数据研发工程师-AI语义方向

1、语义模型研发（50%）

（1）基于数仓建模结果，设计并实现指标、维度、业务实体的语义层定义，覆盖口径逻辑、时间粒度、过滤条件等核心要素。

（2）使用语义层工具（dbt Semantic Layer / MetricFlow、Cube.dev 等）完成模型的开发、测试与发布。

（3）维护语义模型的版本管理、血缘追踪和变更影响分析，确保数仓变更不破坏下游语义一致性。

（4）推动语义层的 AI-ready 能力建设，为 Text-to-SQL / Data Agent 场景提供结构清晰、语义自洽的数据接口。

2、语义治理与一致性保障（30%）

（1）对接业务线和 BI 团队，将各域核心指标沉淀至统一语义层，推动口径标准化。

（2）识别并解决跨域指标口径冲突，参与指标申请与废弃的评审流程。

（3）建立语义层健康度监控：指标覆盖率、一致性校验、查询性能基线。

3、平台集成与工程化（20%）

（1）推进语义层与 BI 工具、数据目录、Data Agent 系统的集成，确保各消费链路语义统一。

（2）参与语义层 CI/CD 流程建设，提升模型发布的自动化程度和稳定性

必备条件：

1、4年以上数据工程 / 数据平台相关工作经验，有语义层、指标体系或数据建模方向的实际落地经验。

2、深厚的数据功底：精通 SQL、数据建模（维度建模 / 实体关系建模）及大数据处理流程，理解数仓物理分层与性能调优。

3、业务抽象与知识图谱能力：具备极强的业务理解和转化能力，能将散落在代码、文档或口口相传中的业务逻辑抽象为规范的 DSL（领域特定语言）或语义图谱。

4、AI 与工程结合能力：熟悉大模型应用架构（Agent、RAG 等），理解"工程代码"与"AI 提示词"的边界，能确保语义输出的高确定性与低幻觉。

5、具备数据治理意识，理解指标口径问题的根因，能参与并推进口径标准化流程。

6、有良好的跨团队沟通能力，能与业务分析师对齐指标定义，将技术实现翻译为业务可理解的语言。

加分项：

1、有金融核心指标（AUM、净值、持仓、成交量、用户留存、LTV 等）的建模经验，理解金融数据的口径敏感性和合规约束。

2、有面向 LLM / Data Agent 的语义层适配经验（NL2SQL 语义优化、数据上下文注入等），理解语义层在 RAG 架构中的定位。

3、有 500+ 指标规模的语义层维护经验；有多 BI 工具统一语义出口的工程实践。

4、有多市场数据平台经验；具备英文工作能力，了解美股 / 港股市场业务逻辑