好多朋友问我在美国做MLE到底是啥体验，今天摸鱼写一篇，把typical day、技术栈、还有感受都掏出来聊聊。
我的节奏基本跟着项目和on-call走，但大概可以拆成这样：早上到公司第一件事不是写代码，是看Dashboard。我们用的Grafana + Datadog，先扫一遍所有线上模型的关键指标，系统层面得盯prediction latency有没有飙，我们某个推荐模型的P99要求是100ms以内，干到200ms那就是P0事故；模型层面得看prediction distribution稳不稳。
10点左右如果一切正常，就开始干Code Review。我们组任何代码合并都得至少俩人点头。11点daily stand-up，每人快速过一遍昨天干了啥、今天打算干啥、有没有blocker，15分钟搞定，需要深聊的会后再拉小会。
下午是我的deep work时间，戴降噪耳机埋头搞项目。先去Data Lake里扒数据，用SQL或Spark写query探一下原始log长啥样、数据质量咋样、有没有missing value。然后开始写特征处理pipeline，用Python + PySpark把用户行为序列转成定长向量。
特征搞定就开始训模型。我们会有个baseline，得证明新模型离线指标有明显提升。用PyTorch提交training job到Kubernetes集群，大模型可能得好几个GPU跑十几个小时。所有实验用MLflow或W&B跟踪，不然几周后你根本记不清那个神级模型是咋训出来的。训完看报告，这些分析能告诉下一步该往哪使劲。
5点左右开始看A/B测试结果。跟DS一起撸实验数据，算p-value，看离线指标的提升有没有转化成点击率、转化率、停留时长的上涨。很多时候离线看着很美的模型，上线一测啥也不是，甚至反向优化。这时候就得硬着头皮分析，虽然虐，但也正是这行的魅力所在。
6点以后没啥急事的话，会花点时间读paper。刷刷arXiv，看看NeurIPS、ICML上新出的架构。
想当MLE，工具链基本是SWE+DS的合体：Python是命，NumPy、Pandas、Scikit-learn得玩溜；深度学习框架PyTorch现在是主流，但很多老项目还在用TensorFlow，最好都懂点；Docker + K8s必须会，打包模型、写deployment.yaml都是日常；云平台AWS/GCP/Azure至少熟一个，S3、EC2、SageMaker这些经常用；Spark处理大数据，Airflow或Kubeflow串pipeline，MLflow或W&B管实验。
