Netflix MLE 面经 2026：Recommendation、Ranking 和 ML Platform

💡 核心要点 (Key Takeaways)

• Netflix MLE 面试主轴是 ML System Design（Recommendation、Ranking、personalized thumbnails、ML Platform，1-2 轮）+ ML Coding（特征工程、Ranking 指标实现、ML 理论，1-2 轮）+ 项目规模深挖 + Keeper Test BQ；公司文化（Context Not Control、radical candor、high bar）不是独立轮次，而是嵌进每一轮评分：metric 口径是否先讲清、假设是否主动声明、follow-up 约束变化能否接住，都算分。
• Netflix 是内容消费平台，不是 marketplace：内容池是动态的（新片上线、license 到期、地区 / 语言 / 设备可用性），候选集天天在变，new title 冷启动和曝光分配是 Recommendation / Ranking 题的必答项——用静态内容池的推荐思路答 Netflix 的题是最典型的挂法。
• ML Platform 是 Netflix MLE 的高区分度方向：member × title 规模的 feature freshness（离线批 + 实时流、training/serving 一致性）、experimentation infrastructure（member-level A/B、delayed feedback、holdout）、model serving 的 latency 预算和 rollback，平台题考的是「有没有真跑过大规模 ML」，规模数字含糊是红旗。
• churn / engagement 标签天然延迟，delayed feedback（label delay 处理、proxy label、延迟窗口选择）+ multi-objective ranking（engagement 和 retention 多目标）+ calibration 这三件套必须张口就来，只会用「即时播放 = 即时标签」的单目标直觉会被判断为没跑过真实 member 漏斗。
• 公开 MLE 面经信号量偏小（少于 DE / DS 帖，部分混在 SWE 帖里），按「年份 + 级别 + 团队方向」筛选、以 2-3 篇共识判断轮次结构；7 天保 Recommendation SD + ML Coding 下限，14 天补 ML Platform SD 和项目深挖，30 天加深 follow-up 链、实验专项和完整 mock。

这篇适合谁

这篇写给准备 Netflix Machine Learning Engineer（MLE）面试的候选人，覆盖 Personalization / Recommendation、Ranking、ML Platform / Infra、Ads ML、Search 等方向，级别以社招中高级为主（大致对标 Google L4 / L5、Meta E4 / E5，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 Netflix 公开的产品架构与面试文化整理，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：Netflix MLE = ML System Design（Recommendation、Ranking、personalized thumbnails、ML Platform）+ ML Coding（特征工程、Ranking 指标实现、ML 理论）+ 项目规模深挖 + Keeper Test BQ。Netflix 是内容消费平台，和 Airbnb / Uber 这类 marketplace 公司最大的区别在于：内容池是动态的（新片上线、license 到期、地区 / 语言可用性），候选集天天在变，而规模是 member × title 级别——特征、serving、实验都要在这个规模下谈 freshness 和 cost。准备的重点不是「刷了多少算法题」，而是「能不能把 Recommendation / Ranking / 平台链路讲成有数据闭环、有规模约束、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、DE、DS 方向），见 Netflix 公司页；同时准备 SWE 岗位的，先看 Netflix SWE 面经 区分题型重心——SWE 重 Backend / streaming Coding 和视频平台 System Design，MLE 重 ML Coding 和 ML System Design，不要混着刷题。

• 适合准备 Netflix 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（Recommendation / Ranking / thumbnails / ML Platform）+ ML Coding（特征工程 / 指标实现 / ML 理论）+ 项目深挖 + Keeper Test
• Netflix 是内容平台：候选集动态、特征与 serving 在 member × title 规模、内容时效性是区别于 marketplace 公司的关键
• 投 MLE 岗位就按 MLE 准备，SWE / DE / DS 岗位题型重心完全不同

