導語：2017年7月24號到28號，我連續(xù)五天面試了五家公司：LinkedIn、Salesforce、Google、Airbnb、Facebook，最終拿到了五個Offer。
文/ 寒笑風聲LordCL
編輯/ 小陰
來源/ 簡書 https://www.jianshu.com/u/52f0ccd3312d
能有這樣的結果確實非常地幸運，付出的諸多努力也算有了回報，同時這段時間也是一段相當寶貴、刺激程度勝過高考的經歷，所以寫了這篇帖子作為總結和紀念。
五家公司各有特色，都是我非常喜歡的。我會回顧一下準備面試的過程以及一些個人經驗，談談對五家公司的印象，最后說一些整個換工作流程中我覺得值得注意的地方。因為我并非計算機專業(yè)出身，工作時間也很短，知識和經驗都非常有限，所以這里寫的內容僅供大家參考。
起因
時間是2017年，我已經在Groupon芝加哥總部工作了將近三年，項目很有意思，團隊也非常給力。按道理說我本應該衣食無憂地繼續(xù)下去，工作輕松，生活自在。但是我卻覺得不滿足，畢竟年紀輕輕就耽于安樂不是一件好事。我感覺日常工作越來越熟練的同時，每天學習的速度卻在減慢，內心也開始希望迎接新的挑戰(zhàn)。同時作為一名在芝加哥住了八年的碼工，也總想著去硅谷折騰折騰。
于是我和老婆說了我的想法，在得到她的大力支持后，我開始準備換工作。首先是經歷了一場失敗的面試，遺憾地錯過了一個明星Startup，激發(fā)了我的動力，也讓我認識到自己的不足。然后我重整旗鼓，挑選了幾家喜歡的公司，回復了LinkedIn上面HR發(fā)來的幾封郵件，又拜托以前會議上認識的朋友幫我內推，同時開始認真準備面試。
準備
我申請的都是機器學習相關的職位，但五家公司的具體頭銜和面試流程略有不同。有三家公司（G，L，F(xiàn)）的職位是Software Engineer in Machine Learning，Salesforce的職位是Data Engineer，Airbnb是general的Software Engineer，因此Algorithms & Coding，Machine Learning，System Design這三塊我都需要準備。
因為白天還有全職工作，所以只能晚上和周末抽出一些時間準備面試，加上需要準備的東西又多，前后總共大概花了兩三個月時間。以下簡單說說我的方法。
Algorithms & Coding
這一塊其實是最好也最難準備的。一方面有許多的網站提供了大量的題目可以練習，另一方面也需要投入大量時間精力。我先是花幾周復習了常見的算法和數(shù)據結構，然后有針對性地練習了一些不太熟練的方面，最后又練習了一些高頻題目。這里有幾點想法，其實也是老生常談了，就算多給大家提供一個數(shù)據點吧。
1、不能盲目追求數(shù)量，而是要理解做過的每一道題目。
有的帖子會告訴你“一定要把LC刷三遍以上”之類的，我的感覺是這不太現(xiàn)實。目前LC上面有600多道題，在全職工作的情況下要全部做完我可能要做個一年。我最后做了將近80道，個人感覺是完全夠用了。我的想法是如果做完80道還沒有效果的話，那么做800道可能依然沒有效果:) 當然前提是這80道還是要面面俱到的，常見類型都要覆蓋到。
2、按照題目類型，逐個類別準備，每個類別要到最高難度。
像LeetCode這樣的網站上都有Tag，可以分類進行練習，比如dynamic programming，recursion，graph等等。一般來說每種類型的題寫兩三道之后就差不多完全熟練了，如果沒有的話，那么可以思考一下自己是不是真正理解了之前做過的題目。同時要做每個類型中最難的題目，不要被Hard的標簽嚇到。這個是理所應當，做過最難的題，簡單一些的當然能迎刃而解。
3、什么時候看答案：一道題卡了兩個小時以上，以及做出來一道題之后。
如果一道題卡了兩個小時以上，我的做法是直接看答案。很多時候做不出來就是做不出來，花再多時間也沒用，或者不劃算。用心理解別人的做法而不是和一道題死磕能夠省去很多時間。即使做出來的題，建議也看看高票答案。有的時候很多答案會讓你嘆為觀止。我就很佩服那些一行Python代碼解決問題的人，雖然有時依賴語言的某個特性，但實在是很精妙。
4、用自己最熟練、最通用的語言。
