Posts

业务同事说“帮我看一下用户流失”，数据分析师和数据开发应该马上写 SQL 吗？这篇文章用一个真实工作场景，拆解模糊需求澄清、指标口径、分析边界和交付确认，让数据工作少返工。

为什么投了很多数据分析、数据开发、数据工程岗位，却始终没有回音？这篇文章从岗位画像表出发，拆解业务场景、技术栈、结果责任和隐性偏好，帮助求职者把简历、项目和面试表达对准真实需求。

本期数据周刊关注 Data Engineering Weekly #269：Meta AI 第二大脑、Salesforce/Informatica 多 Agent、Netflix 模型图谱，以及 Whatnot 变慢却没人发现的 ML 特征管道。AI 进生产后，数据团队如何让知识、模型和管道可观测、可复用、可追责？

数据分析师、数据开发和 BI 面试时，自我介绍不是把简历读一遍，而是给面试定方向。90 秒内讲清“我是谁、做过什么代表项目、为什么匹配这个岗位”，比堆技术栈和经历清单更容易让面试官继续追问，也能把后面的项目问答引到你最有证据的地方，减少随机挨打。

数据岗位求职变难，不只是岗位减少，而是企业对数据分析师、数据开发和 BI 的购买理由变了：不再为重复取数、报表和维护动作付高价，而是更愿意招能负责一段结果的人。你能不能把指标、链路、质量、成本和业务动作连起来，正在决定简历和面试里的真实竞争力。

招聘平台上，数据分析师和数据开发的第一句话不是寒暄，而是匹配说明。只说“我对岗位感兴趣”很难被记住。更有效的开场要在 80-120 字里讲清年限、业务场景、岗位关键词和项目证据，让招聘方愿意点开你的简历继续看，而不是把你当成又一条群发消息。

很多数据分析师、数据开发和 BI 同学并不是项目差，而是简历第一屏没有讲清楚自己是谁。面试官通常只用 10 秒判断要不要继续读：你服务过什么业务场景、解决过什么数据问题、留下过什么结果？这篇用 3 个模块和 3 类岗位示例，给出一套可以直接改简历的第一屏结构。

很多数据人会 SQL、Python、数仓和报表，也做过项目，却在求职时被简历堆淹没。问题往往不是能力为零，而是没有一句能被面试官记住的职业标签：你到底擅长解决哪类数据问题？这篇文章给数据分析师、数据开发和 BI 同学一套重新表达自己的方法。

我用工作室的个体工商户身份发布了一个普通大数据开发岗位，不到 24 小时收到近 200 条求职沟通。这个样本不严谨，却提醒我们：数据岗位求职难不只是岗位变少，还包括供需错位、筛选变重、学历标签和 AI 时代的数据价值重估。

数据分析师和数据开发面试时，项目经验不是背一段漂亮经历，而是证明项目真实、角色清楚、判断可靠。本文讲清如何准备背景、问题、角色、动作、取舍和结果，让项目回答经得起追问。

很多数据分析师和数据开发明明做了取数、报表、SQL 优化、异常排查，却在简历上写不出项目经验。本文用偏散文的方式，讲清如何把日常工作整理成可追问、可验证、能打动面试官的项目证据。

很多数据分析师和数据工程师刷了 SQL、Python、AI Agent，却在简历和面试里说不清自己做成了什么。项目证据到底是什么？求职和晋升时，如何把学习、业务问题、数据判断、结果验证和面试表达整理成能被招聘方看见、也经得起现场追问的材料？

数据分析师、数据工程师和转型 AI 的数据人，2026 年到底该先补 SQL、Python、业务分析、Agent/RAG，还是项目经验？这篇给一张学习体检表，把 0-1 年新人、1-3 年执行者、3-5 年瓶颈期、转 AI 人群和求职党分开诊断，帮你找到下一课。

IBM Think 2026、Google Agentic Data Cloud、Citi Arc 都在把 Agent 推进企业生产环境。数据工程师和数据分析师真正该关心什么？不是再做一个会查数的 Demo，而是数据上下文、实时数据、权限治理和可观测性这四层基础设施。

5 年前数据人靠"熟练度"吃饭——SQL 秒写、pandas 不查文档、Spark 调优烂熟于心。今天 AI Copilot 把这些"熟练度"的相对价值打到了零。这篇给已经在数据行业里的人一份重新校准过的学习地图——为什么表达力和阅读力变成最稀缺的两种能力？为什么技术底层"知道和了解"就够、不必再练熟？以及具体怎么练。

本期围绕一个共同主题——Agent 协作的"基建配方"。wuphf 用 Markdown + Git 给多 Agent 搭了一个共享办公室，769 颗 star；Aparna Dhinakaran 拆开了 5 个主流 Agent 框架的上下文管理设计；Apache Fluss + Roaring Bitmap 把实时用户画像的延迟从小时压到秒。Agent 落地下一步的主线是——记忆怎么共享、上下文

这两年招聘市场上「AI 工程师」标签暴涨，薪资比同段位的传统数据/后端高 30%-50%。但稍微看几份 JD 你会发现，不同公司说的「AI 工程师」完全不是同一种人——有的是真做 LLM 应用，有的是包装过的传统后端，有的是 RAG demo 工程师，有的是啥都做的「AI 杂工」。这一篇拆开「AI 工程师」这个标签的虚和实。

之前讲过 2026 年数据岗位金字塔变形——4-6 年经验段突然变香。这篇兑现那期的钩子：从 2-4 年走到 4-6 年那个高需求段，到底要做哪些具体动作？6 个跃迁关键动作 + 各自的优先级 + 时间预期。有人 3 年跨过去，有人 8 年还卡着——差别不在年限，在动作。

模型在变商品——DeepSeek V4 把价格打到 Claude 的 1/7，下一年还会更便宜。能力的护城河会从"用什么模型"挪到"怎么用模型"。这篇拆开"会用模型"的具体能力清单——Prompt 工程、Eval 设计、Context 管理、Cost Engineering、判断力——每一种讲清是什么、为什么变重要、怎么练。

你五年前学 Hadoop、三年前学 Spark、去年学 dbt、今年在学 LangChain——你比五年前的自己强了多少？大多数数据人陷在一种慢性病里：以为自己在学新东西，其实只是在换皮。这篇讲怎么区分"学工具"和"学能力"，以及为什么工具瘾在 AI 时代会让你死得更快。

本期数据工程圈的几篇复盘有一个共同特征——都带具体的钱或时间数字。Shopify 用 JSON-to-Python 转译把 Flow Agent 的推理成本降了 68%，Monzo 用数据契约把处理成本降了 40%、数据着陆时间加速 25%，Halodoc 把 Spark on EKS 的节点利用率拉到 96%。Agent 落地走完了"做小"和"稳定"两步，进入第三步——算账。