TikTok MLE 面经 2026：推荐系统、搜索和 Feature Freshness

💡 核心要点 (Key Takeaways)

• TikTok MLE 面试主轴是 ML System Design（短视频推荐、搜索、特征平台，feature freshness 和 training/serving consistency 是高频考点）+ 两种风格的 ML Coding（特征工程 / 评估指标 + math heavy ML 理论）+ 对项目规模敏感的项目深挖 + BQ。
• TikTok 的电话面以「简历深挖 + coding」混排著称，深挖会落到 model structure、loss function、training 细节；项目 user base、QPS、特征数、延迟这类规模数字要张口就来，「项目 user base 太小」是公开挂因之一。
• Feature Freshness 是区别于其他大厂 MLE 面试的 TikTok 特色考点：特征多久更新一次、过期了怎么办、训练和 serving 怎么保持一致、缺失和漂移怎么监控，答成模型题等于告诉面试官你只做过离线建模。
• 中文面试是常态（部分团队几乎全程中文），技术术语要能中英文无缝切换；2026 年部分岗位新增 AI Assisted Coding 轮，需要提前练「用 AI 工具交付含 test case 的完整任务」。
• 公开面经信号按「年份 + 级别 + 岗位」筛选，以 2-3 篇共识判断轮次结构和题型方向；7 天保推荐 / 特征平台 SD + 数学理论下限，14 天补搜索与实验指标专项，30 天加深挖库和完整 mock。

这篇适合谁

这篇写给准备 TikTok（ByteDance）Machine Learning Engineer（MLE）面试的候选人，覆盖短视频 / 内容推荐、搜索排序、广告与 monetization、增长留存模型等方向，级别以社招中高级（对应 ByteDance 2-1 / 2-2，大致对标 Google L4 / Meta E4-E5）为主，NG / Intern 和研究方向的差异会在相关环节单独说明。文章基于 2026 年公开面经信号和 TikTok 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：TikTok MLE = 以短视频推荐和搜索为核心的 ML System Design（特征平台、feature freshness 是高频考点）+ 两种风格的 ML Coding（特征工程 / 评估指标 + math heavy ML 理论）+ 对项目规模敏感的项目深挖 + BQ。准备的重点不是「刷了多少算法题」，而是「能不能把模型讲成满足业务约束和特征要求的系统，并且把项目规模与个人贡献讲清楚」。题型清单和深挖笔记可以配合 TikTok / ByteDance 公司面试攻略 一起看；如果你同时准备 SDE 岗位，先看 TikTok SDE 面试全攻略 区分两个岗位的题型差异，两个岗位的准备方向不要混。

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

TikTok MLE 的主线流程是：投递 / 内推 → Recruiter Screen → OA（部分岗位）→ Phone Screen → Onsite Loop（VO）→ HM / Team Match → offer。TikTok 有两个流程层面的特点要提前知道：出结果快（常见当天或两三天内给反馈），部分团队用中文面试、面试地点可能随流程调整。各轮大致长这样：

• Recruiter Screen（30-45 分钟）：不考技术，聊动机、背景和大体技术经历。MLE 岗位这轮常被问「你做过什么 model 相关的工作」，要能一句话说清项目规模（user base、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（部分岗位，约 90-120 分钟）：NG / Intern 基本必考，社招多数岗位在简历通过初筛后跳过。公开信号里 OA 多为 1-2 道 medium Python 题，部分带数据 / 统计 flavor（指标计算、日志聚合、流式处理），偶尔有一道小型 ML 题，限时作答。以实际收到的邀请为准。
• Phone Screen（45-60 分钟）：TikTok 电话面以「简历深挖 + coding 混排」著称，也是挂人最多的一轮。常见结构是面试官先花 20-30 分钟挖简历上的项目（model structure、loss function、training 流程、特征怎么设计、为什么这么选型），剩下 15-25 分钟做一道 coding 题并追问 follow-up；部分团队是纯 coding 或 ML 理论 + coding。深挖阶段表现不好会直接压缩做题时间。
• Onsite Loop / 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 math heavy 的 ML 理论题）、1 轮 ML System Design（短视频推荐、搜索、特征平台）、1 轮项目深挖 + ML 知识、1 轮 BQ。部分团队 2026 年新增 AI Assisted Coding 轮：使用自己的 AI tool 并 share screen，完成一个含 test case 的完整工程任务。
• HM / Team Match：VO 通过后进入结果确认阶段：hiring manager 沟通方向、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。TikTok 出结果快，有候选人当天就收到反馈，日程上留好余量。

