LinkedIn AI Coding Round 面经：Graph、Ranking 和 ML Coding 怎么练

💡 核心要点 (Key Takeaways)

• AI Coding Round 是 LinkedIn onsite loop 里带 AI 侧边助手的一轮 live coding，题目多为已知 pattern（Graph、Cache、Interval、Ranking 数据处理），真正的区分点在执行质量、prompt 质量和能接住的生产 follow-up。
• Graph 是 LinkedIn 的招牌题型：社交图业务让 graph distance、图建模、BFS/DFS 在 LinkedIn 的出现频率显著高于大多数公司，必须结合 10 亿级成员的业务上下文讲。
• Ranking 是 MLE 线的核心：feed、job、people 推荐都是多段式 ranking 系统，要能讲清业务约束、冷启动、线上线下一致性和降级路径，只报模型结构会直接减分。
• ML Coding 重点在数据处理、特征工程和 ranking 评估指标（NDCG / GAUC 的口径、按时间切分、标签泄漏），代码必须能跑、口径必须对。
• 同时准备「有 AI」和「无 AI」两种模式：loop 里通常还有传统 coding 轮，只练 AI 辅助工作流会在传统轮翻车。

这篇适合谁

这篇写给准备 LinkedIn（领英）Machine Learning Engineer（MLE / Applied Scientist）或 Software Engineer（SWE）面试的候选人，重点是 2026 年 onsite loop 里出现的 AI Coding Round——也就是可以借助 AI 助手完成的那一轮 live coding。级别以 E4 / E5 中级（对应国内社招 3-5 年经验）为主，E6 资深 / Staff 候选人在 System Design 深度和生产 follow-up 上要求更高。正文同时覆盖两类候选人：SWE 侧重点在 Graph 和工程 coding，MLE 侧重点在 Ranking 和 ML Coding。

一句话定位：LinkedIn AI Coding Round = 一轮带 AI 侧边助手的 live coding，题目多为已知 pattern（Graph、Cache、Interval、Ranking 数据处理），真正的区分点不是「会不会做」，而是执行质量、prompt 质量、以及能不能接住 production follow-up。本篇是这一轮 + Graph / Ranking / ML Coding 三大题型的训练指南；站内 LinkedIn 题型索引看 LinkedIn MLE 面经题目合集 和 LinkedIn SWE 面经题目合集，公司层面总览看 LinkedIn 面试攻略。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。

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

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

先说清楚 AI Coding Round 的位置：它是 Onsite Loop 里的一轮 live coding（通常替代两门传统 coding 轮中的一门），不是 OA，也不是独立环节。它属于 loop variant，不是所有候选人都会有，以你的 recruiter 沟通或 interview packet 为准。

• Recruiter Screen（30 分钟）：背景、动机、级别、期望薪资和地点。不考技术，但要能把「为什么 LinkedIn」讲出 2-3 个与业务相关的具体理由。
• OA（Online Assessment）：NG / Intern 基本必考，社招多数可以跳过（简历过初筛后直接进 Phone Screen）。常见 1-2 道 medium Python 题，Graph 和 Array 类出现频率高。
• Technical Phone Screen（约 1 小时）：1-2 道 coding 题，medium 难度，LinkedIn 偏好 Graph、Array、String 和经典 pattern；外加背景与动机沟通。考察的是无提示下能不能把题做完、把复杂度和边界讲清楚。
• Onsite Loop / VO（通常 4-5 轮，每轮 45-60 分钟，一天面完）：SWE 常见结构是 2 轮 coding（其中一轮可能是 AI-enabled，即本文的 AI Coding Round）+ 1 轮 System Design（feed、search、messaging、graph platform，Senior 必考）+ HM / values 轮，Senior / Staff 可能再加一轮跨职能讨论。MLE 常见结构是 1 轮 ML coding（也可能是 AI-enabled）+ 1 轮 ML System Design（Ranking 方向：feed ranking、job recommendation）+ 1 轮 SQL / 数据分析 + BQ 与项目深挖，部分团队把 BQ 拆到每轮穿插问。
• 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：Coding、ML Coding、System Design、SQL、BQ 各占多少

