大数据计算平台 资深工程师（计算中间件）

优缺点分析

角色解读

• 可向大数据基础设施架构师方向发展，成为领域技术专家
• 也可转向更广泛的AI Infra或云平台架构管理岗位
• 在自动驾驶算力需求增长的背景下，具备极高的行业稀缺性和职业护城河
• 负责构建和优化统一的大数据计算中间件平台，解决多引擎混用和调度难题
• 深入Spark/Flink等引擎内核，进行源码级优化和问题排查
• 设计高可用、容灾及多云管理的底层架构
• 建立可观测性体系，量化计算成本并提升资源效率
• 精通Linkis/Kyuubi等计算中间件的实际落地与二次开发
• 深刻理解Spark/Flink/Trino内核原理及作业提交流程
• 具备大规模分布式系统的高可用、容灾及灰度发布架构设计能力
• 拥有多云环境下的基础设施管理经验

申请策略

• 准备具体的技术难点攻克案例，体现系统性思维
• 关注地平线在AI算力方面的最新动向，展现对业务场景的理解
• 突出Linkis/Kyuubi的生产环境落地案例，特别是二次开发或性能优化的具体成果
• 详细描述Spark/Flink内核调优或Bug修复的经历，展示源码阅读能力
• 列举高可用架构设计的具体指标（如SLA提升、故障恢复时间缩短）
• 复习Spark/Flink/Trino的作业调度源码逻辑
• 深入研究Linkis/Kyuubi的插件机制和连接池管理
• 学习现代多云管理平台（如Kubernetes Operator）的设计模式

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述技术难题
• 强调问题分析的深度（是否触及源码层面）和解决方案的系统性（不仅修Bug，还考虑架构演进）
• 量化优化效果（性能提升百分比、成本降低比例）
• 请分享一次你深入Spark/Flink源码排查并解决复杂问题的经历
• 如何设计一个支持多引擎（Spark/Flink/Trino）统一接入的计算中间件？
• 在多云环境下，如何实现计算资源的弹性伸缩和高可用容灾？
• Linkis/Kyuubi在实际生产中遇到的最大瓶颈是什么？你是如何优化的？
• 重温大数据引擎核心组件（ResourceManager, Scheduler, Executor）的工作原理