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

Netflix MLE 的主线流程是：投递 / 内推 → Recruiter Screen → Take-Home 或 Online Assessment（部分岗位 / 部分级别）→ Phone Screen → Onsite / VO（4 轮）→ HM / Team Match → offer。公开信号里有两个特点要提前知道：MLE 方向没有统一 OA（NG / 部分岗位有 take-home 或 CodeSignal 式 online assessment），take-home 是 Netflix 的招牌——更常见于 DE / DS，部分 MLE 岗位也会收到 ML 项目类的 take-home；VO 多为 4 轮 × 50 分钟，常见结构是 2 轮 ML Coding（其中常含一道 ML 理论 / 指标实现题）+ 1 轮 ML System Design + 1 轮 Behavioral（Keeper Test），Platform / Personalization 方向的团队也可能排 2 轮 SD。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（member / title 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。
• Take-Home（部分 MLE 岗位，1-2 周）/ Online Assessment（NG / 部分岗位，限时 2 题）：MLE 岗位的 take-home 通常是 ML 项目交付题（数据分析 / 模型迭代 / metric 提升一类），它不是限时测试，考察的是「能不能像真工程师一样交付」：README、假设清单、代码与实验质量、trade-off 和后续改进计划都要写在文档里。NG / Intern 有时走 CodeSignal 式 online assessment（medium 难度、限时作答）。以实际收到的邀请为准。
• Phone Screen（45-60 分钟）：常见结构是 1 道 medium Python ML coding（特征工程、Ranking 指标实现、数据处理是高频方向）+ 简历深挖穿插，部分团队是纯 coding。考察的是无提示下能否先讲清 metric 口径、完成第一版实现并把复杂度讲清楚，follow-up 常见「数据量 10 倍怎么优化」「特征要秒级新鲜度怎么做」这类约束变化。
• Onsite / VO（4 轮，每轮 50 分钟，通常一天面完）：常见结构是 1-2 轮 ML Coding（特征工程、指标实现、ML 理论）+ 1-2 轮 ML System Design（Recommendation / Ranking / thumbnails / ML Platform 是高频方向）+ 1 轮 Behavioral（Keeper Test）。Personalization 团队偏 Recommendation 和 thumbnails，Platform 团队偏 feature store、训练和实验基建，Ads 团队会在 SD 里加 ads ranking 和 bidding 追问。语言通常跟目标团队走。
• HM / Team Match：VO 通过后进入结果确认阶段：hiring manager 沟通方向（personalization / platform / ads）、level 和 comp，跨组调剂（team match）也发生在这里，不再考技术，重点是双向确认团队方向和 scope。

题型雷达：ML Coding、ML System Design、ML Platform、SQL、BQ 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，Netflix 的内容平台场景贯穿全程：

• ML System Design（最高频，1-2 轮）：Netflix MLE 最核心的环节，场景几乎都在 Netflix 自己的业务线上——Recommendation（home 页 top-N、多目标、动态候选集）、Ranking（engagement / play-through 排序）、personalized thumbnails（候选集 → ranking → serving → evaluation → rollback）、member engagement / churn、ML Platform（feature store、training pipeline、experimentation infrastructure、model serving）。考点是业务约束（engagement、churn、内容多样性、cost）→ 数据与特征 → 多段模型与延迟预算 → 评估与实验 → rollback 与监控的完整闭环，动态候选集和规模是 Netflix 场景的必答项。通用结构框架可以看 ML System Design 专题，这里重点说 Netflix 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（viewing 行为序列、session 特征、时间衰减、cold start）、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、calibration 为什么重要（ranking 之后还有 bidding / 预算分配等需要概率标定的环节）、multi-task / multi-objective（engagement 和 retention 两个目标怎么联合训练）、two-tower 结构在 retrieval 里的取舍、delayed feedback（churn 标签延迟怎么处理）。难度 medium，follow-up 会加规模和边界情况。
• ML Platform / Infra（Platform 方向团队高频，其他方向也出现在追问里）：feature freshness 在 member × title 规模怎么保证（离线批 + 实时流双链路、training/serving 一致性）、training pipeline（数据版本、feature store、实验追踪）、experimentation infrastructure（member-level A/B、delayed feedback 下的指标评估、holdout / global control）、model serving（latency 预算、rollback）。这一类题考的不是组件罗列，而是「有没有真跑过大规模 ML」——freshness SLA、cost、失败降级讲不出来等于没做过。
• SQL / 数据（中低频）：MLE 岗位一般不单独设 SQL 轮；Platform、growth 方向的候选人可能在 coding 轮被要求写实验指标聚合查询（member 级 churn / retention、window function、A/B 分组对比、cohort），不是主线，保基本盘即可。
• BQ / Behavioral（1 轮，Keeper Test）：围绕四问：Do you have the attributes? Do you have the passion? Do you have the technical skills? Would you be devastated if they left? 高频方向：一次失败下的技术决策（模型没达预期怎么推）、跨团队推动一个决定、一次生产事故处理（模型 rollback）、为什么 Netflix。准备 5-8 个 STAR 故事，每个有 measurable impact 且能接两层追问；Netflix 的 BQ 口味是「ownership + high bar + 具体数字」，空话直接减分。