AI Coding Round 本身就是一轮 coding，但 LinkedIn 的出题源高度偏向自家业务（社交图、feed ranking、job matching），所以这篇的雷达围绕 4 个主题型 + 2 个辅项排：

Coding（最高频，SWE / MLE 都有）：Graph 是 LinkedIn 的招牌——candidate 关系图距离、图建模、BFS / DFS 类题在 LinkedIn 的出现频率显著高于大多数公司；其他高频是 Cache（LRU、frequency-based eviction）、Interval、String / DP、Tree。SWE 候选人的 follow-up 更偏工程侧：并发、同步、productionization。

ML Coding（MLE 线核心）：Python + pandas / numpy，高频考点：特征工程（稀疏 user-item 交互、时间特征、类别编码）、ranking 评估指标实现（NDCG、GAUC、AUC 从日志数据计算）、数据处理 pipeline（去重、按时间切分、标签泄漏诊断）。AI 轮也可能给 MLE 候选人 data transformation + 指标聚合类的 ML-flavor 题。

System Design（SWE Senior）：feed ranking pipeline、search、messaging、graph platform，绕不开 10 亿级成员的规模约束（fan-out、存储、实时性、降级）。

ML System Design（MLE 线核心）：feed ranking、job recommendation、people recommendation，多段式 retrieval / ranking / reranking + 业务规则、冷启动、线上线下一致性、降级方案。详细拆解可以配合站内 LinkedIn MLE 题目合集 里的 Design 题型信号一起练。

SQL（MLE / DS，中低频）：window function、实验指标聚合、cohort 留存，考独立写出完整能跑的实验分析查询。

BQ + 项目深挖（1 轮或穿插）：STAR 结构行为题 + resume 项目深挖（你的角色、具体数字、取舍、重来一次怎么改）。

高频题目方向：只讲题型和考点，不复刻私密原帖

以下是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：

• Candidate graph distance（Graph BFS，LinkedIn 招牌）：给定 candidate 之间的连接关系，求两个人之间的最短连接路径或 N 度连接内的候选集合。考点：图建模（节点、边、方向性）、BFS 层次遍历、去重与访问状态、规模放大后怎么办（10 亿节点的图不是一张表，要能接住「存储在哪、怎么 fan-out、怎么降级」的追问）。
• Feed ranking pipeline（Ranking / ML System Design）：为 10 亿用户设计 feed 排序，多段式 retrieval → ranking → reranking + 业务规则（相关性、时效性、多样性、业务目标加权）。考点：业务约束建模、冷启动（新用户 / 新内容）、线上线下一致性、延迟预算和降级；只报 two-tower + GBDT 不接业务约束会直接减分。
• LRU / frequency-based cache（Cache pattern，AI 轮高频）：实现带容量和访问频率策略的缓存。考点：哈希表 + 数据结构组合、均摊复杂度、正确性证明；follow-up 常追 TTL、线程安全、分布式化（AI 轮的 production follow-up 最爱从这里切入）。
• Interval 问题（Interval：合并 / 新增 / 查询）：区间合并、区间插入后查询下一段等。考点：排序 + 扫描、边界条件（端点相接、包含关系）、多轮 follow-up 下改约束还能不能保持复杂度。
• Tokenizer DP / 字符串 DP（证明型 coding）：把字符串按词典切分成最少 token 数或输出所有切分。考点：DP 状态定义与转移、正确性证明（面试官会问「为什么这个 DP 是对的」）、边界样例（空串、无切分）。LinkedIn 属于「证明型 coding」公司，能讲清正确性证明是加分项。
• Streaming median / 数据结构设计：数据流中维护中位数，支持 insert 和 getMedian。考点：双堆结构、正确性证明、均摊复杂度、follow-up（分位数、滑动窗口）。
• Ranking 指标实现（MLE ML Coding）：从曝光 / 点击日志数据计算 NDCG、GAUC 或 AUC，按 user 分组聚合。考点：指标口径（分组、ties、缺失处理）、按时间切分防标签泄漏、空值和重复的边界处理；面试官可能故意埋泄漏点看你抓不抓得住。
• Job matching / skill matching 特征工程（MLE）：为职位推荐设计特征与评估方案，处理稀疏的 user-item 交互。考点：特征来源（技能匹配、行为信号、位置 / 行业）、冷启动、离线评估选什么指标、为什么选 GBDT 而不是 deep model 的 trade-off。