畢竟Coding面屬于應試，用最得心應手、最流行的語言可以提高效率，面試的時候也有助于和面試官進行溝通。如果用略小眾的語言（Clojure，Rust，etc.），雖然可以體現(xiàn)你技能的多樣性，但有時候面試環(huán)境不一定支持，和面試官解釋思路的時候在算法的上面可能還要額外解釋一層語法，不如保險一點用Java或者Python。另外不得不說Python和Ruby這樣的動態(tài)類型語言在面試的時候打起來實在是很快很方便，換做是Java容器類型的type parameter還要額外寫一遍，有時候效率會打點折扣。
System Design
這一塊只要是有工作經驗的就會被著重問到。 如果你有不少系統(tǒng)設計的經驗，那么花的時間可以相對少一些。雖然是很看經驗，但也還是可以準備的，網上也有很多的經驗貼和練習題。
個人感覺這一塊問的問題很雜，范圍很廣，主要考察綜合素質。常見的范圍包括architecture，object oriented design，database schema design，distributed system，scalability等等。因為我主要面試的職位是機器學習相關的，所以這次面試遇到的session少一些（主要是Airbnb）。
一些大的原則是：
1、先明白需求，然后考慮大框架，最后是具體設計。
2、沒有完美的設計，要懂得如何做出取舍（trade-off）。
這里想說的是平時里的積累在系統(tǒng)設計里其實很能體現(xiàn)出來。舉個例子，要是工作中用到HBase，有的人可能就只是簡單的用一下Client跑一些DDL，做一些Get，但是有的人可能就會深入一些了解整個系統(tǒng)的設計，包括Zookeeper起到什么作用，整個讀/寫流程是怎樣的，如何保證strong consistency，minor / major compaction都會做什么工作，LRU Cache和Bloom Filter的作用，等等。如果經驗更多一些，還可以把HBase和Cassandra進行比較，看看二者的設計有什么異同，Consistency和Availability各自如何取舍，Master-Slave和Master-Master相比有何優(yōu)劣。所以工作中遇到的問題、使用的工具最好多花一些時間思考和了解，平時多積累，保持虛心和對知識的渴望。
Machine Learning
機器學習這塊大致能分為兩種，一個是Theory，一個是Product/System Design。
理論部分就要靠基礎和平時積累了。除非從事過機器學習方面的研究，多看幾本教材肯定是有必要的。經典教材比如The Elementsof Statistical Learning和Pattern Recognition and Machine Learning都會很有幫助。有興趣的話Deep Learning，Probabilistic Graphical Models都是不錯的書籍。
基礎概念例如bias-variance trade-off、overfitting、gradient descent，L1/L2 regularization，Bayes Theorem，bagging/boosting，collaborative filtering，dimension reduction等等都要有所了解。簡單的公式要寫得出來，比如常見的模型例如Logistic regression，SVM最好要會loss function的推導。簡單的算法例如decision tree和K-means最好自己實現(xiàn)一下。
另外就是自己用過的模型一定要深入了解，不僅僅限于調用API，最好能夠從理論角度評價優(yōu)缺點。
機器學習產品和系統(tǒng)設計方面的話，總的來說比較依賴經驗和直覺。我自己本來不做建模和產品設計，但是有段時間維護幾個比較重要的模型，也算是有些膚淺的了解。
一些基本的設計流程需要了解。比如讓你設計一個機器學習系統(tǒng)，首先要明確目標是什么（預測/推薦/搜索），其次是具體算法的選擇（有監(jiān)督/無監(jiān)督，分類/回歸，線性模型/決策樹/神經網絡）， 然后是針對現(xiàn)有的數(shù)據如何進行特征工程選取特征，最后是如何評價模型的質量。之后還會有一些針對工程方面的優(yōu)化，比如實時的機器學習系統(tǒng)如果要滿足SLA，模型應該做些什么樣的調整。