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

按 MLE 岗位把题型按出现频率排个雷达图：

• ML Coding（最高频，1-2 轮）：Python 为主，两种风格。一种是数据 / 特征向：特征工程（时间特征、行为序列特征、缺失值和过期值处理）、离线评估（AUC / GAUC / NDCG 的实现、按时间切分防标签泄漏）、流式特征计算（滑动窗口、去重）。另一种是 math heavy 的 ML 理论：loss function 推导（为什么 CTR 用 logloss 而不是 MSE）、log q correction、cross-entropy 的梯度、简单模型组件实现（attention、feature cross 层）。难度 medium，但 follow-up 会加规模和边界情况，第一版结构决定能不能接住后面的追问。
• ML System Design（1 轮）：场景几乎都在 TikTok 的业务线上——短视频推荐系统（召回 → 粗排 → 精排 → 重排）、视频搜索、CTR 预测 serving、特征平台 / feature store。核心考点是 feature freshness（特征多久更新一次）、training/serving consistency、冷启动和降级方案。通用答题框架（澄清 → 数据 → 模型 → 评估 → 取舍）可以看 ML System Design 专题，这里重点说短视频推荐和特征平台两个场景怎么答。
• ML 知识 / 项目深挖（1 轮或穿插）：model structure（为什么用 two-tower / DNN / 树模型）、loss function（问得很细且 math heavy）、training 流程（数据、超参、收敛）、线上线下一致性、为什么选这个方案。项目深挖是 MLE 最区分度高的环节：TikTok 对「项目规模」明显比多数大厂敏感，user base 和影响指标几乎必被问到，项目小要主动把规模和可迁移性讲清楚。
• BQ（1 轮或每轮穿插）：高频方向：技术分歧怎么解决、一次模型没达预期的经历、跨团队（数据 / 工程 / 产品）推动、为什么选 ByteDance。准备 4-6 个 STAR 故事，每个能接两层追问。中文面试的候选人建议直接用中文练口述，中英文来回切会打断节奏。
• SQL（中低频）：MLE 岗位一般不单独设 SQL 轮；增长、广告 / monetization 方向的候选人可能在 coding 或深挖轮被要求写实验指标聚合查询（window function、cohort 留存），不是主线，保基本盘即可。
• AI Assisted Coding（2026 新增，部分岗位）：使用自己的 AI tool + share screen，完成一个完整工程任务，test case 必须做完。这是新题型，公开挂因里出现「最后 test case 没完成」，收到这轮的人要提前练习「用 AI 交付可运行版本 + 测试」的完整流程。

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：

• 短视频推荐系统设计（ML SD 最高频）：从零设计 feed 推荐系统。考点：召回（多路 i2i / u2i / 向量召回）→ 粗排 → 精排 → 重排的多段架构、每段模型和延迟预算、业务规则（creator 多样性、低质内容打压、冷启动）、短期 CTR 和长期留存的平衡。关键动作是先立业务约束（内容生态健康、creator 激励），再讲模型怎么服务约束，顺序反了整轮都难救。
• 特征平台 / Feature Store 设计（Feature Freshness 核心考点）：设计一套支撑实时推荐的特征 pipeline。考点：实时特征和离线特征的划分、特征更新延迟（「用户最近 50 次交互」这类特征要求秒级新鲜度）、training/serving consistency 怎么保证（同一份特征代码、防时间穿越）、缺失 / 过期特征的 fallback、特征去重和版本管理、feature drift 怎么监控。这是最能区分「做过真实推荐」的题型，答成「加个 feature store」这种名词题会直接减分。
• 视频搜索系统设计：query 理解（改写、意图识别）、检索（文本 + 多模态 embedding）、排序（相关性、质量、freshness 多目标）、长尾 query 冷启动、相关性怎么评估（人工标注 + proxy metric）。考点是和推荐的关键差异：query 是显式意图、相关性是硬约束、freshness 定义更明确，不能把搜索当推荐答。
• CTR 预测模型深挖：为什么 CTR 用 logloss 而不用 MSE（凸性、概率标定、梯度性质）、log q correction 的数学原理（点击偏差纠正）、DNN + 特征交叉结构的取舍、特征稀疏怎么处理。math heavy，考点是推导 + 直觉，不是背公式，只说「logloss 效果好」会被一路追问到断片。
• ML Coding 高频：评估指标与特征工程实现：实现 AUC / GAUC / NDCG、特征工程 + 训练一个 baseline（GBDT / 逻辑回归）、滑动窗口流式统计、日志去重聚合。考点是代码能跑、指标口径正确、主动交代边界情况（空值、重复、时间穿越），follow-up 加规模时结构撑得住。
• 实验指标设计题：「推荐策略改版，你怎么衡量它有效」——primary metric（完播率、留存）+ guardrail（负反馈率、内容生态分布、creator 侧指标），novelty effect 和 spillover 怎么处理、指标回归怎么读。考点是实验设计素养，不是背公式。
• 模型指标回退诊断：「模型版本更新后 AUC 掉 3 个点」或「线上 CTR 掉了」，考排查过程：澄清症状 → 列假设（数据分布、特征 pipeline、训练配置、评估集本身）→ 按验证成本排序 → 逐个排除。追问会落到「离线指标掉和线上效果掉怎么区分」这种判断上。
• 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、最大取舍）、一次模型没达预期的经历、一次技术分歧、一次跨团队推动上线。每个故事要能接两到三层追问，数字必须能拆到个人贡献，规模数字（user base、QPS、特征数、延迟）必须张口就来。