公开面经信号怎么读

一亩三分地等面经社区是 LinkedIn 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 SWE 的信号可能完全不一样（轮次、题目风格、BQ 深度都在变）。AI Coding Round 的信号更集中在 2025-2026 年的 Senior / Staff 候选人帖子里，看这一轮重点筛最近 1-2 年、级别对得上的帖子。

找共识，不信个例。单篇面经说「AI 轮只给了 LRU」不能当结论；多篇独立帖子都提到 AI 轮题目是已知 pattern、真正难在 production follow-up，这个判断才可信。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 LinkedIn 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：LinkedIn AI Coding Round 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，这一轮的失分点集中在几个很具体的地方：

• 让 AI 驱动面试：静默复制粘贴 AI 生成的代码，自己没有任何推理输出，follow-up 一追就发现代码里的不变量、边界和复杂度问题答不上来。面试官要的是「你的工程能力证据」，不是 AI 的输出。正确姿势是把 AI 当检查工具：「我用 assistant 核对一个边界情况，然后对照我的 invariant 再改」。
• prompt 质量差：prompt 含糊 → 来回多轮 → 时间耗尽。强的候选人给结构化 prompt：输入、约束、边界情况、期望输出一次给全；弱的候选人把 AI 当搜索引擎用，反复 rephrase 同一个问题。
• 只准备了 AI 模式：loop 里通常还有一轮传统无 AI 的 coding，只练 AI 辅助工作流的候选人在传统轮会明显卡手。两种模式都要练，且无 AI 模式是下限保障。
• Graph 题不接业务：纯算法 BFS 做完就停，完全不提 LinkedIn 10 亿级社交图的上下文（图怎么存、fan-out 怎么做、查询放大怎么控制）。LinkedIn 面试官对「你知不知道这道题在真实系统里长什么样」非常敏感。
• Ranking 只讲模型：开口就是 two-tower + GBDT，全程不接相关性、时效性、多样性、业务目标这些 feed ranking 绕不开的约束，也接不住「新用户 / 新职位怎么办」「线上指标掉了怎么排查」的追问。先建业务约束、再讲模型怎么服务约束，顺序反了整轮难救。
• ML Coding 指标口径错：NDCG / GAUC 分组不对、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。
• production follow-up 接不住：并发、线程安全、同步、容量与降级是 Senior / Staff 的区分点。AI 轮从一道 cache 或 interval 题切到「这个在高并发下怎么保证正确」是常见剧本，没准备过的人这里直接断片。
• 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：Graph 题簇和 Ranking 系统设计永远优先，ML Coding 和 AI 轮 mechanics 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 Graph 题簇：candidate graph distance、图建模、BFS 层次遍历各 1 道，每道 45 分钟计时，做完强制自己讲 2 分钟「这道题在 10 亿节点社交图里长什么样」；D3 AI 轮 mechanics：在 CoderPad 或类似环境里做 1 道 cache 题 + 1 道 interval 题，prompt 按「输入 → 约束 → 边界 → 期望输出」结构写，练到一次成型；D4 Ranking：feed ranking 和 job recommendation 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，主动交代冷启动和降级；D5 ML Coding：做 2 题（NDCG / GAUC 实现 + 特征工程训 baseline），重点练按时间切分和缺失值处理；D6 BQ：按「主导的 ML 项目、一次模型没达预期、一次技术分歧、一次跨团队协作、为什么 LinkedIn」5 个方向各写 1 个 STAR 故事，英文口述录音回听；D7 完整 mock 1 场（1 轮带 AI 的 coding + 10 分钟 BQ），录音复盘。
• 14 天（标准版）：在 7 天基础上——D8-D9 follow-up 专项：并发 / 线程安全、productionization、容量与降级，每个写一段 2 分钟内能讲完的答案，配 1 个 cache 或 interval 题实战验证；D10 把做过的 2 道 Ranking 题重做一遍，这次强制自己主动交代冷启动、线上线下一致性和失败路径；D11 SQL 补 1 套（window function + 实验指标聚合），ML Coding 补 1 道标签泄漏诊断题；D12 mock 完整 loop（design + coding + SQL / BQ 各一段）；D13 Graph 题重做，这次从第一分钟就带业务上下文（规模、存储、降级）；D14 缓冲日，检查设备日程（CoderPad 和 AI 工具提前试一遍），早睡。
• 30 天（系统版）：在 14 天基础上——D15-D18 System Design 扩场景：search、messaging、graph platform 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：A/B 设计、guardrail 指标、线上线下一致性，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（其中至少 1 场是 AI 轮 + 1 场无 AI 轮，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：LinkedIn MLE 面试 5 个高频问题

