAUC / NDCG / MRR，注意并列名次和时间切分防标签泄漏）。另一种是 ML 理论：loss function 对比（为什么 CTR 用 logloss）、calibration 为什么重要（排序 + 定价 / 竞价场景要概率标定）、multi-task / multi-objective（click 和 booking 两个目标怎么联合训练）、two-tower 结构在 retrieval 里的取舍、delayed feedback（booking 标签延迟怎么处理）。难度 medium，follow-up 会加规模和边界情况。
• Marketplace ML / 动态定价（pricing 团队高频，核心营收方向）：Airbnb 的定价是核心营收杠杆，pricing 方向候选人的 SD 和 coding 轮都带 marketplace 业务 flavor——动态定价（revenue optimization、供需弹性、季节 / 事件因子、host 接受率）、marketplace 实验（user-level vs market-level randomization、spillover / network effect、双边 guardrail）、host 侧 ML（listing 质量、host 留存、供给健康度）。考的是业务闭环：营收指标（GMV、take rate）和双边 guardrail（host 接受率、guest 转化、长期供给）怎么平衡、改动怎么用 A/B 验证、guardrail 掉了怎么决策。
• 项目深挖（1 轮或穿插在 SD 轮）：model structure（为什么用 multi-task / two-tower / 树模型）、loss function、training 流程（数据、超参、收敛）、training/serving 一致性、线上线下 gap、bad case review。项目深挖是 MLE 最区分度高的环节：listing 规模、市场数、QPS、特征数、延迟这类规模数字要张口就来。
• SQL / 数据（中低频）：MLE 岗位一般不单独设 SQL 轮；pricing、growth 方向的候选人可能在 coding 轮被要求写实验指标聚合查询（search-to-booking 漏斗、window function、A/B 分组对比、cohort / 复购），不是主线，保基本盘即可。
• Core Values / BQ（1 轮）：Airbnb 独有的 Core Values 面试不是标准 BQ，考察价值观、ownership、跨文化沟通、自我反思（values 清单包括 Champion the guest、Be a host、Think and act like an owner、Belong & Belonging 等，面试中常挑 2-3 个追问具体事件）。MLE 岗位还会叠加「你的模型如何影响了业务」的项目深挖，故事里必须有可量化结果。

高频题目：8 个代表题型和考点

以下是 2026 年公开面经信号里反复出现的题「类型」，只归纳题型和考点，不复刻任何人的具体原题：

• Listing Search Ranking 系统设计（ML SD 最高频）：从零设计 Airbnb 的房源搜索排序。考点：query 理解（文本 query + 筛选条件：地点 / 日期 / 价格 / 设施，map 搜索的地理意图）、检索（倒排索引 + embedding ANN + availability 硬过滤）、ranking（CTR × CVR 多目标、calibration、特征侧 supply / demand 信号）、re-ranking（多样性、价格带、新鲜度）、评估（离线 NDCG / GAUC + 线上 A/B：search CTR、booking 转化、GMV）、延迟预算（毫秒级）。关键动作是先立业务约束（双边供需、booking 转化），再讲模型怎么服务约束；availability 是硬约束这一条漏掉，整轮都难救。
• 推荐系统设计（related listings / i2i，高频）：设计「你可能喜欢的其他房源」推荐。考点：多路 retrieval（i2i、u2i、embedding ANN 召回）、精排（click + booking 多目标、label delay、calibration）、re-ranking（多样性、价格带、地理邻近）、新房源冷启动（无行为数据的新 listing 怎么办：内容特征、host 特征、market 先验）、feedback loop（线上反馈怎么回流训练）。关键差异：房源有 availability 和价格波动，推荐的候选集是动态的，和静态内容池的推荐不一样。
• 动态定价系统设计（Marketplace ML 特色题）：设计 host 侧动态定价建议系统。考点：定价目标（revenue optimization、供需弹性建模、季节 / 事件因子）、建议怎么生成（uplift / 因果视角：提价对转化的影响估计）、host 接受率怎么优化（建议太激进 host 不改价，系统失效）、marketplace 实验怎么设计（market-level randomization、spillover、双边 guardrail：host 接受率、guest 转化、长期供给）、离线评估怎么做（counterfactual / 回测的局限）。考点是业务闭环：营收指标和双边 guardrail 的平衡逻辑，不是单点模型。
• ML Coding：Ranking 指标实现（高频）：实现 NDCG / MRR / GAUC / AUC。考点：代码能跑、指标口径正确（NDCG 的折损和并列名次、GAUC 按 user / market 分组加权）、主动交代边界情况（空列表、单一 user、时间切分防标签泄漏），follow-up 加规模时结构撑得住。
• ML Coding：特征工程（高频）：从 booking 日志（guest 的 search → detail → request → booking 行为序列，带时间戳和日期）构造排序特征：滑动窗口统计（最近 7 天 / 30 天行为）、stay window 特征（查询日期跨度、周末 / 节假日占比）、时间衰减、缺失值和冷启动处理。考点：口径先讲清再写（什么算一次有效行为、去重逻辑、availability 怎么参与特征）、follow-up 追「特征要求秒级新鲜度怎么做到」（实时流 vs 离线批、training/serving 一致性）。
• ML 理论题：delayed feedback / multi-objective / calibration（math heavy）：booking 是延迟决策（guest 看了很多家再决定，甚至几天后回来 booking），label delay 怎么处理（delayed feedback model、proxy label、延迟窗口）；click 和 booking 两个目标怎么联合训练（多目标加权、Pareto 前沿、业务权重）；calibration 为什么重要（ranking 之后还有 pricing / 竞价等需要概率标定的环节，AUC 高但概率不准会出什么问题）。推导要能手写，直觉要能三分钟内讲完。
• SQL：search-to-booking 漏斗 + 实验指标聚合：给定 search / impression / click / request / booking 明细表，算 search-to-booking 漏斗转化率，或按实验组聚合 primary metric + guardrail。考点：漏斗口径（分子分母、去重、时区）、window function 用法、A/B 分组对比的写法、follow-up 常加「数据量 10 倍怎么优化」「口径改了曲线怎么变」。
• BQ / Core Values / 项目深挖方向：一个你主导的搜索 / 排序 / 定价项目（目标、你的具体贡献、量化结果、最大取舍）、一次模型没达预期的经历、一次跨团队（产品 / 工程 / data）推动上线、为什么选 Airbnb + 一个 Core Values 故事。每个故事要能接两到三层追问，规模数字（listing 规模、QPS、特征数、延迟、影响指标）必须张口就来，bad case review 和离线线上 gap 的处理是加分项。

