DoorDash MLE 面经 2026：餐厅推荐、ETA 特征和实验指标

💡 核心要点 (Key Takeaways)

• DoorDash MLE 面试主轴是 1 轮 ML System Design（推荐系统、ETA 最高频）+ 1 轮 ML Coding + 1 轮 SQL + BQ 与项目深挖，社招多数没有 OA。
• ML System Design 不能只讲模型结构，必须叠加距离、营业状态、配送容量等业务约束，并主动交代冷启动、降级和失败路径。
• ETA 不是一个静态字段而是一个系统：怎么生成、多久更新、缺失怎么 fallback、误差怎么传导进排序，要能完整讲清。
• 实验指标要同时看 primary metric 和多边 guardrail（用户、商家、骑手、平台），marketplace 场景还要能讲干扰（spillover）和 switchback。
• 公开面经信号按「年份 + 级别 + 岗位」筛选，以 2-3 篇的共识判断轮次结构，只提取题型方向和挂点，单篇个例不要当真。

这篇适合谁

这篇写给准备 DoorDash Machine Learning Engineer（MLE / Applied Scientist）面试的候选人，覆盖餐厅推荐、搜索排序、ETA、个性化等方向，级别以 E4 / E5（对应国内社招 3-4 年经验的中级）为主，E6 资深候选人在 ML System Design 的深度上要求更高。文章基于 2026 年公开面经信号和 DoorDash 公开面试机制整理，各团队、地区、级别的轮次结构会有出入，以实际收到的邀请为准。

一句话定位：DoorDash MLE = 1 轮以推荐系统 / ETA 场景为主的 ML System Design + 1 轮 ML Coding + 1 轮 SQL + BQ 与项目深挖，准备的重点是「能不能把模型讲成满足业务约束的系统」，而不是「刷了多少算法题」。本篇是 MLE 全流程面经（流程 + 题型雷达 + 挂点 + 路线 + FAQ），如果你想深挖推荐和 ETA 专题题怎么答，看 DoorDash MLE 推荐系统专题。

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

DoorDash MLE 的主线流程是：简历筛选 → OA（部分候选人）→ Phone Screen → Loop（VO）→ HM / Team Match → 结果与 offer。各轮大致长这样：

• OA（Online Assessment）：NG 和 Intern 基本必考，社招多数情况可以跳过（简历通过初筛后直接进 Phone）。常见 1-2 道 medium 难度 Python 题，偶尔带数据 / 统计 flavor，限时作答。
• Phone Screen（电面）：约 45 分钟，一般是 1 道 ML Coding 题（特征工程、模型评估、指标实现类）+ 背景与动机沟通。考察的是你能不能无提示下写出「像 MLE 写的」代码，并把评估口径讲清楚。
• Loop / VO（onsite loop）：通常 4 轮、每轮 45-60 分钟，一天面完。常见结构是 1 轮 ML System Design（高频场景：餐厅推荐、ETA、骑手匹配）、1 轮 ML Coding、1 轮 SQL / 数据分析、1 轮 BQ + 项目深挖；部分团队把 BQ 拆到每轮穿插问，项目深挖单独成一轮。
• HM / Team Match：VO 通过后，有的流程会有 hiring manager 沟通或跨组 team match 环节，属于结果确认阶段，不再考技术，重点是双向确认团队方向、level 和 location。

题型雷达：ML System Design、ML Coding、SQL、BQ 各占多少

按 MLE 岗位把题型按出现频率排个雷达：

• ML System Design（最高频，1 轮）：场景几乎都在 DoorDash 的业务线上——餐厅推荐系统、ETA 预测、骑手调度、个性化。考的是从业务目标澄清、数据与特征、模型选择、离线评估、线上 serving 到降级方案的全链路。推荐链路和 ETA 特征的详细拆解见 MLE 推荐系统专题，这里不复述。
• ML Coding（1 轮）：Python 为主，pandas / numpy 是基本功，高频考点：特征工程（时间特征、类别编码、缺失值处理）、离线评估（AUC / GAUC / NDCG 的实现、按时间切分防标签泄漏）、从 0 实现一个简单模型或评估指标。比 SWE 的 Code Craft 少「多轮加规则」的味道，更考数据处理和评估的准确性。
• SQL（1 轮）：window function、多表 join、cohort 留存、实验指标聚合是核心。考的是你能不能独立写出完整、能跑的实验分析查询，而不是背语法。
• BQ + 项目深挖（1 轮或穿插）：STAR 结构的行为题 + resume 上项目的深挖（你的角色、具体数字、取舍、重来一次怎么改）。项目深挖是 MLE 挂人最多的环节之一，后面「常见挂点」会单独说。
• 统计 / 实验设计（中低频）：部分团队会在 ML System Design 或独立环节考 A/B 实验设计：primary metric 怎么选、guardrail 看什么、样本量怎么估、marketplace 干扰怎么处理、要不要用 switchback 或 CUPED。

