AI数据工程师岗位说明书（含避坑说明）

AI数据工程师岗位说明书第1页共1页2026版AI数据工程师岗位说明书解决「AI数据工程师招不准、定级没依据、考核扯皮」：13张表讲透岗位职责·任职要求·考核指标·薪酬带宽·晋升路径，附JD模板与可打印面试评估表，HR与用人经理可直接套用一、岗位概述1.1岗位定位AI数据工程师属于AI原生工程岗，工作对象不是模型，而是数据的生产线。这个定位必须先说清，因为它和隔壁岗位最容易混。数据集构建师交付的是「数据的规格」——定义什么算一条合格样本、标注规则怎么写、多少条够用；AI数据工程师交付的是「数据的产能」——让数据从业务系统出发，经过采集、清洗、解析、分块、入库，稳定地、可重复地、可追溯地流到训练集和检索库。构建师决定"做成什么样"，本岗决定"怎么持续做出来、做多少次都一样、出问题能查到哪一步"。一句话概括：把散落在业务系统里的原始数据，变成可被模型和检索稳定消费的工业品，并对这条流水线的产能、质量与可追溯性负责。一个判断标准可以用来区分本岗与"会写SQL的数据开发"：数据开发交付的是报表与宽表，供人看；AI数据工程师交付的是语料、向量索引、训练集与检索服务，供模型吃。前者错一行数字有人发现，后者错一批数据往往三个月后才在模型效果上暴露。这个差别决定了本岗的核心能力不是SQL写得多花，而是数据质量的可观测性。1.2岗位价值●决定RAG效果的天花板：检索增强类应用里，回答错误的归因中通常有六到七成落在"没检索到"或"检索到的是错的段落"，只有三成左右是模型本身的问题。解析错一个跨页表格，后面再好的模型也答不对。不设这个岗位，团队会反复在提示词上打转，而问题在PDF解析层。●决定训练数据的复用率：没有管道，每做一次微调就要重新导一次数据、重新洗一遍、重新对一遍字段，同样的脏活做第五遍。有管道，第二次只改配置。按一个中型项目每年做6次数据迭代估算，管道化能把单次准备周期从12人日压到3人日。●决定数据问题的定位速度：线上回答变差，如果有血缘与版本，2小时内能定位到"上周换了解析器v2，表格行错位"；没有血缘，团队要花一周复现，最后往往归因成"模型不稳定"。●决定合规风险是否可控：权限分级、脱敏、留痕都建在管道上。靠人工在导出前"注意一下"，早晚出事；靠管道在入库时强制拦截，才可审计。●决定单位数据成本：全量重跑还是增量更新、原始文件存不存、向量维度选多大、索引是否量化，这些选择直接影响存储与算力账单，量级差异常在3～5倍。1.3岗位边界（与相邻岗位的分工）岗位核心产出与本岗的分工边界数据集构建师数据规格、标注规范、样本schema、验收口径构建师定"什么算合格"，本岗负责"按规格批量产出并保证一致"大模型算法工程师模型权重、微调方案、训练策略本岗供数据，算法用数据；本岗不决定配比与训练超参AI平台运维工程师算力调度、服务稳定性、集群与网关本岗管数据链路（抽取到入库），平台运维管算力与服务可用性应用开发工程师检索接口调用、业务编排、前端呈现本岗交付检索API与索引，应用侧只管调用与兜底数据开发/数仓工程师宽表、指标、报表、ODS-DWD分层数仓面向分析与BI，本岗面向语料与向量，建模目标不同数据标注员/标注管理逐条标注、质检返工本岗提供待标数据与清洗结果，不承担逐条标注算法合规师备案材料、安全评估、合规结论本岗执行脱敏与权限技术措施，合规师出结论AI评测工程师评测集、评分脚本、效果判定本岗提供检索侧指标（召回率等），评测工程师判定端到端效果>中小企业里最常见的错误是把"数据集构建师+AI数据工程师+平台运维"合成一个人。合成之后的结果是：规格没人认真定，管道只能临时脚本化，出了问题没人能说清是哪一层。招聘时至少要把"规格"和"管道"拆开，哪怕两个人各兼一半。1.4岗位别名与招聘口径平台常见名称实际工作内容是否等同本岗AI数据工程师/大模型数据工程师采集、清洗、解析、向量库、管道是RAG数据工程师/知识库工程师文档解析、分块、索引、检索调优是（偏检索侧，采集较弱）数据治理工程师（AI方向）元数据、质量规则、权限、目录部分重合，需确认是否做向量与管道ETL开发工程师/数据开发工程师数仓ETL、调度、宽表否，除非有非结构化处理与向量库经验算法工程师（数据方向）有时指数据配比与清洗策略研究部分重合，需看是否写训练代码知识管理专员/知识库运营文档归类、目录维护、人工问答整理否，缺工程能力AI训练师标注、评测、行为调优否，属另一岗二、汇报关系2.1标准汇报线●直接上级：AI研发负责人/数据智能部负责人/技术总监；在数据组织较重的企业里汇报给数据平台负责人。●直接下级：P5、P6层级无下属；P7及以上可带3～6人数据工程小组，含数据工程师、解析工程师、外包数据运营。●虚线汇报：向使用数据的算法团队负责人虚线汇报数据供给满意度；向数据治理委员会虚线汇报合规执行情况。●常见双线情形：集团型企业的AI数据工程师常出现"行政挂数据中台、业务挂AI项目组"的双线，需在入职时明确考核权归属，否则两边派活、绩效无人认。