這里再強調一次持續(xù)學習的重要性，好奇心和虛心還是很重要的。比如有的人用Spark MLlib或者XGBoost就只是簡單地調用API訓練出一個模型，但有的人就會研究為什么Stochasticgradient descent適合分布式訓練，又或者了解XGBoost和通常的GBDT有什么區(qū)別，包括對Loss Function的定義有何特別之處，為什么用到二階導，等等。
流程
電面
在集中精力準備了大約兩三周之后，我開始了整個面試流程的第一步，電面。
電面沒什么好說的，都是標準化的過程，區(qū)別是有的公司（比如LinkedIn）有一個小時，有的（Facebook，Airbnb）只有45分鐘。
因為時間緊迫，而且通常只有一次機會，所以熟練度最重要。題目類型一定要馬上識別出來并且給出思路，寫代碼的過程可以慢一點，但要和面試官說明你的意圖。如果是背答案只有死路一條，稍微問個Follow up就掛了。
另外針對機器學習的職位，有的公司會問一些基本概念，所以也不能只準備coding。
我為了提高效率，把三個電面安排在了同一天下午，每個之間隔一個小時休息。這樣的做法不一定適合所有人，好處是可以趁熱打鐵，壞處是很累而且風險很大，萬一頭沒開好后面可能會受影響。
這里想說的是集中面試雖然很累，但也會給你很多優(yōu)勢，比如有的時候能夠省去某些環(huán)節(jié)。有些硅谷的公司有一個規(guī)定，對于灣區(qū)以外的面試人要進行兩輪電面。LinkedIn和Facebook我都是一輪電面后拿到了onsite，于是我就跟Airbnb和Salesforce的HR申請能不能免掉第二輪的電面，結果兩家公司都非常爽快地同意了。
而Google作為一家大公司就更加讓我驚喜了。當時我本來已經安排了除開周三的四天面試，本來準備留出周三休息一天。沒想到就在前一周我接到一個陌生來電，沒想到是Google的HR，問我對Google有沒有興趣。我自然是受寵若驚，表示非常有興趣但下周沒有時間，問他們能否推遲到別的公司onsite之后，HR說沒問題。過了幾個小時，我又接到他們的電話，說決定讓我跳過電面，直接進行onsite，并且可以給我安排到周三。雖然預計到這樣會很累（事后證明確實如此），可這是天上掉下來的大餡餅，我沒有理由放棄，所以很高興地答應了。
Onsite & 公司印象
五家公司雖然都是互聯(lián)網/IT公司，但處于不同的領域，文化上也各有千秋。我簡單說一說自己對它們的感覺。另外雖然不算是吃貨，但作為民以食為天的中國人，自然也要對午飯進行一下評價。
我三年前去過Mountain Views的總部，這次面試我去的是Sunnyvale的辦公室，比MV要新一些。作為專注于職場社交的公司，L家的特點是端莊、大氣、職業(yè)化，內部文化也相應地非常Professional。員工的穿著都是Business casual，整體給人一種職場精英的感覺，與他們的Mission非常契合。
LinkedIn被微軟收購以后少了經濟壓力，并且保持基本完全獨立的運營，可以把重心放到更長遠的目標上，同時能夠與M家大量的資源進行整合，個人認為對L是件好事。
作為一家專注于職業(yè)發(fā)展的公司，LinkedIn自然也把自身員工的成長放在首要位置。目前包括ads relevance、feed ranking、people you may know在內的許多組都在招人，感興趣的同學可以盡快行動。
面試方面，每個Session是一個小時。Coding題目正常，不過ML方面難度不低，大家要做好足夠的準備。但其實onsite之前HR會發(fā)一封郵件，非常詳細地告訴你需要準備哪些內容：）
面試官們都很親切，有時候會給一些適當?shù)闹敢?，總的來說面試過程還是相當開心的。面完了我還驚喜地發(fā)現(xiàn)面試官中有一位本科的師兄。
L家的食堂還是一如既往地給力，中餐、西餐、印度餐菜系齊全，菜樣豐富，還搭配有很多水果、沙拉。吃完了午餐坐在Sunnyvale明媚的午后陽光中思考思考晚餐該吃什么，想來應該是一件幸福的事。
Salesforce Einstein
Einstein是Salesforce近幾年主推的明星產品，擁有一個明星團隊，擁有像RichardSocher這樣的優(yōu)秀研究員。從我了解到的情況看，由于Benioff對于團隊充分放權，Einstein團隊就像是公司內部的一個startup，文化也與公司別的部門不同。Einstein未來幾年肯定是整個公司主推的產品，Salesforce擁有的海量數(shù)據加上公司推進AI平臺的決心，可以說是前途光明。
