---
url: /ai/ai-jd-wanted.md
---
# AI 应用全栈架构师岗位

***

## 🎯 核心知识领域

### 一、后端开发（重点）

#### 1.1 编程语言（至少精通一门）

* \[ ] **Python**: FastAPI/Flask, 异步编程 (asyncio), 类型注解
* \[ ] **Java**: Spring Boot, Spring Cloud, JPA/MyBatis
* \[ ] **Go**: Gin/Echo, 并发模型 (goroutine/channel)
* \[ ] **Node.js/TypeScript**: NestJS, Express, 类型系统

#### 1.2 数据库设计

* \[ ] **MySQL/PostgreSQL**: 索引优化、事务隔离级别、锁机制、执行计划分析
* \[ ] **数据建模**: ER 图设计、范式与反范式、分库分表策略
* \[ ] **pgvector**: 向量相似度搜索 (Cosine, L2, IP)

#### 1.3 缓存与消息队列

* \[ ] **Redis**: 数据结构、持久化 (RDB/AOF)、缓存穿透/击穿/雪崩、分布式锁
* \[ ] **消息队列**: RabbitMQ/Kafka/RocketMQ - 消息可靠性、顺序消费、积压处理

#### 1.4 API 设计

* \[ ] RESTful API 设计规范 (资源命名、状态码、版本控制)
* \[ ] WebSocket 实时通信
* \[ ] GraphQL (加分)
* \[ ] OpenAPI/Swagger 文档

***

### 二、前端开发

#### 2.1 核心框架（至少精通一门）

* \[ ] **React**: Hooks, Context, Redux/Zustand, React Query
* \[ ] **Vue**: Composition API, Pinia/Vuex, Vue Router
* \[ ] **Next.js**: SSR/SSG, App Router, Server Actions

#### 2.2 AI 交互场景

* \[ ] 流式响应渲染 (Server-Sent Events)
* \[ ] Markdown 渲染与代码高亮
* \[ ] 对话状态管理
* \[ ] Agent 任务进度展示

***

### 三、AI 应用能力（核心差异化）

#### 3.1 LLM 基础概念

* \[ ] **Token**: 计算方式、不同模型的 token 限制
* \[ ] **Context Window**: 上下文长度管理与截断策略
* \[ ] **Temperature/Top-P**: 采样参数对输出的影响
* \[ ] **System/User/Assistant**: 角色消息设计

#### 3.2 Prompt Engineering

* \[ ] Zero-shot / Few-shot Prompting
* \[ ] Chain of Thought (CoT)
* \[ ] ReAct 模式 (Reason + Act)
* \[ ] Structured Output (JSON Mode, Function Calling)

#### 3.3 AI Agent 开发

* \[ ] **任务拆解**: 复杂任务分解为可执行步骤
* \[ ] **Tool Calling**: Function Calling 机制与注册
* \[ ] **Memory 管理**: 短期记忆 vs 长期记忆
* \[ ] **Workflow 编排**: 有向无环图 (DAG) 执行
* \[ ] **异常处理**: 重试机制、降级方案、人工介入

#### 3.4 RAG (检索增强生成)

* \[ ] **文档处理**: PDF/Word/Markdown 解析、文本分块 (Chunking)
* \[ ] **Embedding**: 向量模型选择 (text-embedding-3-small/large, m3e)
* \[ ] **向量数据库**:
  * \[ ] pgvector (PostgreSQL 扩展)
  * \[ ] Milvus (独立向量库)
  * \[ ] Elasticsearch (混合检索)
  * \[ ] Chroma/Weaviate
* \[ ] **检索策略**: 语义检索、关键词检索 (BM25)、混合检索
* \[ ] **Rerank**: 重排序模型 (Cohere Rerank, bge-reranker)
* \[ ] **召回优化**: MMR (最大边际相关性)、过滤条件

#### 3.5 AI 工程化问题

* \[ ] **超时处理**: 流式响应、长任务轮询
* \[ ] **幻觉问题**: 事实校验、引用溯源
* \[ ] **成本控制**: Token 统计、缓存层、小模型优先
* \[ ] **结果不确定性**: 重试、投票、一致性检查

#### 3.6 AI 框架（加分项）

* \[ ] **LangChain**: Chains, Agents, Retrievers
* \[ ] **LangGraph**: 状态机、循环图、多 Agent 协作
* \[ ] **LlamaIndex**: 数据连接器、查询引擎
* \[ ] \*\*MCP \*\*(Model Context Protocol): Server/Client 协议

***

### 四、系统架构能力（重点考察）

#### 4.1 架构设计原则

* \[ ] SOLID 原则
* \[ ] DRY / KISS / YAGNI
* \[ ] 关注点分离
* \[ ] 领域驱动设计 (DDD) 基础

#### 4.2 系统分层

```
┌─────────────────────────────────────┐
│         前端层 (Web/Mobile)          │
├─────────────────────────────────────┤
│         API Gateway / BFF           │
├─────────────────────────────────────┤
│      业务服务层 (微服务/单体)        │
├─────────────────────────────────────┤
│      AI 服务层 (LLM/RAG/Agent)       │
├─────────────────────────────────────┤
│   数据层 (MySQL/Redis/VectorDB)      │
└─────────────────────────────────────┘
```

#### 4.3 并发与异步

* \[ ] **同步 vs 异步**: 何时使用异步任务队列
* \[ ] **Celery/Dramatiq**: Python 分布式任务队列
* \[ ] **Bull/BullMQ**: Node.js 队列
* \[ ] **定时任务**: Cron, APScheduler

#### 4.4 性能优化

* \[ ] 数据库查询优化 (索引、覆盖索引、避免 N+1)
* \[ ] 缓存策略 (本地缓存 + 分布式缓存)
* \[ ] CDN 静态资源加速
* \[ ] 连接池配置

