滴滴出行
资深数据研发工程师
资深数据研发工程师
发布于 5 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
Sql
Text2Sql
大语言模型
数据仓库
值不值得投
78综合评分
综合评分 78
头部企业核心数据团队、前沿AI+数据工程方向、技术成长空间大、薪资优厚但WLB未明确。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
4.8万
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 2170 个在招 · 其中数据工程 30 个
市场机会
选择面较广
北京 · 数据工程 · 约 150 个在招
职位详情
关于这个职位
该职位负责数据团队的AI能力建设，将大模型与Agent技术融入数据研发全流程（如AI Coding、DataAgent），提升研发效率与业务智能化水平
你需要结合扎实的数据仓库基础与Python/SQL工程能力，推动AI在数据建模、取数分析、质量治理等场景的落地与持续优化
最低要求
本科及以上学历，计算机、软件工程、数学、统计学等相关专业，4年及以上数据研发或相关工程经验，具备独立负责复杂项目设计与落地的能力
具备扎实的数据仓库建设基础，熟悉维度建模、主题域规划、指标体系和数据治理，有完整的数据模型设计、建设及迭代经验
精通SQL，熟悉Hive、Spark等大数据技术，具备复杂SQL优化、数据质量分析和链路问题排查能力
熟练掌握Python，具备良好的软件工程能力，能够独立完成工具封装、接口开发、系统集成、自动化测试及服务部署
理解大语言模型的能力边界，熟悉上下文组织、检索增强、工具调用及Agent工作流等技术，具备AI Coding、Text2SQL、数据Agent或AI数据治理中至少一个方向的实际工程经验
能基于真实任务设计评测与验证方案，定位模型、数据、语义和工具执行中的问题，持续改善效果
具备良好的业务理解、技术判断和跨团队协作能力，能够从实际问题出发明确目标、评估方案与投入产出，主动推进项目落地和能力复用
工作职责
参与数据团队AI能力规划与建设，围绕数据研发提效和业务智能化应用，持续跟进大模型及Agent技术，完成方案验证、工程落地和效果评估，沉淀可复用的工具与工作流
AI Coding方向：推动AI融入需求理解、方案设计、数据建模、代码生成、测试验收和发布等研发环节，建设面向数据开发的智能工作流，提升需求交付效率与质量
DataAgent方向：建设面向业务答疑、取数和分析的数据Agent，完善意图理解、语义检索、Text2SQL、工具调用和多步骤任务执行能力，提升真实业务任务的完成质量与使用体验
负责AI-ready数据基础建设，完善核心数据模型、指标口径、元数据、业务语义及知识体系，建设可供AI准确理解和调用的数据服务，支撑研发与业务场景复用
推动AI在测试案例生成与回归、数据质量检查、资产治理、成本优化和问题排查等日常工作中的应用，减少重复人工投入
建立真实场景评测、运行监控和问题反馈机制，持续优化AI应用的准确性、稳定性、响应效率及使用成本，保障数据权限与安全要求
与数据产品、业务、算法和数据分析团队协作，识别高价值场景，独立推进方案设计、开发上线和持续迭代，推动AI能力在团队及业务中规模化使用
优先资格
具备Kafka、Flink等实时数据建设经验者优先
有面向真实用户上线并持续运营的AI应用经验者优先
有以下经验之一者优先：研发工具链与自动化工作流建设
指标语义层、元数据或知识库建设
复杂数据分析Agent
营销、广告投放、用户增长或用户体验等业务域数据建设
AI 洞察
优缺点分析
优点
- 处于“AI+数据”的前沿交叉领域，大模型与Agent在数据研发中的应用是当前行业最热门的方向之一，技术含金量高
- 依托海量出行数据与丰富的业务场景，AI应用有极高的落地价值和发挥空间，容易产出有影响力的业务成果
- 作为头部企业，数据基础设施完善，能接触到业界顶尖的大数据与AI工程实践
- 需要同时具备传统数据仓库建设经验与前沿AI工程能力，对个人的技术广度和学习速度要求极高
- 适合具备扎实数据底座经验，且对大模型、Agent技术有浓厚兴趣和实际落地经验，渴望在AI+数据交叉领域深耕的资深工程师
