Posts

AI 不是替代数据人，是让现有技能贬值速度差异巨大。有些技能 5 年还在涨——数据建模、因果推断；有些 2 年就半价——纯 ETL 工具操作；有些刚出生就在升值——RAG、Agent、eval。这篇给一份具体的技能折旧速度表，以及对应的学习时间投资策略。

2026 年数据岗位市场出现了一个明显的金字塔变形——入门段（0-2 年）持续缩水，4-6 年经验突然变得抢手，入门段年薪反而上涨。Indeed Hiring Lab 报告显示，数据/分析岗 JD 中 45% 已包含 AI 关键词，是所有职业最高。这不是简单的「AI 抢饭碗」，是市场在重新定义「什么样的人值得雇」，每个段位的破局点不一样。

DeepSeek V4 上周末发布，1.6T 参数、1M 上下文、编码 benchmark 拉平 GPT-5.4 和 Claude Opus 4.6，但价格只要 $3.48 / 百万 token——是 Claude 的 1/7。问题来了：你的日常工作流要不要切？切的隐性成本有哪些？什么时候该切、什么时候别动？

一个朋友在群里问：知识库里有没有初级数据开发的八股文？我的回答是——有，但你不该在这上面押注。面试里八股文的占比已经从三分之二降到塞牙缝，工作里 80% 写 SQL 的时代也过去了。真正的问题不是背不背八股文，而是你还在用执行者的思路寻找出路。这篇讲讲 AI 这波变革为什么躲不过去。

本期数据工程圈集中讨论 Agent 在生产环境的落地——Whatnot 直言 LLM 平台 80% 的故障和模型无关，Slack 拆解长跑 Agent 如何靠 Director's Journal 管上下文，Teads 让 AI 编排 ML 实验带来约 100 万美元利润。一个共同结论是：模型反而是最轻的那一块，真正的坎在基础设施上。

数据工程师会被 Agent 取代吗？答案是：不会，但「写管道的数据工程师」会。这篇文章把 2026 年数据工程的价值重心从执行指令迁移到设计意图、护栏和数据产品契约的完整方法论讲清楚——包含 MCP、Data Product、Intent 三层架构，以及工程师该补的三类能力。

2026 年 Atlan 把 Agent Observability 列为与 DataOps 平级的新品类。Agent 出错了怎么复现？回归怎么量化？线上怎么兜底？这篇文章把 Agent 可观测性拆成三件套：Trace 追踪调用链、Eval 量化行为质量、Guardrail 拦截风险输出，配合主流工具（Langfuse、Braintrust、Guardrails AI）给出一套可落地的监控方案。

2026 年 4 月 6 日 Dremio 宣布 Iceberg V3 在云服务正式可用，意味着 V3 从规范走向生产。这篇深度解析拆开 V3 的四大变化：行级血缘、Row Lineage、Deletion Vectors、Variant 类型，以及它们为什么是为 AI workload 重新设计——数据工程师和数据架构师读完能拿到一张清晰的升级路径图。

2026 年 Snowflake Cortex Analyst 和 Databricks AI/BI Genie 宣称 Text-to-SQL 准确率达到 90%，数据分析师真的要失业了吗？这篇文章把问题问对：哪种数据分析师要失业、哪种会因此受益。给出三类角色的终局推演和一条清晰的转型路径——写给还在写 SQL 导表的分析师。

AI 工程师和数据负责人最容易踩的坑之一：问题一出现就想着 Fine-tune。但 Fine-tune 不是默认选项，是最后选项。这篇文章给出一套 2026 年的决策框架：先穷尽 RAG、Prompt、工具调用，再考虑 SFT / LoRA / DPO，并配上成本、数据量、迭代速度三个维度的判断阈值——帮你把钱和时间花在对的地方。

Databricks 主导的 Unity Catalog 和 Snowflake 发起、Apache 托管的 Polaris，2026 年正式在企业数据目录市场正面交锋。这篇文章横评两条路线的权限模型、表格式支持、跨引擎能力和治理边界，给数据架构师和平台负责人一份可以带进选型会议的判断框架。

2026 年数据工程师、数据分析师、数据架构师到底该补哪些课？从 Databricks、Snowflake、Atlan、Cloudera 2025 年底到 2026 年 4 月的一系列动作里筛出最硬的十项：Agentic DE、Iceberg V3、MCP、Unity/Polaris、Agent 可观测性、Fine-tune 决策框架——每项都附上为什么要学和通往知识库的入口。

企业把 MCP Server 从 Demo 送进生产，卡在哪儿？认证、限流、审计、多租户、可观测性——单个 MCP Server 解决不了，需要一层 Gateway。这篇讲清 MCP Gateway 的职责边界、五种部署拓扑、主流方案选型（Kong / Envoy / 自研）和落地 checklist，给数据架构师和平台工程师一份生产部署指南。

很多人找工作、学东西、想升职，都在"准备"——改简历、考证、再学一点。可真实的职业发展反过来：先成为，再做到。大学卖的从来不是知识，是身份认同；大厂升职是赶鸭子上架；找数据分析师工作，也得先承认自己已经是分析师。这篇讲的是决定你十年后能走多远的那个顺序问题。

本期聚焦 AI Agent 在大厂数据基建里的真实落地：Meta 用 50 个 Agent 群组把 4100 个文件的管道调研从 2 天压到 30 分钟，Pinterest MCP 月调用 66k 次节省 7000 工时。但资深云布道者指出 MCP 在企业级仍缺关键件。一个 Markdown 文件如何击败 5000 万美元的向量库？数据科学家为什么在 AI 时代反而更值钱？

你买过多少本职场书？翻到过第三章的有几本？「知道」和「做到」之间隔着一条太平洋。本文提供一套21天习惯养成计划，把前面所有章节的方法论变成每天可执行的最小动作：周报怎么写、会议怎么发言、互惠账户怎么存款。

你的老板不是在买你的技能，是在租你的时间。你停止工作的那一刻收入停止，这就是「技能雇佣者」的底层逻辑。本文对比两种模式的收入公式，提供从「时间换钱」到「价值创造」的转型路径——哪怕只从0%增加到10%，职业安全边际也会质变。

有人找你帮忙你二话不说，有人找你帮忙你各种推脱——区别在于对方在你心里的「互惠账户」余额。本文将人际关系量化为存款和取款，提供一套可操作的互惠账户运营方法：怎么存款（帮忙的艺术）、何时取款（求助的策略）、如何避免透支。

有人一开口整个会议室安静下来，有人的方案是最优解却没人理。差别不在能力，在影响力。本文将影响力拆解为三层架构——专业影响力、关系影响力、位置影响力，分析每一层的建设方法和衰减速度，帮你知道该把精力花在哪里。

你花两周做了150页报告，石沉大海。不是报告不好，是没人有时间看150页的东西。本文揭示组织运作的底层公式：影响力 = 能力 × 可见度。能力是基础，但可见度为零时影响力依然为零。注意力管理不是「会来事儿」，而是专业能力的一部分。

业务要实时报表，你解释需要Kafka、Flink、ClickHouse——业务方眼神迷茫：「我就想看个数字，为什么这么复杂？」本文将技术沟通类比为语言翻译，提供一套把技术问题翻译成业务语言的实操框架，让业务方听懂你在说什么。