公开面经信号怎么读

一亩三分地等面经社区是 TikTok 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 2-1 级别 MLE 的信号和 2024 年 NG 的信号可能完全不一样（OA 题型、轮次结构、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（简历深挖 + 岛屿问题 + Rate Limiter）对 MLE 参考价值有限，USDS（数据科学）是另一个岗位的题型，MLE 的数学理论信号对 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「电面全是数学题」不能当结论；两到三篇独立帖子都提到 ML Coding 有特征工程和数学理论两种风格、ML System Design 集中在短视频推荐 / 搜索 / 特征平台、项目深挖问 user base，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「出结果快、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 TikTok 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：TikTok 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，TikTok MLE 特有的失分点集中在这几个：

• 简历被挖穿：TikTok 的深挖普遍持续 40-45 分钟，model structure、loss function、training 流程、特征设计、架构选型全会问到，项目小的会被直接质疑「project user base 太小」。每个项目要准备三层回答：概述（2 分钟）→ 技术细节（5 分钟）→ 规模与取舍（3 分钟），规模数字（user base、QPS、特征数、延迟、影响指标）必须张口就来。
• 只讲模型、不讲特征：最 TikTok 特色的挂点。答不出「这个特征多久更新一次、过期一小时会怎样、training/serving 怎么保持一致」。短视频推荐的生死线是 feature freshness，特征问题答成模型问题，基本等于告诉面试官你只做过离线建模。
• 数学不扎实：loss function 题 math heavy（log q correction 推导、为什么 MSE 很难用在 CTR 这类分类任务上），只会说「logloss 效果好」会被深挖轮一路追问到断片。推导要能手写，直觉要能三分钟内讲完。
• 中文面试没练：中文面试是常态（部分团队几乎全程中文），技术术语中英文混排，如果 loss function、feature freshness、training/serving skew 这些词用中文说不利索，节奏会乱。建议用中文完整口述一遍技术问题和 BQ。
• Coding 时间被压缩：简历深挖讲太久，留给 coding 不到 20 分钟，follow-up 做不完。控制简历部分在 5-8 分钟一个项目，主动把面试官引到你准备好的话题上。
• 没有 follow-up 意识：做完一道题，面试官问「还有没有更优解」就卡住。TikTok 面试官喜欢在你能做出来之后继续追问更优解，正确姿势是主动说「这是 O(n log n)，还可以进一步……」。
• 没有规模意识：ML System Design 只画架构图，不谈 QPS、延迟预算、特征更新频率、存储成本；项目说不清自己的个人贡献（「我们团队做了」等于没说）。TikTok 的 SD 和深挖都默认你在大规模系统里工作过。
• AI Assisted Coding 不熟练：收到新增轮次的人里，公开挂因出现「最后添加 test case 没完成」。这是 2026 年的新题型，多数人没经验，提前用熟悉的 AI tool 练「完整任务 + test case」就是差距。