缺点 / 挑战
- 大模型在数据研发中的落地仍处于探索期，Text2SQL和Agent的准确率与稳定性优化可能面临较大的技术挑战
角色解读
- 纵向可发展为数据架构师或AI数据工程专家，主导更大规模的AI+数据基础设施建设
- 横向可向AI产品经理或业务数据负责人转型，利用对业务和AI的深刻理解驱动业务智能化增长
- 负责数据团队的AI能力建设，将大模型和Agent技术融入数据研发全流程（如AI Coding、DataAgent），提升研发效率
- 建设AI-ready的数据基础设施，完善数据模型、指标口径和元数据，使数据服务能被AI准确理解和调用
- 推动AI在数据质量检查、资产治理、成本优化等日常场景的落地，并建立评测与监控机制保障应用效果
- 扎实的数据仓库建设能力，精通SQL与Python，熟悉Hive、Spark等大数据技术栈
- 深入理解大语言模型能力边界，掌握RAG、工具调用、Agent工作流等技术，有AI Coding或Text2SQL等实际工程经验
- 具备优秀的业务理解与跨团队协作能力，能独立推进复杂项目的设计、落地与持续迭代
申请策略
- 提前了解公司在数据中台和AI应用方面的公开技术博客或分享，面试时结合其实际业务场景提出自己的见解
- 重点突出在数据仓库建设、维度建模及数据治理方面的完整项目经验，证明扎实的数据底座能力
- 详细阐述在AI Coding、Text2SQL或DataAgent等方向的实际工程落地案例，包括解决的痛点和带来的效率提升
- 展示在复杂SQL优化、Python工程化开发以及跨团队协作推进项目落地方面的具体成果
- 深入学习LangChain、LlamaIndex等Agent开发框架，提升在RAG、工具调用和多步骤任务编排方面的实战能力
- 了解业界最新的Text2SQL优化方案及大模型评测方法，积累构建高可用AI应用的工程经验
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目，重点突出“行动”中的技术选型、难点攻克和“结果”中的量化收益（如效率提升百分比、准确率提升）
- 对于架构设计类问题，采用“背景痛点 -> 整体架构 -> 核心模块设计 -> 演进与优化”的逻辑进行阐述，展现系统性思维
- 请分享一个你主导的AI Coding或DataAgent落地项目，遇到了哪些技术难点，是如何解决的？
- 在Text2SQL场景中，如何处理复杂表关联、多表Join以及大模型幻觉问题，提升SQL生成的准确率？
- 如何设计AI-ready的数据基础建设？在指标口径、元数据和业务语义层面，你做过哪些改造以适配大模型的理解？
- 面对大模型输出结果的不确定性，你如何建立评测与监控机制来保障数据权限、安全及应用的稳定性？
- 复习并梳理自己过往项目中涉及的数据模型设计、SQL优化及Python工程化代码，确保能应对深度的技术细节拷问
- 准备1-2个关于大模型能力边界、Agent工作流设计的深度思考，展现对前沿技术的敏锐度与工程化落地能力
职位点评
薪资福利85
成长发展90
工作生活50
使命价值75
薪资福利
85较高
作为头部企业的资深技术岗，薪资水平处于市场前列，且具备完善的福利体系与较高的稳定性。
薪资信号未披露（AI估算：3.5千–6万/月）
成长发展
90较高
岗位处于AI与数据工程的最前沿，能深度参与大模型与Agent在数据研发中的落地，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、SQL、Hive、Spark、Kafka、Flink、大语言模型、Agent、Text2SQL、RAG
业务类型cost_center
工作生活
50较低
JD未明确提及工作模式与加班情况，但作为头部企业的核心研发岗，工作节奏可能较快，WLB情况需具体确认。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
推动数据研发提效与业务智能化，利用AI技术减少重复人工投入，具有较高的技术社会价值与行业引领作用。
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
Watch Jobs