小红书
【2027校招】数据与AI应用研发工程师
【2027校招】数据与AI应用研发工程师
发布于 大约 8 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
Rag
Sql
大语言模型
数据仓库
知识图谱
值不值得投
75综合评分
综合评分 75
技术前沿、成长空间大、薪资市场水准，WLB一般。
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
20K
比数据工程中位数低
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 1430 个在招 · 其中数据工程 5 个
市场机会
选择面较广
上海 · 数据工程 · 84 个在招
职位详情
关于这个职位
该职位参与小红书的数据Agent与数仓体系建设，负责构建业务知识库、开发AI工具组件（如SQL生成、异动溯源），并设计核心场景的数仓架构与指标，以支持社区与商业化业务的智能化应用
最低要求
本科及以上学历，计算机、软件工程、统计学、数据科学、信息管理等相关专业，成绩优异
数据仓库基础扎实：理解分层建模（ODS/DWD/DWS/ADS）、维度建模、数据血缘等核心概念
SQL能独立完成复杂多表查询，Python熟练用于数据处理与工程开发
大数据技术栈有实际使用经验：熟悉Hive / Spark / Flink等数据引擎，有真实项目或课程经历
AI应用有工程级理解：对大语言模型有自主学习积累，能说清楚RAG检索策略、Agent工具调用机制、Prompt Engineering方法论
逻辑清晰，对数据敏感，具备问题拆解能力与动手执行力
工作职责
数据Agent建设：参与面向社区、交易商业化业务的数据Agent建设：构建业务知识库（数仓资产、指标口径、历史案例的结构化沉淀）、建设知识图谱（实体关系抽取、指标血缘图谱、业务语义关联）、开发Skill组件（需求理解、技术方案、SQL生成、异动溯源、自动报告等可复用工具能力）
推动Agent从「能跑通」走向「可信赖」
数仓建设：参与核心场景的数仓体系建设与内容建设：涵盖分层架构设计（ODS/DWD/DWS/ADS）、维度建模、核心指标技术实现
协助梳理和治理口径歧义，保障数仓作为AI Agent可信上下文的数据质量
优先资格
有LLM / Agent相关项目实践经验（知识库构建、Agent链路搭建、RAG系统开发等）
了解知识图谱构建方法（实体识别、关系抽取、图数据库使用等）
有特征工程经验（面向CTR / CVR / 推荐等场景的特征定义与生产）
有数据竞赛经历（Kaggle、天池等）
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及数据Agent、LLM等AI热门领域，技能积累价值高
- 公司平台大，资源丰富，有利于职业发展和行业视野拓展
- 技术难度高，需要同时掌握数据工程和AI应用知识，学习曲线陡峭
- 竞争激烈，校招岗位要求高，需具备突出的项目实践能力
- 适合对数据和AI技术有热情、逻辑思维强、喜欢解决复杂问题的应届毕业生，尤其是计算机相关专业且有实际项目经验者
缺点 / 挑战
- 业务场景丰富，覆盖社区与商业化，能接触大规模数据挑战
- 可能面临业务压力，需快速交付可靠的数据产品和AI工具
角色解读
- 从数据工程师成长为核心数据专家或AI应用架构师，深耕技术领域
- 转向数据产品经理或业务分析师，结合技术背景推动业务智能化
- 参与前沿AI项目，成为团队技术负责人或向管理岗位发展
- 构建面向业务的数据Agent，包括知识库、知识图谱和工具组件，推动AI应用落地
- 参与核心场景的数仓体系设计与建设，负责分层架构、维度建模和指标实现
- 协助梳理数据口径，保障数仓数据质量以支持AI Agent的可靠运行
- 扎实的数据仓库建模能力，熟悉ODS/DWD/DWS/ADS分层和维度建模
- 熟练使用SQL进行复杂查询，Python用于数据处理与工程开发
- 掌握Hive、Spark、Flink等大数据技术栈，有实际项目经验
- 理解大语言模型应用，如RAG、Agent工具调用和Prompt Engineering方法
申请策略
- 了解小红书的业务模式和数据应用场景，在面试中展示相关思考
- 准备一份清晰的项目作品集，详细说明技术选型和成果
- 突出数据仓库项目经验，如数仓设计、SQL优化或大数据处理案例
- 强调AI相关实践，例如LLM应用、RAG系统或Agent开发经历
- 展示数据竞赛成绩或特征工程项目，体现数据敏感度与动手能力
- 列出熟悉的大数据工具（如Spark、Flink）和编程语言（Python、SQL）
- 深入学习大语言模型应用技术，如RAG检索策略和Agent框架
- 实践知识图谱构建，了解实体识别和图数据库使用
面试指南
- 采用结构化回答：先定义概念，再结合项目经验，最后总结应用价值
- 强调解决问题的思路：拆解问题、技术选型、实施效果和反思优化
- 展示技术深度：不仅说明怎么做，还解释为什么这样做以及权衡考虑
- 请解释数据仓库的分层架构（ODS/DWD/DWS/ADS）及其作用
- 描述RAG检索策略的工作原理和关键挑战
- 如何设计一个Agent工具调用机制来解决业务问题？
- 举例说明你在项目中使用Spark或Flink处理数据的经验
- 面对数据口径歧义，你会如何梳理和治理？
职位点评
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利
75中等
校招岗位薪资处于行业市场水准，提供基本福利保障，能满足应届生的收入需求。
薪资信号市场水准 (15K-25K/月)
成长发展
85较高
职位涉及数据工程和AI前沿技术，提供丰富的学习成长机会，技能积累价值高。
技术前沿前沿/新兴技术
技术栈数据仓库、SQL、Python、Hive、Spark、Flink、大语言模型、RAG、Agent、知识图谱
业务类型ambiguous
工作生活
60中等
未明确工作模式，可能为现场办公，WLB信息不足，办公灵活性有限。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
工作于社交平台，技术应用能影响用户体验，但社会价值中等，创新水平较高。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
小红书 的其他在招职位
相似职位推荐
Watch Jobs