腾讯
校招面向 Agent 应用开发的易用 API 抽象与平台化建设
深圳总部 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 1、包含但不限于计算机科学与技术、人工智能、软件工程、数据科学与大数据技术、信息管理与信息系统、管理科学与工程、统计学、应用数学、自动化、电子信息等相关专业的博士和优秀硕士；
- 2、了解数据开发、数据分析、数据仓库、SQL 或大数据平台基础，熟悉数据处理链路、指标口径、元数据管理或数据质量相关知识者优先；
- 3、对自然语言生成数据任务、智能数据分析、LLMs/Agent 在大数据平台中的应用有浓厚兴趣，愿意探索 AI 驱动的数据工作流自动化；
- 4、具备较强的问题拆解、业务理解、结果验证和逻辑分析能力，能够结合业务目标判断分析结果的合理性，有数据产品、数据开发或智能分析相关项目实践经验优先。
岗位描述
【岗位职责】
课题背景
在大数据平台中，用户完成一次业务分析通常需要经历需求表达、数据理解、指标定义、任务开发、质量校验、结果分析和报告输出等多个环节，整体链路长、技术门槛高、跨角色沟通成本大。业务人员往往难以准确描述数据需求，数据开发人员需要反复理解业务口径、确认数据来源并编写处理逻辑，导致分析效率与交付质量受到影响。
LLMs 与 Agent 技术为重构大数据业务工作流提供了新路径。通过自然语言交互、元数据理解、数据血缘分析、智能任务生成和结果解释能力，AI 可以辅助用户从“提出问题”开始，自动完成需求理解、数据识别、分析方案生成、数据处理逻辑编写、质量校验与报告产出。因此，本课题聚焦 AI 驱动的大数据全流程智能助手建设，探索从“提出问题”到“拿到结果”的端到端智能化工作流，降低数据使用门槛，提升大数据平台的分析效率与产品化体验。
课题挑战
- 1、自然语言到数据任务的准确转化：面向用户模糊、非结构化的自然语言需求，构建需求理解、意图识别与任务拆解能力，将业务问题准确转化为可执行的数据查询、指标计算或数据处理任务，解决业务语言与数据开发语言之间的鸿沟。
- 2、数据血缘、元数据与指标语义理解：结合数据表、字段、口径、血缘关系和历史任务信息，构建面向大数据平台的元数据理解能力，支持 AI 自动识别相关数据资产、推荐合理指标口径，并保障生成方案与真实业务语义一致。
- 3、结果质量校验与异常解释闭环：围绕数据处理结果，设计自动化质量校验、异常检测、结果一致性验证和可解释分析机制，确保 AI 生成的数据任务和分析结论可信、可追溯，避免因口径偏差、数据异常或逻辑错误导致错误决策。
具体工作
你将结合前沿 LLMs、Agent 技术与大数据工程能力，参与智能化大数据助手原型系统建设，重点工作：设计自然语言到数据任务生成方案；构建基于数据血缘与元数据的智能数据理解能力；研发指标识别、指标建模与分析方案自动生成模块；实现数据处理逻辑生成、结果质量校验与异常解释能力；搭建分析结论与报告自动生成链路，最终形成一个从“提出问题”到“拿到结果”的智能化大数据助手原型，降低用户使用大数据平台的门槛，提升数据分析、开发与交付效率。
【任职要求】
- 1、包含但不限于计算机科学与技术、人工智能、软件工程、数据科学与大数据技术、信息管理与信息系统、管理科学与工程、统计学、应用数学、自动化、电子信息等相关专业的博士和优秀硕士；
- 2、了解数据开发、数据分析、数据仓库、SQL 或大数据平台基础，熟悉数据处理链路、指标口径、元数据管理或数据质量相关知识者优先；
- 3、对自然语言生成数据任务、智能数据分析、LLMs/Agent 在大数据平台中的应用有浓厚兴趣，愿意探索 AI 驱动的数据工作流自动化；
- 4、具备较强的问题拆解、业务理解、结果验证和逻辑分析能力，能够结合业务目标判断分析结果的合理性，有数据产品、数据开发或智能分析相关项目实践经验优先。
【技术方向】
AI基础设施、系统与安全
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 后端开发 岗位的常见面试问题整理
请解释 RESTful API 的设计原则，并举一个你实际设计过的例子
查看答题思路
1. 资源导向：URL 表示资源而非操作 2. HTTP 方法语义：GET/POST/PUT/DELETE 对应查增改删 3. 无状态：每个请求包含全部所需信息 4. 统一接口：一致的响应格式（如 JSON） 5. 举例：用户模块 /users/{id}，GET 查/POST 创/PUT 改/DELETE 删，返回统一 {code, data, message}
MySQL 索引的底层数据结构是什么？为什么用 B+ 树而不是哈希表或红黑树
查看答题思路
1. B+ 树：非叶子节点只存 key 不存 data，单次 IO 读更多 key 2. 叶子节点形成有序链表，支持范围查询（哈希表不支持范围） 3. 高度低（3-4 层可存千万级数据），减少磁盘 IO 4. 对比红黑树：B+ 树是多叉的，高度更低，磁盘 IO 更少
你参与过的最复杂的后端项目是什么，你承担了什么角色
查看答题思路
1. 项目背景：一句话说清业务场景 2. 技术栈：语言/框架/数据库/中间件 3. 个人职责：你做的，不是团队做的——用「我设计了」「我优化了」 4. 难点：遇到了什么具体问题，怎么解决的 5. 数据佐证：QPS 从多少提到多少 / 延迟降了多少
什么是微服务架构，和单体架构相比各有什么优劣
查看答题思路
1. 单体：所有功能在一个进程，部署简单，初期开发快；缺点是耦合高、扩展难 2. 微服务：按业务拆分独立服务，独立部署/扩展/技术栈 3. 优点：故障隔离、团队自治、技术栈灵活 4. 缺点：网络开销、分布式事务、运维复杂度 5. 判断标准：团队<10 人或业务不复杂时，单体是更好的选择
如何设计一个高并发的秒杀系统
查看答题思路
1. 前端限流：按钮置灰、验证码 2. 网关层：Nginx 限流 + 负载均衡 3. 业务层：Redis 预减库存（原子操作），消息队列异步下单 4. 数据库：乐观锁扣库存，读写分离 5. 降级方案：流量过大时返回「已售罄」而非崩溃
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。