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：

• Recommendation 系统设计（top-N ranking，ML SD 最高频）：设计 Netflix 首页 top-N 推荐。考点：业务约束（engagement、churn、内容多样性、新片曝光）、候选集是动态的（新片上线、license 到期、地区 / 语言 / 设备可用性）、多路 retrieval（i2i、u2i、embedding ANN + 业务规则）、多目标 ranking（play-through rate、CTR、engagement，multi-task + calibration）、re-ranking（多样性、genre、新鲜度、exploration）、评估（离线 NDCG / GAUC + 线上 A/B：engagement、play-through rate、retention 和 guardrail）、延迟预算（毫秒级）。关键动作是先立业务约束和动态候选集，再谈模型怎么服务约束。
• Personalized thumbnails 系统设计（Netflix 招牌场景，高频）：为 title 设计个性化缩略图系统：候选集（每个 title 多张人工 / AI 变体图）→ ranking model（member × title × thumbnail 的点击 / engagement 预测）→ online serving（latency 和 cost）→ evaluation（线上 A/B：click、engagement、长期 guardrail）→ rollback。考点：候选集的生成与管理、serving cost（变体数 × member 规模）、novelty / 疲劳（同一张图反复曝光怎么办）、offline-online gap。这是最能区分「做没做过内容平台 ML」的题。
• ML Platform：feature store / feature pipeline 设计（Platform 方向高频）：设计支撑 member × title 规模 Recommendation 模型训练和 serving 的 feature 平台。考点：feature 定义与版本化、离线批 + 实时流双链路、training/serving 一致性（同一份 feature 定义两处用）、freshness SLA、数据质量监控、backfill 与 feature 下线。考点是大规模 feature 运营的真实细节，不是画架构图。
• ML Platform：experimentation infrastructure / A/B 系统设计（高频）：设计 member 级实验平台：分流（为什么 member-level 而不是 request 级）、metric 体系（primary + guardrail）、delayed feedback（churn / retention 指标怎么评估）、holdout / global control、实验平台与模型 / 产品改动的对接。考点是实验设计闭环，尤其是 delayed feedback 下「实验多久能看出结论」怎么回答。
• ML Coding：Ranking 指标实现（高频）：实现 NDCG / GAUC / AUC / MRR。考点：代码能跑、指标口径正确（NDCG 的折损和并列名次、GAUC 按 user 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 viewing 日志（member 的 impression → click → play → play-through 行为序列，带时间戳）构造排序特征：滑动窗口统计（最近 7 天 / 30 天行为）、session 特征、时间衰减、cold start 和缺失值处理。考点：口径先讲清再写（什么算一次有效播放、去重逻辑、play-through rate 的定义）、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）：churn / retention 是延迟决策（member 不会马上取消，决策周期长），label delay 怎么处理（delayed feedback model、proxy label、延迟窗口怎么选）；engagement 和 retention 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 bidding / 预算分配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 + BQ / 项目深挖方向：SQL：给定 member viewing / subscription 表，算月度 churn rate 和 retention curve（churn 口径、多账号家庭处理、时区与 billing 周期口径）。BQ / 深挖：一个你主导的推荐 / 排序 / 平台项目（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 Netflix。规模数字（member 规模、title 规模、QPS、特征数、延迟、影响指标）必须张口就来，bad case review 和 offline-online 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 Netflix MLE 面试信息最集中的公开来源，但要注意：Netflix 的公开信号总量比头部四大公司少，而且 MLE 帖比 DE / DS 帖少（take-home 相关帖明显偏 data 方向，部分 MLE 经历混在 SWE 帖子里发布），读法比内容更重要。几个原则：