公开面经信号怎么读

一亩三分地等面经社区是 Airbnb MLE 面试信息最集中的公开来源，但 Airbnb 的 MLE 面经量比 SDE 少（ML 团队相对 SWE 团队规模小，部分 MLE 经历混在 SDE 帖子里发布），读法更决定它对你的价值。几个原则：

按「年份 + 级别 + 岗位」筛选。2026 年社招 MLE 的信号和 2024 年 NG 的信号可能完全不一样（轮次结构、OA 题型、SD 深度都在变），优先看最近 2-3 篇。岗位必须对得上——SDE 的信号（KV Store、Code Review 轮、Booking System 八股）对 MLE 参考价值有限（Core Values 轮和项目深挖风格除外），MLE 的 multi-task、delayed feedback、动态定价信号对 SDE 同样没用，混着看会准备错方向。

找共识，不信个例。单篇面经说「SD 只考了推荐」不能当结论；两到三篇独立帖子都提到「1-2 轮 ML coding + 1-2 轮 ML SD + 1 轮 Core Values / 深挖」「SD 高频方向是 search ranking、推荐、动态定价」「pricing 方向有 marketplace 实验题」，这个结构才可信。面经作者有幸存者偏差（过的人爱写，挂的人少写），整体难度感知会偏乐观——公开反馈里「出结果慢、挂的人少发帖」这个现象值得认真对待。

提取「轮次结构 + 题型方向 + 挂点」，忽略剧情。每篇面经真正有用的信息密度就这三样：每轮考什么类型、面试官追问到什么深度、作者觉得自己过 / 挂在哪。故事细节、情绪、对面试官的评价都不需要带进你的准备里。

不搬运、不暗示合作。本站所有 Airbnb MLE 面经内容都只归纳公开信号，不复制任何候选人的逐字面经，也不代表与任何面经社区有合作或转载关系。你读到的公开帖子请以原作者发布的内容为准。

