在准备字节跳动和PayPal的ML方向后端岗位面试时，我发现了一个非常有趣的现象：中国人和印度人在ML后端SDE角色上的理解存在明显差异。
在中国这边，面试官更看重候选人对于底层问题的理解和学习能力。比如，一位在Google Waymo工作的中国面试官在指导我LLM项目时，明确建议我尽量不要依赖LangChain这类现成框架，而是自己动手搭建底层流程，这样才能真正掌握LLM系统的结构与原理。
而在PayPal的面试中，我遇到的MLE（印度背景）则完全不同。她甚至没有读过《Attention Is All You Need》，面试中关注的主要是如何使用LangChain搭建应用，对于底层理解并不做硬性要求，更强调快速集成与实际应用能力。
类似的区别也体现在课堂上。我的老师Professor Mina Ghashami（印度背景，曾在Stanford任教，目前在Amazon AWS做Applied Scientist）在指导我们的final project时，也建议我们优先使用现成的ML库（如PyTorch等），不要花太多时间在底层算法的“手搓”上。她的出发点是，让学生们更高效地掌握工具、积累项目经验，而不是在底层实现上耗费过多精力。
而我自己的倾向是，希望在项目中自己动手实现一个ML算法并应用到实际问题中。我始终认为，能够使用别人写好的算法固然重要，但真正理解和实现算法的人，才更稀缺、更有竞争力。
总而言之，这种文化差异很有意思： 中国：强调底层理解和系统性掌握。印度：更注重工具使用和项目落地。
这种不同也让我开始重新思考：在不同环境下，"深度 vs. 快速应用"，到底该如何平衡。
在中国这边，面试官更看重候选人对于底层问题的理解和学习能力。比如，一位在Google Waymo工作的中国面试官在指导我LLM项目时，明确建议我尽量不要依赖LangChain这类现成框架，而是自己动手搭建底层流程，这样才能真正掌握LLM系统的结构与原理。
而在PayPal的面试中，我遇到的MLE（印度背景）则完全不同。她甚至没有读过《Attention Is All You Need》，面试中关注的主要是如何使用LangChain搭建应用，对于底层理解并不做硬性要求，更强调快速集成与实际应用能力。
类似的区别也体现在课堂上。我的老师Professor Mina Ghashami（印度背景，曾在Stanford任教，目前在Amazon AWS做Applied Scientist）在指导我们的final project时，也建议我们优先使用现成的ML库（如PyTorch等），不要花太多时间在底层算法的“手搓”上。她的出发点是，让学生们更高效地掌握工具、积累项目经验，而不是在底层实现上耗费过多精力。
而我自己的倾向是，希望在项目中自己动手实现一个ML算法并应用到实际问题中。我始终认为，能够使用别人写好的算法固然重要，但真正理解和实现算法的人，才更稀缺、更有竞争力。
总而言之，这种文化差异很有意思： 中国：强调底层理解和系统性掌握。印度：更注重工具使用和项目落地。
这种不同也让我开始重新思考：在不同环境下，"深度 vs. 快速应用"，到底该如何平衡。
展开
6
6