阿里巴巴
AI Native数据计算引擎：原子化智能算子、DAG 编排与混合查询优化-阿里星/A Star
AI Native数据计算引擎：原子化智能算子、DAG 编排与混合查询优化-阿里星/A Star
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公数据工程
数据工程
Go
Rag
分布式系统
大模型
数据库内核
查询优化
Dag编排
值不值得投
82综合评分
综合评分 82
阿里星顶尖校招、前沿AI Infra技术栈、薪资极具竞争力，技术挑战大且成长空间广阔。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
5万
比数据工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3030 个在招 · 其中数据工程 50 个
市场机会
选择面较广
杭州 · 数据工程 · 93 个在招
职位详情
关于这个职位
该职位隶属于阿里云Hologres团队，致力于构建面向AI Native时代的新一代数据计算引擎
你将参与设计原子化智能算子与DAG编排机制，打通传统数据处理与AI推理的混合执行，探索数据计算的新范式
最低要求
计算机、软件工程、人工智能、数据科学等相关专业优先
具备扎实的计算机基础，熟悉数据结构、算法、操作系统、分布式系统、数据库系统等基础知识
对数据库、查询优化、分布式计算、大数据系统、湖仓一体、向量检索、机器学习系统或大模型应用有浓厚兴趣
具备优秀的工程能力，熟悉 C++、Java、Go、Python 等至少一种编程语言
对 AI Native 数据基础设施、Agent、RAG、多模态检索、模型推理优化等方向有探索热情
具备较强的问题抽象能力、系统性思考能力和自驱力，愿意挑战开放性、前沿性技术问题
工作职责
参与 AI Native 数据计算引擎核心能力建设，探索传统关系计算、语义推理、多模态检索和 Agentic 执行的一体化架构
设计原子化智能算子体系，支持语义过滤、知识抽取、语义 Join、智能聚合、结果校验、置信度判断等 AI Native 数据处理能力
构建智能算子的工程化 harness，支持多模型适配、prompt 管理、工具调用、评测回归、失败恢复和效果持续优化
研究复杂 AI 任务的 DAG 编排机制，实现任务拆解、依赖分析、并行执行、中间结果复用、异常恢复和可观测执行
探索智能算子与 Scan、Filter、Join、Aggregate、Index Scan、Vector Search 等传统数据算子的混合执行与联合优化
建设面向 Agentic DAG 和混合查询的成本模型与优化器，在延迟、吞吐、资源成本、模型质量、置信度和业务 SLA 之间取得最优平衡
优先资格
有数据库/大数据系统内核、查询优化器、分布式计算引擎、向量数据库、检索系统相关研究或实践经验
有大模型应用、Agent 框架、RAG 系统、模型评测、prompt engineering、多模型路由相关项目经验
在数据库、分布式系统、机器学习系统、AI Infra 等方向有高质量论文、竞赛、开源项目或实习经历
对系统性能优化、成本优化、可观测性、可靠性工程有深入兴趣
AI 洞察
优缺点分析
优点
- 参与阿里云核心产品Hologres的研发，接触PB级实时数仓与前沿AI Native技术，技术视野极佳
- 阿里星计划提供顶尖的技术资源与成长平台，能与行业顶尖技术专家共事
- 对系统性思考、问题抽象能力和底层原理掌握要求极高，学习曲线陡峭
- 适合基础扎实、对数据库内核和AI Infra有浓厚兴趣，且具备较强自驱力的顶尖应届生或博士
缺点 / 挑战
- 技术挑战极大，需融合传统数据库与前沿大模型技术，解决高度开放性的系统难题
角色解读
- 从底层引擎研发工程师成长为数据基础设施架构师或AI Infra技术专家
- 未来可引领AI与大数据融合的技术方向，参与定义下一代数据计算范式
- 研发AI Native数据计算引擎，设计原子化智能算子与DAG编排机制，支持语义过滤、知识抽取等AI数据处理能力
- 探索传统关系算子与AI推理、多模态检索的混合执行与联合优化，构建面向Agentic DAG的成本模型与优化器
- 扎实的计算机基础，精通数据结构、算法、分布式系统与数据库内核原理
- 熟练掌握C++/Java/Go/Python等至少一种语言，具备优秀的底层系统工程能力
- 对大模型应用、RAG、Agent框架及查询优化有深入理解与探索热情
申请策略
- 了解Hologres的产品特性及阿里云在AI Native数据引擎方面的最新技术博客或顶会论文，展现技术热情
- 突出在数据库内核、分布式系统或AI Infra方向的论文、开源项目或实习经历
- 展示对大模型应用、RAG或Agent框架的实际项目经验，体现对前沿技术的探索能力
- 深入学习查询优化器原理、DAG任务编排机制以及向量检索技术
- 熟悉C++或Go在底层系统开发中的应用，提升系统性能优化与可观测性工程能力
面试指南
- 采用STAR法则结合系统设计方案：先明确业务场景与约束条件，再阐述系统架构与核心模块设计，最后说明性能优化与容错机制的设计权衡
- 如何设计一个支持多模型适配和失败恢复的智能算子工程化harness？
- 在混合查询中，如何平衡传统关系算子与向量检索算子的执行成本与延迟？
- 请描述一个你参与过的分布式系统或数据库内核优化项目，遇到了什么性能瓶颈及如何解决？
- 针对复杂AI任务的DAG编排，如何实现中间结果复用和异常恢复？
- 复习数据库内核、查询优化、分布式系统经典理论，确保底层基础扎实
- 准备1-2个深度参与的系统级项目，能够清晰画出架构图并解释设计决策
职位点评
薪资福利90
成长发展95
工作生活50
使命价值85
薪资福利
90较高
作为顶尖校招人才计划，薪资极具竞争力，且整体薪酬福利体系完善。
薪资信号偏高 (3.5千–6.5万/月)
成长发展
95较高
处于AI与大数据融合的最前沿，技术挑战大，能接触核心引擎研发，成长空间巨大。
技术前沿前沿/新兴技术
技术栈C++、Java、Go、Python、分布式系统、数据库、查询优化、大模型、RAG、Agent、DAG编排
业务类型profit_center
工作生活
50较低
JD未提及工作模式与WLB相关信息，核心引擎研发通常工作强度较大。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
85较高
构建面向AI Native时代的新一代数据计算引擎，推动大模型与企业级AI应用落地，具有较高的行业前瞻性和技术使命感。
行业发展高速增长赛道
社会影响中性/一般
使命信号构建面向 AI Native 时代的新一代数据计算引擎、让传统数据处理、AI 推理和复杂智能任务编排能够在统一引擎内高效完成
创新程度开拓性创新（行业首创）
Watch Jobs