團隊主要使用Scala，Tech stack都是Akka/Play/Spark那一套，這也是最吸引我的一點。我最初接觸到Einstein就是在17年4月的ScalaDays上聽了Matthew以Type safety in machine learning為題的演講，之后又在Spark Summit West上聽了Leah的演講。喜歡Scala的人一定不要錯過。
面試地點是在Salesforce位于Palo Alto的辦公室，是一棟三層建筑的頂樓。面試整體流程比較短，總共只有四個Session，總體側重于Data engineering和System design。另外需要注意的是coding也是要上機跑的。面試我的人中有Prediction IO的創(chuàng)始人，也讓我很激動。
團隊氛圍很輕松，吃飯的時候就像是一大家子人，互相開玩笑，VP也會坐在一起和大家胡侃。我去的那天吃得非常不錯，具體什么菜記不清了，就記得擺了一大桌子，其中魚肉很好吃。
當今業(yè)界的領頭巨人，沒啥好說的。最重要的印象就是大，去見我同學的時候騎車還騎了二十分鐘。就我所了解到的，和Facebook相比，Google整體節(jié)奏要慢一些，會做一些比較長期的項目。如果你認為自己適合慢一點的工作節(jié)奏，那么Google會是個很棒的選擇。
面試是在許多樓里的其中一棟。感覺面試官貌似都比我年輕，總體來說題目沒有很難。Coding有一道題我沒有給出正確解，但面試小哥說接近了。機器學習的部分感覺和L家問的內容差不太多。值得注意的是Google特別強調算法的復雜度，一定要能夠清楚地分析出時間和空間復雜度，能夠針對瓶頸進行優(yōu)化，這一點與別的公司不同。
中午吃飯的時候人超多，排隊也排了好久，最后還跟帶我吃飯的伊朗大哥打了一會兒乒乓。
Airbnb
這個時間點上（2017年）當之無愧的明星公司。在Snapchat已經上市但股價低迷，Uber高層動蕩的今天，Airbnb算是Unicorn里的一枝獨秀，擁有非常獨特的公司文化以及可能是硅谷最漂亮的辦公室。由于實際上處于旅游產業(yè)，所以Airbnb能夠比較順利地進入中國市場。在核心的短租業(yè)務于歐美市場初步實現(xiàn)盈利但趨于飽和的情況下，也在積極地向旅游房屋租賃的上下游進行拓展，推出了新產品“體驗”以及餐館預定服務，并在高端市場進行嘗試，這些都為Airbnb的前景增添了積極的因素。
與別的公司不同，Airbnb的coding面試要求上機，并且每個Session只有45分鐘時間，某些題目的難度也相當大，所以壓力還是不小的。System design環(huán)節(jié)還算正常，不過房間里的board很小，有點寫不開。而Airbnb獨樹一幟的cross functional面試我覺得是最享受的，基本上就在和面試官談人生談理想，全程都很放松。但Airbnb的面試流程最長，環(huán)節(jié)最多，總體感覺也是最累的。
印象中午餐選項沒有特別多，但是味道還不錯。帶我吃飯的法國小哥一聽我第二天要去Facebook面試，立刻非常興奮地告訴我他從Facebook來Airbnb的理由，并且很開心地帶我到樓里幾個著名景點轉了轉。
仍然在高速成長的巨人，在可能是硅谷最愛中國的CEO帶領下鋪展了全面的產品線，在社交網絡領域基本上處于壟斷地位，同時也在AI和VR等引領未來的領域積極投入，發(fā)展空間仍然非常廣闊。從我了解的信息看，F(xiàn)acebook注重開放的文化，同時工作節(jié)奏快。
我的面試是在樓頂有花園的海景房Building 20，也是扎克伯格辦公的地方，由于夏季水少其實看到的是一片鹽堿地。旁邊還有幾棟正在蓋的新樓，加上傳聞今年兩千多的名額，說明Facebook仍然處于擴張期。
Facebook的整個面試過程我自己感覺是最不好的，一方面是因為已經是第五場面試，整個人已經很疲勞了，另外可能是Facebook的規(guī)定，面試官都沒有對我的答案給出特別明顯的好與不好的信號，雖然我覺得自己的答案沒有錯，但也稍微有些拿不準自己的表現(xiàn)。
兩場Coding還算是正常，兩道題都在面試官的提醒下總共給出了兩種解法，有一場還問了兩道題。ML產品設計面到一半的時候已經感覺自己生病了，頭疼得厲害，最后硬撐著完成了面試。出來以后感覺不太好，以為沒戲了，沒想到最后竟然也拿到了Offer。
談工資