#### 4.5 安全考虑

* \[ ] JWT/OAuth2 认证
* \[ ] RBAC 权限模型
* \[ ] SQL 注入防护
* \[ ] XSS/CSRF 防护
* \[ ] 敏感数据加密存储

***

### 五、DevOps 与工程化

#### 5.1 容器化

* \[ ] **Docker**: Dockerfile 编写、多阶段构建
* \[ ] **Docker Compose**: 本地环境编排
* \[ ] **Kubernetes**: Pod/Deployment/Service (加分)

#### 5.2 CI/CD

* \[ ] GitHub Actions / GitLab CI
* \[ ] 自动化测试流水线
* \[ ] 蓝绿部署/金丝雀发布

#### 5.3 监控与日志

* \[ ] **日志**: 结构化日志 (JSON), 日志分级
* \[ ] **链路追踪**: OpenTelemetry, Jaeger
* \[ ] **指标监控**: Prometheus + Grafana
* \[ ] **告警**: PagerDuty, 钉钉/飞书机器人

#### 5.4 测试

* \[ ] 单元测试 (pytest/jest/vitest)
* \[ ] 集成测试
* \[ ] E2E 测试 (Playwright/Cypress)

***

### 六、AI Coding 工具使用（岗位特色）

#### 6.1 工具熟练度

* \[ ] **Cursor**: Tab 补全、Chat 对话、整文件编辑
* \[ ] **Claude Code**: CLI 交互、批量修改
* \[ ] **GitHub Copilot**: 行内补全、Copilot Chat

#### 6.2 高效使用模式

* \[ ] 需求分析 → 让 AI 输出技术方案
* \[ ] 架构设计 → 让 AI 画流程图/时序图
* \[ ] 代码生成 → 提供清晰的上下文和约束
* \[ ] 代码审查 → 让 AI 识别潜在问题
* \[ ] 重构建议 → 技术债治理
* \[ ] 测试生成 → 提高覆盖率

***

## 📝 项目经验准备

### 准备 1-2 个完整项目案例，能够清晰说明：

```
1. 业务背景
   - 解决什么问题？
   - 用户是谁？
   - 业务规模如何？

2. 你的职责
   - 负责哪些模块？
   - 做了哪些架构决策？
   - 带过多少人？

3. 技术架构
   - 技术选型理由
   - 系统分层设计
   - 关键组件选型

4. 数据模型
   - 核心表结构
   - 索引设计
   - 数据量级

5. 挑战与解决
   - 遇到的最大技术难点
   - 如何排查线上问题
   - 性能瓶颈如何突破

6. 演进过程
   - 需求变化如何应对
   - 技术债如何治理
   - 如果重做会改进什么
```

***

## 🔥 高频面试题预测

### 系统设计题

1. 设计一个企业知识库问答系统（RAG 架构）
2. 设计一个 AI Agent 任务调度系统
3. 设计一个支持多租户的 SaaS 平台
4. 如何保证 AI 输出的可靠性和一致性？

### 技术深度题

1. RAG 检索效果差，如何定位和优化？
2. 向量数据库选型：pgvector vs Milvus，如何选择？
3. 如何处理 LLM API 超时或失败？
4. 如何设计一个可复用的 Tool Calling 框架？
5. 缓存穿透/击穿/雪崩的区别和解决方案？

### 架构权衡题

1. 单体 vs 微服务，什么时候拆分？
2. 同步调用 vs 异步队列，如何选择？
3. 强一致性 vs 最终一致性，业务场景如何选？
4. 自研 vs 开源 vs 云服务，决策因素有哪些？

***

## 📚 推荐学习资源

### AI 应用开发

* [LangChain 官方文档](https://python.langchain.com/)
* [LlamaIndex 官方文档](https://docs.llamaindex.ai/)
* [Harrison Chase 的 AI Agent 课程](https://www.deeplearning.ai/)

### 系统设计

* 《设计数据密集型应用》(DDIA)
* [System Design Interview](https://github.com/checkcheckzz/system-design-interview)
* [Architecture Patterns with Python](https://www.cosmicpython.com/book/preface.html)

### 实战项目建议

* 搭建一个带 RAG 的企业知识库系统
* 实现一个支持 Tool Calling 的 AI Agent
* 用 LangGraph 实现一个多步骤工作流

***

## ✅ 自查清单

| 领域 | 掌握程度 | 备注 |
|------|---------|------|
| 后端语言 (Python/Java/Go/Node) | ⬜⬜⬜⬜⬜ | |
| 前端框架 (React/Vue/Next) | ⬜⬜⬜⬜⬜ | |
| 数据库设计与优化 | ⬜⬜⬜⬜⬜ | |
| Redis/消息队列 | ⬜⬜⬜⬜⬜ | |
| LLM API 与 Prompt | ⬜⬜⬜⬜⬜ | |
| RAG 全流程 | ⬜⬜⬜⬜⬜ | |
| Agent 开发 | ⬜⬜⬜⬜⬜ | |
| 系统架构设计 | ⬜⬜⬜⬜⬜ | |
| Docker/部署 | ⬜⬜⬜⬜⬜ | |
| AI Coding 工具 | ⬜⬜⬜⬜⬜ | |

***

## 💡 技巧

1. **强调工程背景**: 突出传统软件开发经验，而非仅 AI Demo
2. **展示架构思维**: 讲清楚技术选型背后的权衡
3. **准备代码作品**: GitHub 项目或技术博客
4. **AI 工具提效案例**: 具体说明 AI 如何提高你的研发效率
5. **承认知识边界**: 对不了解的技术诚实，但展示学习能力

***