这个就照着申请回忆录的格式写的。
北美CS找工作所需要准备的所有东西：
- 个人信息、CV、实习经历
- 投递公司list与投递策略
- 口语（偏tech）
- 刷题，coding
- Behavioral question
- System design
- 八股文（CS/ML），数学题
- 面试slide
- Compete Strategy
面试流程是：
- 投简历，海投或者内推
- （有些公司没有）oa，online assessment，发个链接做完
- 电面，phone screen，一轮或者两轮
- vo，virtual onsite（由于疫情，现在都是virtual）
- hr call，谈package / compete
- 签offer
除了最后一步之外，剩下的每一步都会挂。于是就有一些黑话比如挂了1叫简历拒，挂2叫白嫖oa，…
Timeline也很重要，早投简历意味着机会更多，不过还是有春招可以捞。不过作为ng (new grad) 如果追求TC（total compensation，总包）大小的话，还是有一些可以操作的空间的。
为了方便，1/2/3代表10w/20w/30w，单位为$；通常现在（2022）毕业的master拿到的TC在1到2，顶包差不多3。这篇文章的目的就是对于Master ng而言，3是可以操作的。
数下来一共投了快100个公司，最后拿了一个5，三个3，好多2就不列了。拿offer比例差不多10%，面试比例差不多40%，OA比例不想数。面试有些到后面都不想面了就直接和对面说不想面，不然应该offer比例会更高。
背景提升
第一步先写个CV看看有啥能提升的空间。反向思考下：假如你是HR，在看这个简历的时候都会注意哪些？学校/GPA？过线就行。diversity？改不了。experience？skill set？
HR可能不是很了解，那么hiring manager (hm) 呢？project？experience？是否和当前自己在做的项目match，以及还得考虑培养新人的时间：如果特别不match的话，招进来还得培养个半年一年的，得不偿失，还不如直接找一个senior。
言外之意就是如果在master ng的时候能有类似senior的能力，那么找工作会轻松很多。而这个能力其实并不需要用时间来堆起来
实习与项目
大家都说去大厂实习对于背景提升十分有帮助，之后能够大大增加过简历的概率。
我不这么认为。至少对于我而言。有这么几个原因：
首先我自己是做RL的，大厂实习只会对于general SDE有帮助，因为北美这边intern除非是去Google brain / FAIR之类的对我而言才有帮助，但是众所周知，通常只招phd，bar高，并且hc稀少，我也不认识什么人有什么connection，再加上COVID带来的hiring freeze…你懂得
其次由于COVID的原因我虽然有个fb的intern offer也到不了美国本土实习，后面被取消了
然后最关键的一点原因是，我不觉得大厂intern project能够有多大的scope，产生多大的impact，并且学习到什么新的东西，对于我有正面的提升（比如在cv里面加分之类的）。所以当SAIL说有坑搞RL的时候我觉得挺好的就去了
如何差异化
盲目地卷几段实习、GPA多高、paper有多少、学校项目有多好之类的其实怎么说呢……边际收益太低了，人太多。有没有别的赛道能work-life-balance地卷过这些人？
苏老师之前说过一件事情：“CS的核心竞争力有三个会被重点考虑：1. paper；2. 比赛名次；3. github repo 三位数star”
我一直记着这句话。提炼一下就是如何拥有和表现自己的核心竞争力。我在大四的时候就选择了点github科技树，有这么几个理由：
- github能够较为公正地展现自己以往经历，以及社区的一些反馈，所有内容所有人都可见
- 人少，没什么人在卷github profile
- 运营开源项目既能够锻炼自己的代码工程能力，又能锻炼自己的交流能力（虽然都是书面的），而这些都是工作所真实需要的（感觉这个是master拿L4的必要条件之一）
- 也是最重要的一点，我想通过开源来实现自己的impact和人生价值，为社区做出自己微小的贡献
至于别的：
- GPA对于我而言并不是那么重要，过线就行，不像本科的时候占很多机会的几乎决定性因素；以及如果排除了GPA的干扰的话，自己在学校能够放下包袱去学一些真正有用、有意思的课程与知识
- Paper也不是那么重要，因为反正都是之后找工作，不找教职，不读phd，而且我已经有paper了；我自己并不想做Research Scientist，觉得Research Engineer更适合我
- 实习也不是那么重要，重要的是自己在实习的时候做了什么project，有什么impact，能不能对github profile有正向的贡献（现在看来SAIL完美符合了这几点）
于是就可以在CV上面写上比如“我在GitHub上面有1.8k followers”并且加粗，以及“这个项目有超过4k+的star”之类的语句，能够吸引hiring manager的眼球（事实也确实如此）。
不过这么做也是有风险的：有的HR可能不懂行，并不会意识到GitHub这个维度的重要性；有的HR习惯了采用先看学校和skill set的模式然后跳过其他关键字来初筛（比如简历份数巨多无比（成百上千）的时候），这种简历就会被漏掉。
为了对冲这个风险，采取的策略也很简单：多投。假设上面的事件发生的概率是个常数，那么只要增大base event的数目就不是什么问题。
投简历
简历投的时间如果好的话能够极大概率增加面试和offer的机会。正常来讲，秋招的时候投简历的最好的时间是暑假，而不是9-10月——因为这个时候人太多了。春招也是类似的情况。在刚开的时候没什么人，HR的bar也就是刚初始化的，还没对新的data point作出相应调整，因此相对而言会容易不少。
但是我傻逼了，到很后面（11月）才意识到这件事情的重要性。我在8月底9月初的时候消极投简历，一共就投了不到15份，想着反正能去SAIL躺着也还行。但是美帝毕竟是美帝，资本主义头号强国这个title并不是吹出来的，后面和别人约饭的时候见识到了什么叫做master ng上3（而且还是有两个3的offer）然后就开始怀疑人生，寻思着自己背景条件也不差，但是拿的这个小package和别人比就是完全没啥好比的，直接被碾压。
不过还好有春招能捞，并且有些岗位是常年都招人的，并且后COVID时代找工形式要远远好于COVID的时候，并且面试都是virtual，所以可以放开了随便投。12月刚好打了booster然后躺了好几天啥都做不了，每天只能投简历，投了一共一周快一百个公司，每个公司投多个，看到有一点match的就投（因为我当时也不知道真实的找工形式是怎么样的），一共投了两三百份。
海投 or Refer?