常见挂点：Airbnb MLE 独有的失分方式

把公开面经里的挂因和模拟面试复盘对照，Airbnb MLE 特有的失分点集中在这几个：

• 把双边 marketplace 当单边做：最 Airbnb MLE 特色的挂点。Search / 推荐 / 定价题全程只讲 guest 侧（点击、转化），不提 host 侧（供给、host 体验、接受率、长期供给健康），也答不出 spillover 和 market-level 实验怎么处理。Airbnb 面试官默认你在双边市场里工作过，单边视角等于告诉对方你没理解 Airbnb 的业务形态。
• 把 availability 当普通特征：listing search 题里不主动说「查询时间窗内没有 availability 的房源应该在检索 / 过滤层剔除，不是排序阶段的问题」，而是把 availability 当 ranking 特征讨论。这是判断「有没有真做过带日历的 marketplace」的试金石，答错一个点整轮可信度下降。
• 把 search 当推荐答：listing search 题只讲「多路召回 + 精排」，不区分 query 是显式意图、筛选条件是硬约束、相关性是必须保住的底线（相关性评估要讲人工标注 + proxy metric）。query 不满足的房源给再高的 CTR 分数也不该排前面——这条讲不出来，search 题基本就废了。
• delayed feedback 没准备：booking 转化标签天然延迟（guest 决策周期长，可能几天后回来 booking），答不出 label delay 怎么处理（delayed feedback model、proxy label、延迟窗口怎么选）会被判断为没跑过真实 booking 漏斗。这是区别于「只做过即时点击场景」的关键判断点。
• ML Coding 指标口径不严谨：实现 AUC / GAUC / NDCG 时并列名次、时间切分（防标签泄漏）、分组加权这些口径含糊，或者被追问「离线 AUC 涨了线上掉了怎么排查」时接不住（training/serving 一致性、特征漂移、评估集偏差、novelty effect）。指标题难度本身不高，口径错误是典型减分项。
• 项目规模说不清：深挖问 listing 规模、市场数、QPS、特征数、延迟时含糊带过（「我们团队做了」等于没说）。每个项目准备三层回答：概述（2 分钟）→ 规模与取舍（5 分钟）→ 反思与结果（3 分钟），数字做速查表。
• Core Values 准备不足：Airbnb 的 Core Values 是独有轮，不是随便聊聊。values 清单较长（Champion the guest、Be a host、Be adventurous、Think and act like an owner、Belong & Belonging 等），面试官常挑 2-3 个追问具体事件。「为什么选 Airbnb」和「跨文化 / 全球化团队协作」是 MLE 轮高频，空话在这轮很容易暴露。
• 没有 drive discussion 的意识：SD 是开放题，面试官希望你自己推进讨论、主动给结构（先立业务约束再谈模型、主动交代失败路径）。跟着面试官走、被牵着问，容易显得没有 ownership，这是 MLE 岗隐性但常见的减分项。

准备路线：7 天 / 14 天 / 30 天

按你距 VO 的天数选路线。三个版本的共同原则：ML System Design（Search Ranking + 定价 / 推荐）和项目规模深挖永远优先，ML Coding 和 ML 理论次之，SQL 保基本盘，Core Values 保下限，最后两天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1-D2 ML System Design：「listing Search Ranking」和「推荐系统（related listings）」各按「业务约束 → 数据 / 特征 → 多段模型与延迟预算 → 评估与实验 → guardrail」45 分钟结构完整走一遍，每遍计时，availability 硬过滤、冷启动、延迟超预算这些失败路径必须主动交代；D3 动态定价：白纸上完整讲一遍定价建议链路（revenue optimization、供需弹性、host 接受率、market-level 实验、双边 guardrail），录音回听；D4 ML Coding 做 2 题（GAUC / NDCG 实现 + booking 日志特征工程），重点练指标口径和边界情况；D5 ML 理论：delayed feedback + multi-objective、calibration、two-tower 取舍，推导手写一遍，每个三分钟内能讲完；D6 项目深挖 + Core Values：主项目写三层答案（概述 → 规模与取舍 → 反思与结果），values 故事（guest / host / ownership / Belong & Belonging 各 1 个）+ 为什么选 Airbnb，口述录音回听；D7 完整 mock 1 场（SD + coding + 10 分钟 BQ / Values），录音复盘。
• 14 天（标准版）：在 7 天基础上——D8-D9 补 2 道 SD：「marketplace 实验设计」（user-level vs market-level randomization、spillover / network effect、双边 guardrail 体系）和「新房源冷启动 + feedback loop」（内容特征、market 先验、线上反馈回流训练），每道强制主动交代失败路径和评估方法；D10 把 D1-D2 做过的 2 道 SD 重做一遍，这次把「delayed feedback + multi-objective + training/serving consistency」写成主线而不是补充；D11-D12 ML Coding 再补 2 题（滑动窗口流式特征、search-to-booking 漏斗 SQL 实验聚合）+ 1 道实验指标设计题（primary + guardrail）；D13 项目深挖扩到 2 个主项目 + mock 完整 loop（SD + coding + 深挖 + BQ 各一段）；D14 缓冲日，检查设备日程，早睡。
• 30 天（系统版）：在 14 天基础上——D15-D18 SD 扩场景：搜索相关性标注与评估（人工标注 + proxy metric、标注一致性）、host 侧 ML（listing 质量、host 留存、供给健康度）、营收 / ads 方向 1 道，每道补三类 follow-up（规模放大、实时性、失败降级）并给出方案 + 取舍；D19-D21 marketplace 实验专项：双边市场分流（user-level vs market-level 的取舍）、spillover 控制、novelty effect、指标回退诊断（「离线 AUC 涨线上掉」怎么排查），能在白纸上完整讲一遍；D22-D24 项目深挖库扩到 3 个主项目，各练三层追问（approach → 细节 → reflection），把「效果怎么衡量、bad case 怎么 review、供给侧怎么看」的答案写成卡片，规模数字做成速查表；D25-D27 连续 2-3 场完整 mock（找真人或录音），重点看 follow-up 接没接住、边写边说的节奏、供给侧有没有主动提到；D28 复盘 mock，把断片点写下来各补一段；D29-D30 缓冲日。

