【练习生】AI 数据工程师 - 商业化方向

优缺点分析

角色解读

• 从数据工程实习生成长为AI数据工程师，掌握AI+数据复合技能
• 有机会转正为正式员工，深入核心商业化项目
• 未来可向数据科学、AI应用、数仓架构等方向深耕
• 参与构建商业化数据Agent，包括知识库、知识图谱和智能组件，推动Agent从可用到可信
• 建设数仓分层模型（ODS/DWD/DWS/ADS），保障数据质量，为AI提供可信上下文
• 挖掘数据价值，参与特征工程建设，为广告算法模型提供高质量特征
• 扎实的数据仓库基础：分层建模、维度建模、数据血缘
• 熟练使用SQL和Python进行数据开发与处理
• 熟悉Hive/Spark/Flink等大数据引擎，有实际使用经验
• 对大语言模型有工程级理解：RAG、Agent、Prompt Engineering

申请策略

• 在求职信中表达对AI+数据工程方向的热情，并提及对小红书商业化业务的了解
• 提前研究小红书的广告业务和数据产品，展示业务洞察力
• 突出数据仓库项目经验，包括分层建模、SQL优化等
• 展示大数据技术栈使用经历，如Hive/Spark/Flink的实际项目或课程实验
• 强调AI相关积累，如LLM、RAG、Agent的自主学习或项目经历
• 如有竞赛或开源贡献，务必列出以体现技术热情
• 补充知识图谱构建的基本概念，如实体识别、关系抽取
• 了解特征工程在广告推荐场景中的应用，如CTR/CVR特征

面试指南

• 数仓相关：从分层目的、数据粒度、典型ETL操作等方面系统回答，并结合实际案例
• AI相关：先讲清楚概念（如RAG），再拆解为检索、增强、生成三步，最后可提及挑战和优化
• 综合题：采用“目标-拆解-组件”框架，先明确Agent目标，再分解为知识库、推理、工具等模块，最后讨论交互方式
• 请解释一下数仓分层模型中ODS、DWD、DWS、ADS各层的作用和区别
• 你如何理解RAG？请描述一个RAG系统的检索和生成流程
• 请举例说明你用SQL处理过的复杂数据清洗或聚合场景
• 如果你要设计一个Agent来辅助分析师自动生成SQL，你会考虑哪些组件？
• 你对特征工程的理解？在广告CTR预估中，你可能会生成哪些特征？