作为一个双非大数据专业的大四学生，自己在大三选择择业方向时，毫不犹豫的选择了数据分析作为自己一开始的求职方向，那么作为花费很多精力学习数分，找过多段数据实习，且经历了一整个秋招的可怜大学生，关于数分的态度又是怎样呢？首先我想先根据自己的过往经验来给数分下一个定义，目前的数分岗主要有两种情况，一种是非常纯粹的数分，涉及AB测试，数据埋点，机器学习相关内容的，这一部分岗位对技术和学历的要求极强；而另一部分岗位则是偏向业务侧，相较于数分，可能更偏向数据策略运营，这一类岗位在部分公司也会直接写成运营岗。相信每一个对数分有兴趣的同学，或多或少都在网上看到过，纯粹的数分岗是非常吃学历的，这一点我深有体会，...

这放了寒假真的好焦虑，在准备换简历的第一个项目，大概是用cursor去写的继承了ai功能的平台吧，语音转文字，文生图什么的，用的技术栈还是挺多的，前后端都涉及了，一遍也在背八股，刷算法，工程化什么的，感觉好焦虑，逛了牛客和别人面经感觉自己啥都不会，以前还信誓旦旦说寒假努努力过完年投大厂试试，现在感觉啥都不会了

1.5 一面1.7 二面1.8 三面剪映日常实习，三面只拷打了半个小时实习项目，最后说不是很理解某些地方的设计可能是产品的问题，然后就开始做算法题了，做出来后接着智力题，智力题答的磕磕绊绊，面试官引导下才答出来那三个问题。感觉又g了，还是做不到吗😭—————————————————1.9 告知三面通过约hr面，希望不会被横向挂掉吧🙏—————————————————1.13 三个工作日了，还没约上hr面，说hr面试官太忙了，大概率是在横向中吧，希望能泡出来🥲—————————————————1.15 告知hc满了😅转岗加面

传统数仓、数据库和分析系统，为业务提供了稳定的数据支持和决策依据。但当数据开始面对 LLM 时，就产生了一个全新的挑战：如何将企业数据转化为模型可感知、可检索、可执行的“上下文”。在企业 AI 系统中，这一过程通常经历三个关键环节：1. 数仓与数据库：提供干净、统一、结构化的业务数据。2. 搜索与 RAG：让模型能够快速、稳定地访问相关信息。3. 工作流与 Agent：将数据能力编排成可执行的任务，实现复杂业务的闭环。图中展示了这一链路的概览。通过这条链路，可以发现数据不再只是“给人看的”，而是成为 AI 执行的核心驱动力。一、从数仓到 LLM：数据“服务对象”的变化在之前的文章中（微信公众号...