随着AI的发展，数据人的工作边界，正在发生变化。过去我们更熟悉的是这些词：ETL、数仓分层、指标体系、实时链路、BI 报表。这些能力当然依然重要。而且直到今天，它们还是企业数据建设的基本盘。但现在，很多企业对数据团队的期待，已经不只是：把数据算出来。而是开始进一步要求你去支撑：智能问答/企业搜索/RAG 检索增强/Agent 工具调用这意味着，数据人做的事情，正在从“建数仓”，慢慢走向“建 AI 数据底座”。未来已来，该考虑不是数仓还要不要做？而是从做数仓到做 AI 数据底座，数据人到底该补什么能力？一、不是数仓没用了，而是只会数仓已经不够了先说结论：数仓能力不会过时。因为 AI 数据底座的很...

ttl： 3.19一面晚上过3.20二面3.23oc3.25offerbase：末9有一段中小厂实习一面面经：（总体时长一个小时二十分钟左右没什么八股，主要都是问项目和场景题1.实习（问了有四十分钟，感觉面试官很看重实习这一块，一直在拷打，问到后面我都要疯了，好在准备得比较充分1️⃣用的是什么中间件，有参与技术选型吗，实习的项目里为什么选这个RabbitMQ而不是kafka，为什么不用RocketMQ，为什么放弃异步，自己的项目里面使用的是kafka，那你觉得项目和实习的中间件选型有差异的原因是什么，他们之间的区别在哪里，底层的原因知道吗（高柱到这里已经快疯了，但是硬着头皮答完了，主要是从一致性吞吐量和框架的契合度答，面试官说答得挺好的，应该是没什么问题，这一块就问了快半个小时，到这里我已经快疯了2️⃣项目怎么对接上下游3️⃣介绍项目的难点重点4️⃣微服务（高柱实习是单体项目没涉及这一块5️⃣Redis的使用2.项目：1️⃣智能客服是怎么应用在项目里的（langchain4j➕rag➕functioncalling）2️⃣RAG了解多少3️⃣文本向量化的难点是什么，了解哪些大模型的知识（我一点不懂，纯瞎扯，但貌似扯对了4️⃣对ai的态度是什么，aicoding相关5️⃣怎么保证多节点下Caffeine缓存里面数据都是一致的（答的是短ttl，面试官不是很满意，但是我确实不太懂这个怎么保证，后来查了还是不懂怎么保证6️⃣Redis的使用，和你的实习项目的使用有区别吗，还有一些引申问题3.八股（含量不高，就是走个过场1️⃣进程的内存布局2️⃣Redis三剑客3️⃣微服务相关知识（高柱已经忘得差不多了…勉强答上来4️⃣JVM5️⃣线程状态6️⃣线程安全，在你的实习项目里怎么保证线程安全的（又绕回来了4.智商题找异常球5.手撕：1️⃣五道sql，不难2️⃣力扣不重叠的滑动窗口数组，贪心➕双指针秒了强度拉满了这个一面，高柱到后面人都是傻的二面面经：（就半个小时实习拷打，简历上写了几点就问了几点，问完就结束了，无手撕

不是我应聘个it技术支持岗位4-6k 还学历歧视上了😭

1. 你做过大模型数据处理的话，预训练数据清洗一般怎么做，去重、去噪、质量过滤分别解决什么问题？预训练数据清洗本质上是在控制“数据量”和“数据质量”之间的平衡。去重主要解决模型反复记忆同一批内容，避免浪费训练 token，也减少 benchmark 污染。去噪主要是过滤乱码、模板页、广告页、低信息密度文本、机器生成垃圾内容，不然模型会学到很差的语言模式。质量过滤更偏向保留高价值内容，比如结构完整、语义通顺、知识密度高、代码块规范或者问答对明确的数据。实际工程里一般不会只靠一个规则，而是多阶段处理：先做规则清洗，再做语言识别、长度过滤、内容打分，最后再结合 dedup 和采样策略。因为预训练效果...