数据与平台工程交付线¶
面向岗位：数据平台工程师、MLOps / ML Platform 工程师、特征平台工程师、检索 / 在线服务工程师
一、这条线的目标¶
很多 AI 岗位最后难点不在模型，而在：
- 数据如何稳定进入系统
- 特征如何统一管理
- 检索如何增量更新
- 在线服务如何和离线训练打通
这条交付线的目标，是让你拿出一个“能支撑模型和应用长期运行的平台型成果”。
二、适合做什么项目¶
优先项目：
- 流批一体特征平台
- 检索与索引更新平台
- 在线召回 / 特征服务
- 训练-评测-部署一体化 Pipeline
推荐参考：
站内现有项目绑定¶
| 目标项目 | 站内起点 | 这条交付线要补的材料 |
|---|---|---|
| 数据平台样板项目 | 数据工程/实战项目/01-数据工程实战项目集 | 流批链路图、数据质量指标、发布与回滚 |
| 推荐系统平台化 | 推荐系统/实战项目/01-推荐系统实战项目集 | 特征服务、召回链路、在线离线一致性说明 |
| 数据库性能优化 | 数据库/实战项目/01-数据库性能优化实战 | 索引策略、压测、慢查询复盘、成本分析 |
| 在线学习与增量更新 | 推荐系统/11-在线学习 | 数据新鲜度、模型/特征更新频率、异常回滚 |
| 检索与索引体系 | LLM应用/24-多模态RAG与向量数据库进阶 | 索引更新、召回命中率、存储与服务成本 |
三、最终必须交付什么¶
| 文件 | 重点 |
|---|---|
| 06-需求文档模板 | 数据规模、更新时效、服务 SLA、调用方 |
| 07-架构图与技术设计模板 | 数据源、消息队列、流批链路、存储、服务层 |
| 08-SLO与评测指标模板 | 数据延迟、数据质量、服务可用性、命中率 |
| 09-压测与Benchmark模板 | 写入、更新、查询性能对比 |
| 10-成本报告模板 | 存储、计算、索引与服务成本 |
| 11-发布记录与回滚模板 | 索引更新、Schema 变更、灰度发布 |
| 12-事故复盘模板 | 延迟积压、脏数据、索引错乱事故 |
| 量化简历条目与项目包装模板 | 简历条目 |
| 30分钟技术面项目讲解稿模板 | 面试讲稿 |
| 16-数据与平台工程完整交付包样板 | 一份可直接照着改成自己项目的完整交付包参考 |
核心指标：
- 数据新鲜度
- 流批延迟
- 查询延迟
- 服务可用性
- 召回命中率 / 检索命中率
- 索引更新时间
- 成本与资源利用率
四、8 周执行节奏¶
第 1-2 周：数据链路建模¶
- 画清楚数据源、流转、特征、索引、在线服务
- 明确批处理和流处理职责
第 3-4 周：跑通最小平台¶
- 做一个能更新、能查询、能监控的最小系统
第 5-6 周：质量与稳定性¶
- 加数据校验
- 加延迟监控
- 加索引更新策略
- 加异常回滚
第 7-8 周：求职资产化¶
- 写平台架构文档
- 写数据事故复盘
- 形成简历与面试材料
五、面试官最关心什么¶
1. 你是不是只会调现成平台¶
你必须说明：
- 数据是怎么进来的
- 特征或索引如何更新
- 在线服务如何保证一致性
2. 你是否理解“平台化”¶
真正的平台不是“一次性脚本”，而是：
- 多调用方可复用
- 指标可监控
- 变更可回滚
- 质量可追踪
3. 你能否处理脏数据和迟到数据¶
平台岗位很喜欢追问：
- 如何做数据校验
- 如何处理迟到事件
- 如何保证特征新鲜度
- 如何避免离线和在线不一致
六、最推荐的第一条样板项目¶
样板：检索与特征在线服务平台¶
为什么适合你：
- 能连接 RAG、推荐、MLOps 三个方向
- 既有数据工程味道，也有 AI 场景价值
- 比“纯数据仓库项目”更贴近高薪 AI 岗
七、站内推荐搭配¶
八、验收标准¶
- 有流批一体或在线更新链路
- 有数据质量或特征质量指标
- 有服务层设计
- 有索引 / 特征更新策略
- 有数据或平台事故复盘
- 能按照 13-三条交付线样板目录 输出完整平台交付包
结论¶
数据与平台工程交付线的价值，在于把“模型前的脏活累活”做成高复用、高可用、可量化的平台能力。
这类能力通常不花哨，但在真实团队里非常值钱。