按「年份 + 级别 + 团队方向」筛选。2026 年 personalization 团队的信号和 2024 年 platform 团队的信号可能完全不一样（语言、有没有 take-home、SD 深度都在变），只看最近 2-3 篇。团队方向必须对得上——MLE 的信号（Recommendation、Ranking、thumbnails、feature store）对 SWE 岗位（Backend、transcoding、CDN）参考价值有限，反过来也一样，混着看会准备错方向。

找共识，不信个例。Netflix MLE 信号量小，单篇面经说「VO 是 5 轮、SD 只考了推荐」不能当结论；两到三篇独立帖子都提到「4 轮、2 ML coding + 1 SD + 1 BQ」「SD 高频方向是 recommendation / thumbnails / platform」「take-home 只出现在部分岗位」，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 Netflix 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：Netflix 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，Netflix MLE 特有的失分点集中在这几个：

• 用静态内容池的思路答 Recommendation：最 Netflix 特色的挂点。SD 里不主动讲候选集是动态的——新片上线、license 到期、地区 / 语言 / 设备可用性每天都在变——new title 没有行为数据，冷启动和曝光探索怎么分配答不出来。Netflix 面试官默认你处理过内容时效性，用电商 / 短视频静态内容池的推荐套路答，整轮可信度下降。
• 规模不谈：feature / platform 题里不主动提 member × title 的量级、freshness SLA、cost 和 training/serving 一致性，只讲组件。ML Platform 轮本质是「你有没有真跑过大规模 ML」，规模含糊是红旗；「我们团队有个 feature 平台」这种颗粒度等于没说。
• delayed feedback 没准备：churn / retention 标签天然延迟（member 决策周期长，可能几天后才取消），答不出 label delay 怎么处理（delayed feedback model、proxy label、延迟窗口怎么选、实验结论要等多久）会被判断为没跑过真实 member 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 member 规模、title 规模、QPS、特征数、延迟时含糊带过。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；「只讲模型」的补法见 MLE 只讲模型怎么补。
• 不澄清上下文就动手写：Netflix 的评分文化是 Context Not Control——面试官给一个真实但模糊的问题（例如「播放完成率下降了」），看你如何主动提问缩小范围、声明 metric 口径和标签定义、建立假设。ML 题里最典型的是默默按自己脑补的口径写特征（比如假设 play-through 阈值、假设事件有序），被问到才发现口径对不上。前 10 分钟沉默直接上手通常直接失分。
• BQ 没有按 Keeper Test 框架组织：故事全是「我很努力」「我责任感强」，没有具体事件、没有你的决策、没有 measurable impact。Keeper Test 四问本质是回答「这个人值不值得留」，每个故事要能接「你具体做了什么 / 数字是多少」两层追问，「为什么 Netflix」要落到对 Context Not Control、high bar 的真实理解上。

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（Recommendation / Ranking + thumbnails / ML Platform）和项目规模深挖永远优先，ML Coding 和 ML 理论次之，SQL 保基本盘，BQ 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：「Recommendation top-N ranking」和「personalized thumbnails」各按「业务约束 → 数据 / 特征 → 多段模型与延迟预算 → 评估与实验 → rollback」45 分钟结构完整走一遍，每遍计时，动态候选集、new title 冷启动、latency 超预算这些失败路径必须主动交代；D3 ML Platform：白纸上完整讲一遍 feature store（member × title 规模、freshness SLA、training/serving 一致性）+ 实验平台（member-level A/B、delayed feedback、holdout），录音回听；D4 ML Coding 做 2 题（NDCG / GAUC 实现 + viewing 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 + BQ：主项目写三层答案（概述 → 规模与取舍 → 反思与结果），按 Keeper Test 四问整理 5-6 个 STAR 故事 + 为什么 Netflix，口述录音回听；D7 完整 mock 1 场（SD + coding + 10 分钟 BQ），录音复盘。
• 14 天（标准版）：在 7 天基础上——D8-D9 补 2 道 SD：「member engagement / churn 预测 ranking」（delayed feedback 做主线）和「ads ranking 或 search」（多目标 + calibration + guardrail），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「动态候选集 + delayed feedback + training/serving 一致性」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、churn / retention 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：new title 冷启动与 exploration（内容池动态性的完整答法）、thumbnails 的疲劳 / 长期 guardrail、feature 平台 cost 优化（存储 / 计算 / freshness 取舍）、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 实验与 delayed feedback 专项：member-level 分流取舍、delayed feedback 下的实验时长与指标评估、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、规模化后怎么变」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、规模和 cost 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：Netflix MLE 面试 5 个高频问题