高频题目方向：只讲题型和考点，不复刻私密原帖

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：

• 餐厅推荐系统设计：retrieval / ranking / reranking 多段式链路 + 业务规则（距离、营业状态、ETA、store capacity、促销）。考点是业务约束建模、冷启动（新店 / 新用户 / 新区域）、线上线下一致性，只报模型架构不接住「商家爆单怎么办」这类追问会直接减分。
• ETA 预测系统：特征来源（备餐时间、距离、交通、运力供给、天气、时段）、更新频率、线上缺失时的 fallback、ETA 误差如何传导进排序和用户体验。考点是「把 ETA 当系统而不是字段」，能讲清错误 ETA 对转化和投诉的影响链路是加分项。
• 骑手调度 / 订单匹配：贪心 vs 全局最优的取舍、地理分区（如 H3 网格）、高峰运力不足时的容量管理和公平性。考点是多目标权衡（用户体验、骑手收入、商家出餐）和实时约束下的工程可行解。
• 实验指标设计题：「推荐策略改版，你怎么衡量它有效」——primary metric（下单转化、留存）+ 多边 guardrail（取消率、ETA 误差、商家订单分布、骑手等待时间），以及 marketplace spillover 导致的 SUTVA 违背和 switchback 实验设计。考点是实验设计素养，不是背公式。
• ML Coding 高频：从日志数据算 GAUC / NDCG、特征工程 + 训练一个 baseline（如 GBDT）、诊断标签泄漏、SQL 写 cohort 留存和分组 top-N。考点是代码能跑、口径正确、能主动说出边界情况（空值、重复、时间穿越）。
• BQ / 项目深挖方向：一个你主导的 ML 项目（目标、你的具体贡献、量化结果、最大的取舍）、一次模型没达预期的经历、一次与团队的技术分歧、一次跨团队（数据 / 工程 / 产品）协作推动上线。每个故事要能接两层追问。

公开面经信号怎么读

一亩三分地等面经社区是 DoorDash MLE 面试信息最集中的公开来源，但读法决定它对你的价值。几个原则：

按「年份 + 级别 + 岗位」筛选。2026 年 E5 MLE 的信号和 2023 年 NG 的信号可能完全不一样（轮次、题目风格、BQ 深度都在变），只看年份最近的 2-3 篇。岗位也要对得上——MLE 的面经对 SWE 参考价值很低，SWE 的 Code Craft 信号对 MLE 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「只有一轮 ML design」不能当结论；两到三篇独立帖子都提到推荐 / ETA 是 System Design 高频场景、VO 是 4 轮结构，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。

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、作者觉得自己挂/过在哪。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 DoorDash 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：DoorDash 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，DoorDash MLE 特有的失分点集中在这几个：

• 只讲模型、不讲业务：开口就是 two-tower + GBDT，全程不提距离、营业状态、ETA、store capacity 这些本地生活推荐绕不开的约束，面试官会判断你没做过真实业务场景的推荐系统。先建业务约束、再讲模型怎么服务约束，顺序反了整轮都难救。
• System Design 没有失败路径：冷启动（新店 / 新用户 / 新区域）、特征缺失 fallback、模型延迟超预算怎么降级，不主动交代，被追问就断片。这四样要按「什么信号、什么条件触发切换、降级后损失什么」的结构主动讲。
• 把 ETA 当静态字段：只会说「加一个 ETA feature」，讲不清它怎么生成、多久更新、线上线下分布怎么对齐、ETA 误差大了会怎么影响排序和投诉。ETA 题答成 feature 题，基本等于告诉面试官你只做过离线建模。
• 实验指标只看 primary metric：只报转化率提升，guardrail 一个不提（取消率、ETA 误差、商家订单分布、骑手等待时间）；marketplace 场景下用户侧策略影响商家 / 骑手侧的 spillover、要不要 switchback，更是几乎没人主动讲。实验指标是 DoorDash MLE 区分度很高的一块。
• SQL 写不出 window function：cohort 留存、分组 top-N、lag / lead 是高频卡点；或者不处理 NULL、重复订单、时区问题，交出来的查询跑不对还不自知。
• ML Coding 标签泄漏：训练 / 测试不按时间切分、特征里混进未来信息，指标虚高还发现不了。面试官故意埋泄漏点看你抓不抓得住，抓不住比写错更减分。
• 项目深挖太浅：说不清自己个人的具体贡献（「我们团队做了」等于没说）、没有量化数字、被问「效果怎么衡量、为什么选这个方案而不是那个」答不上来。项目深挖准备不到两层追问厚度，5 分钟就见底。

