平安银行数据开发岗

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...

从25年2月到现在，接触大数据开发已经有一年了，从MySQL，orcal，到flink首先就是写SQL，毕竟大家大部分都是SQLboy，SQLgirl，SQL是基础，可以在力扣牛客上多刷题。手撕常考！数开作为技术岗中最贴近业务的岗位，理解业务过程并进行数仓建模是最重要的一部分建模这块主要涉及，指标维度建设，数仓分层，讲解项目结合业务来讲.技术栈主要分离线和实时，实时门槛工资相对高一点，但应用场景比离线少很多，离线是数仓的基础。大数据技术栈主要是Hadoop生态圈，分布式的一些东西，也就是八股基础的得会，得理解整个架构运作流程，光背是记不住的Hadoop，hive，spark离线最核心的技术栈，也是八股最常考的，实时主要是spark，flink其次是一些数据处理框架kafka，etl转换工具知道一些，怎么用的大数据的框架搭起来比较麻烦，时间赶的不建议亲自搭环境，理解项目业务过程，这个项目做了什么，整个数据链路能讲清楚即可。技术栈的一些相关学习渠道，博主是在B站上找视频学的，也够用，时间赶学重点就行，结合八股来看。最后是算法手撕，本人算法很烂，除了大厂基本不考这个。出的题一般比较简单，会hot100就行个人经验来看，简历上有了实时项目，很少问Hadoop八股，更偏重spark和flink。项目还是以离线为主。实习发现实时数据只占很少一部分，离线是底盘有了实习经历就不咋问项目了

听着窗外的风声，泡上一杯热茶，我们抛开那些焦虑的“35岁门槛”和“技术迭代恐慌”，像老朋友一样聊聊“大数据开发”这条路。作为一名在这个行业摸爬滚打过几年的“过来人”，我太理解那种站在庞大的技术栈面前，既兴奋又不知所措的感觉了。Hadoop、Spark、Flink、ClickHouse、Doris……这些名字像一座座大山，还没开始爬就让人觉得腿软。但其实，大数据开发的底色，不是“大”，而是“踏实”。它是关于如何稳稳当当地把海量的数据，变成能看懂的价值。如果你想在这个领域扎根，我想分享一些不仅关乎技术，更关乎心境的建议。一、 关于入门：别急着追逐“新潮”，先学会“慢”很多人刚入门时，恨不得一周学会...

看到这个颇为震撼，一月二月能有什么坑位啊，只是去年七月有些实习转正的岗位呆满半年了，才在这个阶段会转正，又或者是寒假实习，假期缺人手会释放一些hc并且要求会降低一些但是算不上春招啦，把金三银四的心放进肚子里，好好过年，养精蓄锐再来过啦！！！