Q1：Netflix MLE 面经怎么读？重点看什么？
公开面经（一亩三分地、Blind 等社区）重点读三样：轮次结构（几轮、每轮什么类型）、题型方向（Recommendation / thumbnails / platform 场景题还是经典 ML 题）、挂点（作者觉得过 / 挂在哪）。注意 Netflix 的 MLE 信号量偏小，帖子以 DE / DS 的 take-home 经验居多，部分 MLE 经历混在 SWE 帖子里；只看年份 + 级别 + 团队方向对得上的最近 2-3 篇，以多篇共识为准。本篇的轮次结构、题型雷达和挂点就是按这个共识整理出来的。

Q2：Netflix MLE 面试几轮？
社招通常是：Recruiter Screen（不考技术）→ Take-Home 或 Online Assessment（部分岗位 / 部分级别，NG 更多）→ Phone Screen（45-60 分钟，1 道 medium Python ML coding + 简历深挖穿插）→ Onsite / VO 4 轮（1-2 轮 ML Coding + 1-2 轮 ML System Design + 1 轮 Keeper Test Behavioral，每轮 50 分钟，personalization / platform / ads 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。

Q3：Netflix MLE 考什么？难度如何？
ML System Design 考 Recommendation、Ranking、personalized thumbnails 和 ML Platform，核心是链路完整度（动态候选集 → 多段模型与延迟预算 → 评估与实验 → rollback）+ Netflix 场景约束（内容时效性、member × title 规模、cost）；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；SQL 中低频，保基本盘；BQ 围绕 Keeper Test 四问，要求 measurable impact。主轴是「能不能把 Recommendation / Ranking / 平台链路讲成有数据闭环、有规模约束的线上服务」，不是算法竞赛深度。

Q4：Netflix MLE 和 SWE / DS 岗位差别大吗？
差别集中在题型主轴。MLE 的主轴是 ML Coding（特征工程、指标实现、ML 理论）+ ML System Design（Recommendation、Ranking、thumbnails、ML Platform）+ 项目规模深挖 + Keeper Test；SWE 的主轴是 Backend / streaming 化 Coding（playback telemetry、OOD、streaming 去重）+ 视频平台向 System Design（CDN、transcoding、live、QoE）+ Keeper Test，看 Netflix SWE 面经 2026；DS 的主轴是实验设计（A/B、holdout）+ metric definition + retention / churn analysis，SQL 是硬门槛。三个岗位共用 Context Not Control 和 Keeper Test 的文化底色，但题型重心完全不同——投哪个岗位就按哪个岗位准备，公司级完整题型清单看 Netflix 公司页。

Q5：没有大规模推荐 / 平台经验，怎么准备 Netflix MLE？
三个动作：第一，翻译经验——推荐 / 搜索 / 增长 / 数据经历都能映射到 Netflix 语境，主动说清你的系统如果面对动态内容池、member 级规模、delayed feedback 会怎么处理（现有系统的局限你要能自己点出来）；第二，背下链路骨架——Recommendation 的完整链路（业务约束 → 动态候选集 → 多路 retrieval → 多目标 ranking → re-ranking → 评估与实验）和 ML Platform 的四件套（feature store、training pipeline、experimentation infrastructure、serving），每个环节准备 2-3 个 Netflix 场景的具体细节；第三，规模数字要诚实——公司规模小就如实讲，重点补「如果放大 100 倍，你的方案哪里会先断」的分析，这比背大数字更能接住追问。