我之前以为refer对于拿面试而言很重要，能增大概率。但是现在马后炮来看的话，结论并不是这样的
12月这周我采取的策略是海投，几乎没有任何refer（就1个citadel）。当时想着先广撒网，放低身段看看到底能钓上来什么鱼。并且还有个原因是上3同学的十几个offer并没有和refer有相关性，相关系数几乎=0
于是后面一周就直接爆炸了：
或许前提是CV比较好才能这样不靠refer随便海投？
找什么样的公司
个人比较懒，对着上3的那位同学的list海投了一遍，以至于等到发面试的时候才去看 这到底是啥公司
首先我在投的时候手里已经有google和octoml（compete前的初始包）的offer，个人感觉如果只有这俩的话肯定去octoml毕竟scope大、成长快、做开源、想象空间大。所以后面接面试的时候我会先问自己：如果这家公司给了你offer，和octoml相比你会考虑谁？如果这个问题都过不去的话我会直接不接面试（当然前提是面试太多了应付不过来……哪怕当时在放寒假，面试其实真的挺累的），除非他们家的onsite时间真的特别短比如就只要两小时（Cerebras就是这样……本来我都想直接拒面试了）
其次如果想有compete offer突破常规master ng tc的话得不走寻常路：量化。众所周知quant给钱多但是wlb不太行，虽然我是做RL的但是RL用在quant上面还是一个待研究的课题，所以实际上和我并不是很匹配。我的策略是，如果量化公司给我offer，我应该也不会接，只是专门用来compete tech pkg用，除非真的很match比如幻方搞AI Lab做RL。
量化还有一些讲究就是国内量化还是国外量化。一般而言国内量化能给20几到20大几（换算$之后的），和这边tech差不多，并且面试难度要比北美难不少，更灵活，啥都问，对于锻炼自己的面试水平还是有很大帮助的，想象空间也很大（据说国内只有20%的交易是自动化的但是美股是90%+），唯一的concern是政策监管的问题。国外的话市场成熟，但是很多量化公司都在Chicago，而且如果作为一个SWE进去的话上限也没那么高，也不搞RL，所以就不是那么喜欢。
Compete的话也得看成功概率，比如用国外量化compete国外tech的话多半不会成功，因为给的太多了；国内量化compete国外tech的话还是在合理范围内的，就看国外公司认不认。我自己的dp是octoml从初始的中1用国内量化大2 compete到了小2，tiktok用国内量化小3直接开到了3（当然后面又涨了一轮）。
其次除了钱之外还得找自己感兴趣的职位，不然的话没法做到可持续性竭泽而渔（当然前提是有保底选择）。我最后分类可以大概分成：
- 大厂（随波逐流，当普通人）
- AI研究院（搞RL）
- 各种ml startup与unicorn（看有没有财富自由的机会）
- 车厂（搞RL）
- Quant（国内搞RL）
面试
首先由于COVID的缘故，本来要飞到公司面试（onsite）的环境统统变成了线上面试（virtual onsite），于是就可以在家各种面。不知道之后还会不会接着这样virtual
面试时间最好不要差太多，不然的话可能一家发了offer另一家才开始面，而且大部分offer是有deadline的，有些患得患失的人（比如之前的我）就很在意要不要现在就接了。拖面试也很好操作，HR预约时间选最后一个时间然后到时候装死reschedule。不过也有风险：万一headcount没了就真没了
我是把大部分面试都放在寒假……好处是可以专门面试，坏处就是机会没秋招第一波多。
刷题
这个我没啥好提供经验的因为我高中搞信息学竞赛，做这些题个人感觉……掉智商
不过有同学问我题咋做的时候我都会回复的，到他们懂了为止，毕竟能帮一个是一个。还会手把手教刷题做模拟oa，交换条件就是包一顿饭。卖艺了属于是
BQ: Behavioral questions
情商小测试。主要考察口语以及编故事能力。
对着 https://sugarac.gitbooks.io/high-frequency-interview-questions-and-answers/content/bq-by-xiao-tu-dao.html 里面的Interview Preparation Grid写了个自己的表格，感觉确实挺管用（虽然真正bq的时候几乎没看，都是现编一个scenario）