Q1：LinkedIn MLE 面经去哪找、怎么用？
一亩三分地等社区的公开面经按「年份 + 级别 + 岗位」筛，只看 2025-2026 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。站内题型索引可以看 LinkedIn MLE 题目合集，本篇则聚焦 AI Coding Round 和 Graph / Ranking / ML Coding 的训练方法。

Q2：LinkedIn MLE 面试几轮？
社招通常：Recruiter Screen + Technical Phone Screen（1 小时，1-2 道 coding）+ Onsite Loop 4-5 轮（MLE 常见结构：ML coding、ML System Design（Ranking 方向）、SQL / 数据分析、BQ + 项目深挖），每轮 45-60 分钟，一般一天面完；其中一轮 coding 可能是 AI-enabled 的 AI Coding Round。NG / Intern 前面加一场 OA。VO 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：LinkedIn MLE 考什么？难度如何？
ML System Design 考「模型 → 系统」的翻译能力，feed ranking 和 job recommendation 最高频，难度对标其他 FAANG MLE 中级；ML Coding 考 Python + 数据处理 + ranking 评估口径（NDCG / GAUC），medium 难度但口径和边界埋点刁钻；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。Coding 轮里 Graph 题是 LinkedIn 特色，SWE 线更偏，MLE 线也要会做。

Q4：AI Coding Round 是必考的吗？到底是什么？
它是 Onsite Loop 里的一轮 live coding：面试官出题，你解题，环境里带一个 AI 侧边助手可以帮你澄清、给想法、查语法，但设计决策、代码修改、测试和解释都是你自己的事。公开信号显示它通常替代两门传统 coding 轮中的一门，属于 loop variant 而不是全员强制规则，以你的 recruiter 沟通或 interview packet 为准。评估重点：执行质量、prompt 质量、以及从解题切到 production follow-up（并发、同步、productionization）时的深度。

Q5：SWE 和 MLE 的 AI Coding Round 有差别吗？SWE 候选人能用这篇吗？
同一轮格式（CoderPad 类环境 + AI 助手 + 已知 pattern + production follow-up），但出题侧重不同：SWE 线更偏 Cache、Interval、String / DP 和工程 follow-up（并发、线程安全），MLE 线更偏 Ranking 数据处理、特征工程和指标实现。SWE 候选人完全可以用本篇，Graph 题簇和 AI 轮 mechanics 部分直接适用；SWE 全流程题型看 LinkedIn SWE 题目合集，MLE 题型看 LinkedIn MLE 题目合集，两篇和这篇配合使用。