回來以后就陸陸續(xù)續(xù)地收到了幾家公司的Offer，雖然心里基本上有數(shù)，但說實話聽到HR祝賀的時候還是非常開心的，畢竟付出那么多努力都有了回報。
然后就是流程最后的階段，工資談判。這個階段其實重要性不亞于面試，因為它直接決定了你未來幾年對工作和生活的滿意程度。
很多人覺得自己不擅長談判，或者很多時候不好意思開口。我個人覺得求職實際上是在出售自己的時間，而時間對于一個人來說是唯一不可再生的資源，如果你自己都覺得你的時間不值錢，那么別人也不會覺得它值錢。
工資談判是個很大的話題，這里我不打算深入討論，不過這篇帖子很有幫助：https://medium.freecodecamp.org/how-not-to-bomb-your-offer-negotiation-c46bb9bc7dea
有幾點我覺得值得注意：
1. 保持職業(yè)風度。
2. 了解你的籌碼。
3. 顯示出你對團隊和項目的興趣。
4. 保持耐心和信心。
5. 態(tài)度堅定的同時要溫和。
6. 絕對不要撒謊。
Databricks
也許五次面試拿到五個Offer是一個比較理想的結果，但這樣的結果其實始于一場失敗的面試。
早在五月份的時候，我就面試過Databricks，也是我換工作面試的第一家公司。當時是Spark MLlib組的經理Xiangrui在LinkedIn上聯(lián)系我，問我有沒有興趣面試他們組。我當時受寵若驚，覺得這是個絕佳的機會。第一，我自己用Spark工作，無論是Scala還是分布式機器學習算法都對我有很大吸引力。第二，Databricks的工程師實力都是業(yè)界頂級，如果有機會跟他們一起工作一定能學到很多東西。第三，Spark正在給整個業(yè)界帶來變革，處于浪潮的最前沿也是一件讓人非常興奮的事?？紤]了幾天之后，我覺得這是個不可多得的機會，于是簡單地準備了兩天就開始了面試流程。
Databricks的水平要求相當高，整個過程包括兩道初篩題、一次電面、一道大作業(yè)以及最后的Onsite。我的感覺是僅僅是兩道初篩題難度就已經不低，應該說比其他大公司的面試更加嚴格。我前面的環(huán)節(jié)還比較順利，拿到了Onsite的機會。
Databricks目前位于三藩城內，依然是早期創(chuàng)業(yè)公司的規(guī)模，辦公室有兩層樓，其中一面可以看到海灣，風景非常不錯。
早晨和HR打過招呼后她就領我到了面試的房間。前面幾輪我感覺還算正常，題目難度算是中間偏上，面試官也都是非常的謙和。但是下午有一輪是針對機器學習算法理論，一方面自己實力不足，另一方面準備不夠充分，整個環(huán)節(jié)完全僵在那里，不知從何下手，當時就覺得自己應該拿不到Offer了。最后是和他們VP of Engineering簡單聊了聊。
回芝加哥之后幾天就收到了拒信，雖然也是預料之中的結果，不過還是郁悶了好幾天。雖然沒有機會到Databricks工作，但我相信以現(xiàn)在Spark在整個業(yè)界的影響力以及Databricks整個團隊的實力，他們一定能創(chuàng)造出更大的成功。
總結
1、人生很短，職業(yè)生涯更短。該跳的時候就要果斷跳。
2、 集中面試很累，但也會給你很大優(yōu)勢。
3、面試不僅僅是個找工作的過程，更是個交朋友的機會。硅谷圈子就那么大。
4、平時有機會也要多交朋友，比如開會就是個很棒的機會。Databricks、Salesforce、Airbnb的面試機會都源于我去過的Spark Summit和Scala Days。
5、拿到Offer僅僅代表你達到了公司的最低標準。最高標準肯定是沒有的，所以時刻保持虛心和進取心。
從五月初份面試第一家公司到九月末接受Offer，終于完成了職業(yè)生涯中第一次跳槽。回過頭看看，準備面試的過程還是很辛苦的，有一段時間每天晚上都是準備到一點才睡，第二天早晨又要100%投入地上班，確實對身心都是一種考驗。
最終能拿到這樣多的工作機會實在是很幸運，畢竟任何一家公司都是無數(shù)人的dream company。
感謝在這個過程中所有幫助過我給過我建議的朋友。感謝所有給我面試機會和Offer的公司，跟我一直聯(lián)系的HR，以及每個抽出寶貴時間和我聊天的人。
最后也是最重要的，感謝一直默默支持我的家人們——看著我一步步成長的父母，全職工作、努力帶娃、愿意放我一個人出去浪的妻子，還有，每天都給我暖心微笑的女兒。你們是我努力的動力。
— 完 —
聯(lián)系客服