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（短视频推荐 + 特征平台）和项目规模深挖永远优先，数学理论次之，ML Coding 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：「短视频推荐系统」和「特征平台（feature freshness）」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，失败路径（冷启动、特征缺失、延迟超预算）必须主动交代；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边界情况；D4 数学理论：loss function、log q correction、logloss 和 MSE 的对比，推导手写一遍，每个三分钟内能讲完；D5 项目深挖：resume 主项目按「角色 → 规模数字 → 取舍」写三层答案，并主动准备一段「user base 小怎么办」的说明；D6 BQ：按「技术分歧、模型没达预期、跨团队推动、为什么 ByteDance」各写 1 个 STAR 故事，中文口述录音回听；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：视频搜索系统和 CTR 预测 serving，每道强制主动交代失败路径和评估方法（搜索相关性标注、线上 A/B 怎么读）；D10 把 D1-D2 做过的 2 道 SD 重做一遍，这次把「feature freshness + training/serving consistency」写成主线而不是补充；D11-D12 ML Coding 再补 2 题（滑动窗口流式统计、日志去重聚合）+ 1 道实验指标设计题；D13 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：广告 / monetization 排序、增长留存模型、内容生态多目标各 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：primary / guardrail 指标体系、novelty effect、spillover、指标回退诊断，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，规模数字做成速查表；D25-D27 连续 3 场完整 mock（找真人或录音），重点看 follow-up 接没接住、中英文切换是否流畅；D28 复盘 3 场 mock，把断片点写下来各补一段；D29-D30 缓冲日。

FAQ：TikTok MLE 面试 5 个高频问题

Q1：TikTok MLE 面经和 SDE 面经差别大吗？
大。SDE 攻略的主轴是简历深挖（40-45 分钟）+ 高频 coding 题（岛屿问题、LRU、马拉车算法）+ System Design（Rate Limiter 这类）；本篇 MLE 的主轴是 ML Coding（特征工程 + math heavy ML 理论）+ ML System Design（短视频推荐、搜索、特征平台）+ 项目规模深挖 + BQ，两边题型重叠度不高，准备方向不要混。SDE 全流程看 TikTok / ByteDance SDE 面试全攻略，本篇是独立的 MLE 全流程页。

Q2：TikTok MLE 面试几轮？
社招通常是：Recruiter Screen（不考技术）→ 可选 OA（约 90-120 分钟，1-2 道 medium Python 题）→ Phone Screen（45-60 分钟，常是简历深挖 + coding 混排）→ Onsite 4-5 轮（1-2 轮 ML Coding + 1 轮 ML System Design + 项目深挖 + BQ，部分岗位加 AI Assisted Coding）→ HM / Team Match。NG / Intern 更常走 OA 进流程，社招部分岗位跳过 OA。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：TikTok MLE 考什么？难度如何？
ML Coding 考 Python 数据处理 + math heavy ML 理论（loss function、log q correction），难度 medium 但追问偏数学；ML System Design 考短视频推荐、搜索、特征平台，核心是 feature freshness 和 training/serving consistency，难度对标其他大厂 MLE 中高级；项目深挖考项目规模（user base、QPS、延迟）和个人贡献，TikTok 对规模的敏感度比多数大厂更高；BQ 考真实性和协作。主轴是「能不能把模型讲成满足业务约束和特征要求的系统」，不是算法竞赛深度。

Q4：TikTok MLE 面试是中文吗？有 OA 吗？
中文面试是常态，部分团队几乎全程中文，技术术语中英文混排，建议用中文把技术问题和 BQ 完整口述练一遍。社招多数岗位没有 OA，简历通过初筛后直接进 Phone Screen；NG / Intern 基本必考 OA（约 90-120 分钟，1-2 道 medium Python 题，部分带数据 / 统计 flavor），以实际收到的邀请为准。

Q5：我的项目 user base 比较小，深挖怎么办？
TikTok 项目深挖确实对规模敏感，公开挂因信号里出现过「project user base 太小」。三个动作：第一，主动先报规模（user base、数据量、QPS），不要等被问，规模坦诚比藏着好；第二，把重点转到「工程完整度」——特征 → 训练 → 评估 → serving → 监控的全链路是否做过、取舍是怎么做的、影响指标是什么，做完整链路的小项目比只负责一个模块的大项目更有说服力；第三，准备可迁移映射：离线模型 → 线上 serving、批量特征 → 实时特征（freshness）、离线评估 → A/B，主动说清你的经验里哪部分能直接迁移到短视频推荐场景。