研究型实习生 - 基于人工智能的数据库自动调优方案研究

优缺点分析

角色解读

• 纵向可成长为数据库内核与AI交叉领域的资深技术专家或研究员
• 横向可向AI基础设施、智能运维（AIOps）或大模型应用架构师方向发展
• 研发基于大语言模型（LLM）的数据库智能调优工具，实现自动计划标注、表结构优化等功能
• 设计并实现基于历史SQL数据的LLM训练方案，构建持续在线学习机制
• 开发智能优化评估工具，验证和衡量调优方案的实际效果
• 扎实的编程基础，熟练掌握Python和C++，具备复杂系统开发能力
• 深入理解大语言模型（LLM）技术栈，包括模型训练、推理优化及Agent/RAG应用
• 熟悉数据库内核原理，了解数据库底层运行机制与性能调优方法

申请策略

• 提前了解阿里云数据库（如PolarDB, AnalyticDB）或达摩院在AI4DB方向的最新研究成果和开源项目
• 突出在数据库内核、性能调优或大模型训练/推理方面的相关项目或科研经历
• 展示使用Python/C++开发复杂系统的经验，特别是涉及Agent或RAG技术的落地案例
• 若有顶会论文（如SIGMOD, VLDB, ICDE或AI相关会议）发表，务必重点展示
• 深入学习LLM在垂直领域的应用，特别是Agent和RAG架构的设计与优化
• 阅读并复现数据库自动调优（如Learned Index, Learned Optimizer）相关的经典论文

面试指南

• 采用STAR法则（情境、任务、行动、结果）结构化回答项目经验，突出技术深度和最终收益
• 对于系统设计问题，采用“背景分析-核心模块设计-技术选型-难点攻克-评估指标”的框架进行阐述
• 请介绍你过往在数据库内核开发或大模型应用方面的一个核心项目，遇到了什么技术难点？
• 如何利用Agent和RAG技术来实现数据库的自动计划标注和表结构优化？请描述你的设计思路
• 在设计基于历史SQL数据的LLM训练方案时，如何处理数据质量问题和模型幻觉？
• 数据库内核中，查询优化器的基本原理是什么？传统优化器与基于学习的优化器有何区别？
• 复习数据库系统原理（特别是查询优化、索引、事务）及大模型微调、推理加速的核心知识
• 准备1-2个自己主导的复杂系统开发案例，能够清晰画出架构图并解释核心设计决策