AI数据工程开发

优缺点分析

角色解读

• 技术专家路线：在AI平台架构、数据智能领域持续深耕，成为公司内该方向的技术权威
• 技术管理路线：凭借出色的业务理解与架构能力，带领团队负责更大范围的平台建设与业务赋能
• 设计和开发支撑云采购供应链的AI数据与智能应用平台，使业务数据能被AI Agent高效理解和消费
• 构建包括数据建模、API服务、Workflow编排在内的平台化能力，推动AI应用的标准化和规模化落地
• 深入理解供应链业务（如库存、风险分析），将复杂的业务需求转化为稳定、可扩展的技术方案
• 扎实的后端工程能力，精通Python、SQL、微服务架构（API、消息队列、缓存、服务治理）
• 大模型应用开发实战经验，熟悉Agent、RAG、工具调用等技术的设计与实现
• 强大的复杂系统问题定位与稳定性治理能力，能应对AI模型与工程系统交织的挑战
• 良好的业务抽象与沟通能力，能够连接业务团队与技术平台，独立推动项目

申请策略

• 在简历或面试中，主动阐述你对“如何让数据更好地服务于AI”这一问题的思考
• 研究腾讯云的产品以及供应链相关的行业动态，以便在面试中展现你的主动性和业务视角
• 重点突出Python/Go后端开发经验，以及参与或主导的复杂平台系统设计案例
• 详细描述大模型应用项目经历，具体说明采用了哪些技术（如RAG、Agent编排）并达成了什么业务效果
• 强调与业务方（如供应链、采购团队）协作，将需求转化为技术解决方案的经验
• 列出对AI编程工具（如GitHub Copilot等）的熟练使用情况，体现研发效率提升意识
• 系统学习或复习Agent架构、RAG最佳实践、大模型工程化部署与监控等知识
• 加强对云原生、微服务治理（如服务网格）、可观测性等平台工程能力的了解

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化描述项目经历，突出技术决策和量化成果
• 对于架构设计类问题，先阐述核心目标（如稳定性、可扩展性），再拆解为具体的模块或组件设计（如任务队列、状态机、监控告警），并解释权衡
• 对于业务理解类问题，强调你如何通过沟通、数据分析来澄清需求，并转化为平台化的能力设计
• 请介绍一个你参与过的最复杂的后端平台或AI应用项目，你在其中的角色、遇到的最大技术挑战及解决方案？
• 你如何为AI Agent（如使用LLM+工具调用）设计一个稳定、可观测的执行平台？有哪些关键考虑点？
• 如何保证供应链业务数据在被AI模型消费时的准确性和一致性？你会设计怎样的数据模型或服务？
• 当AI模型调用、工具执行和异步任务都可能出现故障时，你会如何设计系统的稳定性和排查机制？
• 你如何与业务团队（如采购、运营）沟通，将一个模糊的业务需求（如‘提升库存分析效率’）转化为可落地的技术方案？