讲个笑话：9月份fb ng sde面试的时候我挂在了bq（没人会挂的我挂了），毕竟第一次bq嘛……情有可原。对面原话是：“没事你之后还会经历很多次bq的”。后面2月FAIR面了我两轮的bq来洗刷黑历史，我觉得我答bq的效果要远比其他场面试来得好，也算是一雪前耻了
Update: 上3同学推荐亚麻BQ准备手册：https://www.youtube.com/c/DanCroitor/videos
System Design
有些onsite会做一些system design的题，但是对于ng而言又不是那么正统的system design，比如随便propose一个问题叫你如何分析、如何收集数据、如何写一些伪代码来描述主要算法，可能的瓶颈在哪里之类的。比如某onsite会赶人走的北美quant公司考了个设计摩拜单车的公司初始运营策略。（ps. 他们家衣服质量真好）
反正就是瞎扯淡，扯到对面满意为止，如果扯不出来对面也会提醒的，毕竟还是得照顾一下ng。
正常的system design还是得看ddia，但愿这学期结束能看完。
其他
亚麻的AS考ML八股文，传统ML，我不会并且不想准备，于是面试的时候直接开摆，理所当然地挂了。因为我当时想法是，我去Seattle的时候见识了一堆的AS然后他们纷纷表示羡慕国内量化…… 我：？
Quant通常会考数学题，国内国外都是，然后还专门准备了一番。主要是随机过程那方面的，技巧也很简单，只要能枚举一点点然后找规律写公式就好了。
Quant以及其他一些公司还会考CS八股文，比如底层OS，我忘光了，只好现编但是多半是错的。为了弥补短板，最后一学期选了cmu的os来上，防止之后如果有人问这方面问题答不上来暴露自己真(cai)实(ji)水平。
Research Lab偶尔会按照phd要求进行面试，比如MSR第一轮是先一个小时的自我工作介绍，还好我有project和paper可以撑得过去。
有些onsite最后是HR面，我都是如实回答问题。我觉得应该真的会HR面挂人但是好像并没有……
谈offer
我列了很多metrics来衡量一个offer的优劣：钱&税、地点、安全系数、工作方向、个人成长、身份、升职间隔、公司盈利模式与股票上限、工作时间、午休、工作环境与氛围、绩效考核、开源项目、生活成本、天气、吃喝玩乐。还考虑了父母但是家里说你这才ng呢先不用管我们，所以就没写进去。行吧。
新加坡其实挺好的，税差不多全球最低，缺点是：没啥玩的地方毕竟地方太小、都是夏天、跳槽几乎没有其他选择、给的比北美少。为了长远的职业发展考虑还是北美这边相对好一些
国内量化其实也挺好的，幻方钱多离家近并且做RL，杭州吃喝玩乐也挺多的，不考虑买房的话国内170w的购买力其实抵得上北美快50w刀的购买力了。缺点是政策稳定性和职业发展受限，之后多半只能搞quant相关的行业了……以及国内工作环境，你懂得
北美大厂SDE不想考虑……自己不想变成CRUD boy荒废人生，与其做着CRUD的事情，倒不如花点心思想想有什么新的场景，开辟下新的赛道能让其他人去CRUD
北美大厂的MLE比如tiktok和pinterest看起来还行，但是并不是十分match我
北美startup/unicorn的MLE比如OctoML和Cerebras主要搞ML compiler的事情，虽然不是很match我但是可以学学，并且想象空间要比大厂大
我最后还是认为AI Research Lab的Research Engineer最适合我。如果不看钱的话，FAIR > Nvidia Research | OpenAI > MSR，因为FAIR搞开源特多并且面试的时候问了下说维护开源项目算作personal impact，也就是可以被用于升职。牌子也很好，田渊栋老师之前也做过很多有影响力的工作，能学到不少东西。
Compete 策略
我的大方向是用量化先compete tech，只要有一个能接受就相当于开了个口子，然后再用这个compete过的tech offer去compete别的tech，这样认可度和成功率都会高一些。
上3同学：“我还以为大家都看过这个：https://www.1point3acres.com/bbs/thread-464079-1-1.html ”
不过到中后期都是直接发其他家的offer letter过去然后说我没有一个确定的心里价位，你看着给
Read More