FAQ：Airbnb MLE 面试 5 个高频问题

Q1：Airbnb MLE 面经和 SWE / DS 面经差别大吗？
差别集中在「ML System Design 的 marketplace 场景 + ML Coding 的指标 / 理论味 + Core Values」。MLE 的主轴是 ML Coding（特征工程、Ranking 指标实现、delayed feedback / multi-objective / calibration 理论）+ ML System Design（listing Search Ranking、推荐、动态定价）+ 项目规模深挖 + Core Values；SWE 的主轴是 Coding（业务场景题）+ Code Review（Airbnb 独有轮）+ System Design（Booking / Chat / Notification）+ Past Experience，看 Airbnb Senior SDE 面经 2026；DS 的主轴是 Experiment + Metric + Case Study + SQL，看 Airbnb DS 面经 2026。三个岗位共用「Core Values + 项目深挖」的流程底色，但题型重心完全不同——SWE 重算法和系统设计，DS 重实验和指标思维，MLE 重模型链路和 marketplace 约束。公司级完整题型清单看 Airbnb 公司页。投哪个岗位就按哪个岗位准备。

Q2：Airbnb MLE 面试几轮？
社招 MLE 通常是：Recruiter Screen（不考技术）→ OA / CodeSignal（约 90-120 分钟 2 题，NG 必考、部分社招岗位有，多数社招跳过）→ Phone Screen（45-60 分钟，1 道 medium Python coding + 简历深挖穿插）→ Onsite / VO 4-5 轮（1-2 轮 ML Coding + 1-2 轮 ML System Design + 1 轮 Core Values / 项目深挖与 BQ，search / pricing / growth 团队方向不同）→ HM / Team Match。轮次数量和结构因团队、级别、地区而异，具体以实际收到的邀请为准。Airbnb 出结果偏慢，全程时间线可能 6-12 周，2026 年有团队 shutdown 导致面试暂停重开的公开反馈，日程留好余量。

Q3：Airbnb MLE 考什么？难度如何？
ML System Design 考 listing Search Ranking、推荐、动态定价，核心是 Ranking 链路的完整度（query 理解 → 检索含 availability 硬过滤 → 多目标 ranking → re-ranking → 评估与实验）+ marketplace 双边约束（supply / demand trade-off、spillover）+ 业务 trade-off，难度对标其他大厂 MLE 中高级；ML Coding 考 Python 数据处理 + ML 理论（Ranking 指标实现、delayed feedback、multi-objective、calibration），难度 medium 但追问偏系统和数学；项目深挖考项目规模（listing 规模、QPS、延迟）和个人贡献；SQL 中低频，保基本盘；Core Values 考价值观和真实故事。主轴是「能不能把搜索 / 排序 / 定价系统讲成有数据闭环、有双边约束的线上服务」，不是算法竞赛深度。

Q4：我没有 marketplace 背景（做过推荐 / 搜索 / 增长），怎么补？
三个动作：第一，翻译经验——推荐 / 搜索 / 增长经历都能映射到 marketplace 语境，主动说清你的系统如果面对供给约束、双边反馈、spillover 会怎么处理（单边系统的局限你要能自己点出来）；第二，背下链路骨架——listing Search Ranking 的完整链路（query 理解 → 检索含 availability 硬过滤 → 多目标 ranking → re-ranking → 评估与实验），每个环节准备一个自己项目的映射例子，追问时落到具体场景；第三，专项练 marketplace 实验设计（market-level randomization、spillover 控制、双边 guardrail），这是 Airbnb MLE 区分度最高的一块，也是没做过双边市场的人最容易答空的地方。

Q5：Airbnb MLE 面试是中文还是英文？有 Core Values 轮吗？
Airbnb 是全球化远程公司，MLE 团队国际化程度高，面试以英文为主，部分团队 / 面试官会用中文，技术术语中英文混排，建议用英文把 Search Ranking 题、动态定价题和 values 故事完整口述练一遍。Core Values 是 Airbnb 独有轮，几乎必面，不是标准 BQ：values 清单包括 Champion the guest、Be a host、Be adventurous、Think and act like an owner、Belong & Belonging 等，面试官常挑 2-3 个追问具体事件，考察价值观、ownership、跨文化沟通和自我反思。「为什么选 Airbnb」和「跨文化 / 全球化团队协作」是高频，要准备真实的故事，不要背口号。