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（推荐 + ETA）和项目深挖永远优先，SQL 和实验设计次之，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：「餐厅推荐」和「ETA」各按「澄清 → 数据特征 → 模型 → 评估 → 取舍」45 分钟结构完整走一遍，每遍计时；D3 ML Coding：做 2 题（GAUC / NDCG 实现 + 特征工程训 baseline），重点练按时间切分和缺失值处理；D4 SQL：1 套实验指标聚合 + cohort 留存，window function 必须独立写出来；D5 BQ：按 5 个高频方向各写 1 个 STAR 故事，英文口述录音回听；D6 项目深挖：把 resume 主项目按「角色 → 数字 → 取舍」写三层答案；D7 完整 mock 1 场（System Design + 10 分钟 BQ），录音复盘。
• 14 天（标准版）：在 7 天基础上——D8-D9 专项 follow-up：冷启动三分类、线上线下一致性、实验干扰与 switchback，每个写进 2 分钟内能讲完的答案；D10 把做过的 2 道 System Design 重做一遍，这次强制自己主动交代失败路径；D11-D12 SQL 再补 2 套（window function 综合、去重 + 聚合），ML Coding 补 1 道标签泄漏诊断；D13 mock 完整 Loop（design + coding + SQL + 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 System Design 扩场景：骑手调度、churn / 留存或定价各 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 实验设计专项：power calculation、CUPED、switchback、指标体系设计，能在白纸上完整讲一遍；D22-D24 项目深挖库：3 个主项目各练三层追问（approach → 细节 → reflection），把「效果怎么衡量」的答案写成卡片；D25-D27 连续 3 场完整 mock（找真人或录音），重点看 follow-up 接没接住、表达节奏；D28 复盘 3 场 mock，把断片点写下来各补一段；D29-D30 缓冲日。

FAQ：DoorDash MLE 面试 5 个高频问题

Q1：DoorDash MLE 面经怎么用才不踩坑？
按「年份 + 级别 + 岗位」筛，只看 2026 年 E4 / E5 MLE 的最近 2-3 篇，提取轮次结构、题型方向、挂点三样东西；单篇个例不当结论，也不要指望从面经里拿到逐字原题。面经解决「考什么、怎么考」，具体题怎么答（推荐系统怎么拆、ETA 特征怎么讲）看 MLE 推荐系统专题。

Q2：DoorDash MLE 面试几轮？
社招通常是 Phone Screen + Loop 4 轮：ML System Design、ML Coding、SQL、BQ + 项目深挖，每轮 45-60 分钟，一般一天面完；NG / Intern 前面加一场 OA。通过后可能有 HM / Team Match 确认环节。具体以实际收到的邀请为准，不同 team 和地区会有出入。

Q3：DoorDash MLE 考什么？难度如何？
ML System Design 考「模型 → 系统」的翻译能力，推荐系统和 ETA 最高频，难度对标其他 FAANG MLE 中级；ML Coding 考 Python + 数据处理 + 评估口径，medium 难度但埋点刁钻；SQL 考独立实验分析；BQ 考项目真实性和协作。主轴是业务约束建模和实验素养，不是算法竞赛深度。

Q4：社招还有 OA 吗？
大多数社招 MLE 没有 OA，简历通过初筛后直接进 Phone Screen；NG 和 Intern 必考 OA。个别 team 可能例外，以邀请为准。

Q5：DoorDash MLE 和 SWE 面试差别大吗？
大。SWE 主轴是 Code Craft（多轮迭代的业务工程题）+ 配送场景 System Design；MLE 主轴是 ML System Design（推荐 / ETA）+ ML Coding + SQL + 实验指标，两者题型重叠度不高，准备方向不要混。SWE 全流程看 DoorDash SWE 面经，Code Craft 细节看 Code Craft 专题。