大模型数据架构工程师

根据模型训练路线与数据规模，规划数据接入、存储、计算、处理、标注、质量控制和交付体系；明确模块边界与接口，在迭代速度、扩展能力、可靠性和成本之间做出合理取舍。

设计数据 schema、元数据规范、样本标识及数据集组织方式，统一不同来源、模态和训练任务的数据表达；建立数据生产端与训练框架之间稳定、可演进的接口。

将清洗、去重、过滤、标注、样本构造和质量检查等能力沉淀为可配置、可组合的处理组件；设计分布式任务执行、资源调度、增量处理和故障恢复机制，并亲自实现关键模块。

建设数据目录、血缘追踪、版本管理、质量门禁和发布回滚机制，使每次训练能够追溯到具体数据来源、处理代码、配置与采样配方；制定数据授权、隐私保护和访问控制规范。

系统优化存储布局、文件格式、分片策略、数据读取和计算资源使用，解决数据处理及训练供给瓶颈；建立吞吐、延迟、失败率、资源利用率和单位数据处理成本等指标体系。

与算法、训练基础设施及数据采集团队协作，将评测结果和失败案例转化为数据建设需求，支持数据配比实验、定向补数和版本对比；推动 AI 编程工具在团队中的规范化使用，提升开发效率与交付质量。

国内外高校硕士或博士应届毕业生，计算机、人工智能、数据科学、软件工程等相关专业。

具备深厚的训练数据工程背景，深度参与过多个大模型训练数据项目或多轮大规模训练迭代，至少主导过一套训练数据平台或核心数据管线从设计到上线的完整建设，具有长期维护和架构演进经验。

具备贴近模型训练的数据架构能力，能够根据预训练、SFT、偏好优化及多模态训练需求设计数据体系，理解数据版本、混合采样、训练评测隔离与实验复现之间的关系，而不仅限于传统数仓或报表系统建设。

具备扎实的分布式系统与性能优化能力，熟悉对象存储、分布式计算、工作流调度、元数据管理和可观测性建设，能够处理幂等性、数据一致性、失败恢复、任务扩展和成本控制等工程问题。 5，保持较强的一线编码能力，精通 Python，能够独立完成技术验证、核心模块实现、性能分析和复杂问题排查；能够通过代码评审、接口规范和测试体系提升团队交付质量。

熟练使用并组织 AI 辅助开发，熟练使用 Claude Code、Codex、Cursor 等 vibe coding 工具，能够为复杂工程任务设计清晰的上下文、任务边界和验收标准；建立代码审查、自动化测试及敏感数据使用边界，避免将未经验证的生成代码直接投入生产。

具备技术判断与跨团队推进能力，能够将算法需求转化为可交付的工程方案，明确建设优先级，在快速验证与长期架构之间平衡，避免过度设计，并对上线效果和持续运维负责。

具备以下经验者优先：主导过大规模多模态或具身智能数据平台建设；熟悉视频时序、多视角数据、相机参数、机器人轨迹与动作数据的统一组织；有数据质量与模型效果关联分析、自动标注平台、合成数据生产系统或开源数据基础设施贡献经验。