汇丰
Consultant Specialist
Consultant Specialist
发布于 大约 2 个月前普通员工/个人贡献者
广州市 / 西安市
高级经验
全职员工
混合式弹性办公
学历未注明
信息技术与基础设施
AI/ML
LLM
BigQuery
CI/CD
Agentic Engineering
AI 估算 · 25k–40k
外资银行资深技术专家岗位，广州/西安薪资略低于一线城市，但技术栈前沿，综合月薪2.5-4万合理。
职位详情
关于这个职位
该职位是汇丰银行CTO数据技术部门的技术专家岗位，负责领导数据平台即服务（DPaaS）的解决方案设计与评审，推动工程卓越（CI/CD、自动化测试、代码质量等），并指导工程师团队
您需要深入掌握云原生技术栈和开源组件，关注AI/ML技术演进，将生成式AI等智能化手段嵌入数据与工程工作流，助力开发者生产力提升
适合有5年以上数据工程经验、乐于通过实践引领团队的技术大牛
最低要求
要胜任该职位，您需满足以下要求：
年以上相关技术经验
深厚的数据平台服务实施专业知识，具备良好的团队合作、信息收集与分析、判断决策及沟通能力
在全球范围内拥有扎实的数据技术交付记录，并能清晰阐述关键技术趋势（如数据与AI）及监管要求（如数据隐私与本地化）在HSBC的语境
数据工程（Python, Dataflow, Pub/Sub, BigQuery, Hadoop, NiFi/Kafka, RDBMS）与开源栈、Cloud SQL
云原生技术、Git, Jenkins, Airflow, Pub/Sub/Kafka, CI/CD 方面的深度知识
具备Agentic Engineering与LLM服务的实际经验，包括部署/使用端点
具有IT自动化工具和DevSecOps实践与技术的经验
工作职责
在该职位中，您将：
领导数据平台即服务的解决方案设计与评审
在韧性、性能、成本和上市时间之间做出明确权衡
推动工程卓越：CI/CD、自动化测试、代码质量和发布治理
以身作则（而非管理）：通过日常行动引导工程师/团队解决复杂性并提高工程标准
拥有强大的工程基础，秉持持续改进和开源优先的思维
愿意为问题学习最佳工具/语言
为云原生技术栈和开源栈上的数据摄取、转换和服务定义参考架构和可复用模式
现代交付与运营经验：端到端所有权、持续交付/DevOps实践以及运营指标（如DORA）的使用
广泛的工程经验，涵盖平台/基础设施/功能即服务，并实践敏捷价值观交付
关注AI/ML技术演进：紧跟应用AI（包括生成式AI）的发展，识别将AI嵌入数据和工程工作流的实际机会（例如智能自动化、改进可观测性、开发者生产力），同时保持工程质量
AI 洞察
优缺点分析
优点
- 汇丰作为全球顶级银行，平台稳定，技术投入大，能接触到海量金融数据和复杂场景
- 职位技术栈前沿，涵盖云原生、大数据、AI/ML，对个人技术成长非常有帮助
- 混合办公模式提供一定灵活性，工作生活平衡相对较好
- 作为IC角色要求极强的自驱力和技术深度，需要持续学习最新技术
- 金融行业对数据安全、合规要求极高，开发流程可能比互联网公司更严格
- 虽然混合办公，但可能仍需要出差或定期到办公室，对于远程偏好者有限制
- 适合有5年以上数据工程经验、热爱技术深耕、喜欢用开源和云原生方案解决复杂问题，并希望在一家稳定大平台持续成长的技术专家
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深发展：成为数据平台架构师或首席工程师，主导企业级数据战略
- 跨技术领域拓展：结合AI与数据工程，转型为AI平台架构师或MLOps专家
- 管理路径：虽然当前为IC角色，但可通过技术影响力逐步过渡到技术经理或总监
- 负责数据平台即服务（DPaaS）的架构设计与评审，确保解决方案在韧性、性能、成本和市场时间之间取得平衡
- 推动工程卓越实践，包括CI/CD流水线、自动化测试、代码质量标准和发布治理，并通过 coding 和设计评审直接参与
- 关注AI/ML技术趋势，识别并实施生成式AI等智能化工具来提升数据工程和开发者生产力
- 深厚的数据工程技术栈：Python、GCP（Dataflow、BigQuery、Pub/Sub）、Hadoop、Kafka、Airflow等
- 丰富的云原生和DevOps经验：Git、Jenkins、CI/CD、Docker、Kubernetes等
- AI/ML实践能力：掌握Agentic Engineering和LLM服务部署，能将AI融入工程流程
申请策略
- 了解汇丰的数据技术战略方向（如数字化转型、AI赋能），在面试中体现对金融行业技术趋势的洞见
- 准备一个你主导的复杂数据工程难题解决案例，展示技术深度和决策权衡能力
- 突出数据平台架构经验，尤其是DPaaS或类似云原生数据平台的端到端设计案例
- 强调CI/CD、DevOps实践成果，如具体提升部署频率或降低故障率的量化指标
- 展示AI/ML落地项目，如使用LLM优化数据处理流程、智能监控等
- 如果GCP经验不足，可快速补充公有云数据服务（如BigQuery、Dataflow）的实操
- 加强Agentic Engineering和LLM API调用能力，准备相关demo或POC经验
面试指南
- 对于架构类问题，采用STAR法则：情景-任务-行动-结果，突出权衡决策过程
- 对于AI落地问题，使用评估框架：业务价值→技术可行性→风险控制→渐进式实施
- 对于团队影响问题，强调以教促学、代码审查、知识分享等具体行为
- 描述一次你设计数据平台架构的经历，如何权衡性能、成本和可扩展性？
- 你在CI/CD实践中遇到过哪些挑战？如何让团队采纳持续交付文化？
- 如何评估一项新技术（如生成式AI）是否适合引入到当前数据工程流程中？
- 请举例说明你如何通过技术指导提升团队成员的能力
- 在金融监管环境下，数据隐私和本地化要求如何影响你的数据架构设计？
职位点评
72
综合评分
外资大行数据技术专家，前沿技术栈、混合办公、发展性强，薪资福利未明确但稳定。
更适合这类人
最适合追求技术深度和持续学习、看重专业成长的求职者。
表现最好
成长发展
相对薄弱
使命价值
薪资福利70
成长发展85
工作生活70
使命价值65
薪资福利
70中等
薪资未披露但可预期合理；福利未明确提及，但外资大行通常提供五险一金等标准福利，稳定性高。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
85较高
职位涉及前沿技术（AI/ML、云原生），成长空间大，JD明确提到持续专业发展，但未强调晋升路径。
技术前沿前沿/新兴技术
技术栈Python、GCP、BigQuery、Kafka、AI/ML、LLM、Agentic Engineering
成长机会continuous professional development
业务类型ambiguous
工作生活
70中等
混合工作模式提供一定灵活性，JD提及灵活工作，但未明确远程天数，办公地点可能位于科技园。
工作模式混合式弹性办公
办公地点未明确
加班情况未提及（无法判断）
工作生活平衡flexible working
使命价值
65中等
金融行业稳定成熟，社会影响力中性；技术层面积极采用新技术，但非开创性创新。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs