MLE 只会讲模型：数据和上线怎么补

💡 核心要点 (Key Takeaways)

• MLE 面试只讲模型，会暴露工程落地和 owner 意识不足。
• 回答要覆盖数据、标签、特征、训练、serving、监控和 rollback。
• 项目深挖要讲清失败、指标、线上偏差和下一版迭代。

两种回答的差别

同样是推荐项目，弱回答会说“我用了 embedding + ranker，AUC 提升了”；强回答会先说业务目标，再解释标签怎么定义、特征多久更新、serving 延迟怎么控制、线上坏 case 怎么发现。面试官真正想区分的是你会不会把模型放进产品系统里负责。

模型细节应该放在哪

模型细节不是不能讲，而是不能一上来就讲。先把问题、数据和指标定住，再讲为什么这个模型适合当前约束。否则 loss、architecture、embedding 讲得越多，越容易暴露你没有解释业务目标和上线风险。

• 先讲目标：优化什么指标，不能牺牲什么 guardrail。
• 再讲数据：标签、负样本、延迟反馈、噪声和权限。
• 再讲模型：baseline、特征、训练、评估和 trade-off。
• 最后讲上线：serving、latency、监控、rollback 和迭代。

被追问时怎么补

如果面试官追问“offline metric 好，为什么线上会好”，不要继续解释模型结构。更好的补法是讲实验设计、guardrail、bad case review 和 rollout。如果追问“特征线上缺失怎么办”，就讲 freshness、fallback 和数据质量监控。

一个 15 分钟练习

挑一个自己的 ML 项目，先用 3 分钟只讲模型，再用 5 分钟按目标、数据、模型、serving、监控重讲。最后用 7 分钟追问三个坏情况：数据延迟、线上指标下降、serving 超时。练完后你会很快看到项目叙事缺的是哪一层。

数据层要讲到什么深度

很多 MLE 候选人知道要讲数据，但只会说“我们收集用户行为”。面试里更有价值的是标签定义、样本偏差、负样本采样、延迟反馈、数据权限和 freshness。比如推荐系统里，点击、停留、购买、hide、report 代表的业务含义不同，训练目标也会不同。

• Label：正负样本如何定义，是否有 delayed conversion 或 noisy label。
• Feature：多久更新，线上线下是否一致，缺失时如何 fallback。
• Split：按时间切还是随机切，如何避免 leakage。
• Quality：如何监控 drift、missing rate、异常分布和坏样本。

上线层要补哪些机制

如果项目已经上线，面试官会关心 serving path。你需要讲清请求如何进入模型服务，候选集如何生成，特征如何取，模型如何打分，结果如何缓存，超时时如何降级，版本如何灰度。即使你不是 infra owner，也要知道自己模型在系统里的位置。

项目深挖的反例

弱回答：“我们换成深度模型后 AUC 提升 3%。”强回答：“旧模型在新用户上效果差，我们发现标签延迟和特征 freshness 是主要问题；先修训练样本窗口和在线特征更新，再上线新模型，用 CTR、D7 retention 和 bad case review 做联合验证，最后灰度到 20% 流量。”差别在于后者体现了端到端判断。

模型版本上线问题怎么答

「新版本模型怎么上线」是高频题，可以按四步流水线回答。第一步回测：新版本在历史数据上跑，和旧版本在同一评估集上对比，说出准入门槛；第二步影子流量：新版本和旧版本并行但不影响真实用户，观察两个版本打分分布的一致性和 serving 延迟——影子流量阶段看的不是精度而是分布差异和延迟，这一步最容易被漏掉，也最值得展开讲；第三步小流量 A/B：预设实验周期和 guardrail 指标，说明晋级或回滚的判断标准；第四步全量并保留旧版本：保留回滚路径，说明触发条件。每一步面试官想听的是准入和退出标准，不是流程本身。如果你的项目没有这条完整流水线，如实说做了哪几步、没做哪几步，再补上你会怎么补。把「没有做过」说清楚，比把没做过的事说成做过安全得多。

做一张一页 model card

面试前为你的代表性项目写一张一页的 model card：一个业务目标、一个主指标加两个 guardrail 指标，数据链路一句（从哪到哪）、模型一句（做什么、为什么选它）、serving 一句（延迟预算、降级方案）、监控一句（报警看哪些指标），最后写一个最大的失败和怎么修的。面试官深挖项目时，拿 model card 当提纲：任何问题先定位到 card 的哪一行，再展开；问题超出 card 范围就明说，再补推理。这张纸有两个用处：第一，它逼你把项目压缩到一页，压不下去的地方就是你没想清楚的地方；第二，它让你在深挖中不丢主线，任何时候都能回到目标和指标上，而不是被追问带着跑进模型细节。