Data Engineering - AI Platform Engineer

优缺点分析

角色解读

• 从AI平台工程师晋升为高级工程师或技术专家，深入AI与数据融合领域
• 可向数据架构师或AI架构师方向发展，负责整体技术方案设计
• 在金融科技领域积累行业经验，未来转向金融行业的技术管理岗位
• 构建智能体AI解决方案，自动化投资绩效和研究的日常数据操作
• 设计和维护数据平台的核心服务，包括安全控制、可观测性和CI/CD管道
• 与架构师协作，定义可扩展的设计，并确保平台满足企业合规要求
• 参与值班和事件管理，解决生产问题，保障平台稳定性
• 精通Python和Java编程，具备扎实的编码能力
• 熟悉Snowflake和Databricks等数据平台，了解大数据处理和优化
• 掌握AI技术栈，包括智能体框架、RAG、知识图谱等
• 具备云环境（AWS/GCP/Azure）生产级服务经验，熟悉容器和Kubernetes

申请策略

• 在求职信中表达对金融行业和数据智能化的兴趣，展示对道富公司的了解
• 提前准备系统设计案例，尤其是处理大规模数据管道的场景
• 突出AI和数据处理项目经验，尤其是智能体、RAG或知识图谱相关
• 强调Snowflake、Databricks和云平台（AWS/GCP）的实际使用成果
• 展示CI/CD、Kubernetes和分布式系统方面的工程实践
• 如果有金融行业背景或数据平台相关项目，务必提及
• 补强AI智能体开发能力，学习主流框架如LangChain、AutoGPT等
• 深入掌握Snowflake和Databricks的高级特性，尤其是性能优化

面试指南

• 对于系统设计题，从需求分析、架构选型、组件设计、扩展性、安全性和可观测性几个方面展开
• 对于技术深挖题，结合具体项目经验，讲述背景、挑战、方案和效果，最后总结学到的经验
• 请描述你构建过的智能体AI系统，如何设计它的架构？
• 如何优化Snowflake中的复杂查询性能？
• 在云平台上设计一个高可用的数据管道，你会考虑哪些因素？
• 你如何处理生产环境中的突发事件？请举例说明
• 解释RAG（检索增强生成）的工作原理及其在数据自动化中的应用
• 复习AI智能体相关技术，包括MCP、工作流编排、记忆机制等