2.2三种企业形态下的组织位置企业类型组织挂靠汇报对象工作特征大型科技公司/大模型厂商数据平台部、语料工程组数据平台负责人分工细，可能专做一类语料（代码、多语、图文），日处理量TB级，重吞吐与成本中大型行业企业（金融、制造、医疗、能源）数字化部下设AI组或数据中台数字化部总经理系统多、权限严、数据不出内网，重接入与合规，单项目文档量常在十万级中小型企业/创业公司直接挂技术负责人CTO或创始人一人打通采集到检索，重速度，常用托管向量库与现成解析服务换时间2.3横向协作接口协作方协作内容交付物常见摩擦点算法工程师训练语料格式、字段、去重口径、版本训练集、数据卡、版本号算法临时加字段，管道未留扩展位，返工重跑应用开发检索API契约、返回字段、超时与降级检索接口文档、索引版本应用方要求"一次返回全文"，与本岗的分块设计冲突业务系统owner（IT/厂商）数据库只读账号、API权限、CDC开binlog接入清单、账号、字段说明老系统无主键、无更新时间戳，增量同步无从下手数据治理/合规分级分类、脱敏规则、审计留痕脱敏规则表、权限矩阵合规要求"全字段脱敏"，脱敏后实体对不齐，检索失效平台运维调度资源、存储配额、向量库集群资源配额、监控接入大批量重跑挤占资源，影响在线检索业务专家术语表、实体别名、文档结构说明术语词典、文档类型清单专家给的术语表与实际文档用词不一致，需反复校准采购/法务第三方数据采购的授权范围授权书、使用限制清单采购的数据只允许内部使用，却被要求用于对外服务三、核心工作职责六个模块按数据从源头到资产的真实流向排列。每条职责均写明动作、产出物、验收标准，可直接转为绩效目标。3.1数据采集与接入1.业务系统对接：梳理源系统清单（ERP、CRM、工单、OA、文档管理、对象存储），逐个确认接入方式（JDBC只读、RESTAPI、日志采集、文件落地）、字段含义、更新频率、数据量级；产出《数据源接入清单》与字段映射表。验收：每个源系统有明确的责任人与连通性测试记录，字段映射覆盖率达100%，无法映射的字段单独列出原因。2.增量同步（CDC）建设：对支持binlog/redo日志的库开启CDC，对无日志的系统退化为时间戳轮询或全量比对；处理删除事件、主键变更、乱序到达。产出：增量同步任务与延迟监控。验收：正常时段同步延迟≤5分钟，删除与更新事件不漏，连续7天无重复写入。3.批量抽取与历史回填：对历史数据做分批抽取（按时间或主键区间切片，单批控制在10万行以内），支持断点续跑与限速，避免拖垮生产库。产出：回填脚本与进度台账。验收：回填可中断可恢复，对源库CPU影响不超过10%，全量校验行数与金额类字段合计一致。4.第三方数据接入：接入采购的工商、法规、专利、行业标准等外部数据，核对授权范围（是否允许用于模型训练、是否允许对外服务）、更新周期、主键体系；建立与内部实体的对齐规则。产出：外部数据接入说明与授权台账。验收：每条外部数据可追溯到采购合同编号，授权范围与使用场景一致，超范围使用为零。3.2数据清洗与治理5.去重（字面+语义）：字面层用规范化后的哈希（去空格、统一全半角、去除页眉页脚）做精确去重；语义层用向量相似度做近重复识别，阈值按文档类型分别设定（FAQ类0.92，合同类0.97，新闻类0.90）。产出：去重报告与保留/删除清单。验收：抽样200组人工判定，误删率≤2%，重复残留率≤3%。6.格式规范化与字段标准化：统一编码（UTF-8）、时间格式（ISO8601）、金额单位、枚举值映射（如"男/男性/M"归一为M）；建立字段级校验规则（非空、长度、正则、枚举白名单）。产出：清洗规则集与规则命中统计。验收：规则覆盖率100%，每条规则有命中量与抽样验证记录，无"规则写了但从未命中"的死规则。7.缺失与异常处理：区分"真缺失"与"采集失败"，前者按业务规则填补或标记，后者重跑；对数值型做分布检查（3σ或分位数），对文本做长度与乱码检测（连续非常用字符、替换符U+FFFD占比）。产出：异常清单与处置记录。验收：异常数据100%有处置结论（修复/隔离/丢弃），无静默丢弃。8.实体归一与术语标准化：建立企业、产品、人名、地名、型号的实体词典与别名表，做实体消歧与统一（"XX公司/XX有限公司/XX集团"归一）；把业务口语词映射到标准术语。产出：实体词典、别名词表、术语映射表。验收：抽样100个实体，归一准确率≥95%；检索侧因实体不一致导致的漏召回下降≥40%。9.脏数据监控：为每张表、每类文档设置质量指标（空值率、重复率、解析失败率、字符异常率、长度分布偏移），配置阈值告警并接入值班。产出：数据质量看板与告警规则。验收：质量劣化在24小时内被发现，告警有明确责任人，误报率≤10%。3.3文档解析与非结构化处理10.多格式解析：对PDF（含文本层与纯扫描）、Word、Excel、PPT、HTML、邮件、图片分别选型解析方案；纯文本PDF走版面分析，扫描件走OCR（中文识别需专门验证），复杂版式走带坐标的版面还原。产出：解析服务与解析配置。验收：抽取文本与原文人工比对，字符准确率≥98%（文本层PDF）、≥95%（扫描件），版面顺序错误率≤3%。11.版面还原与结构化抽取：恢复标题层级、段落顺序、列表、表格、页眉页脚剔除；跨页表格合并，合并单元格展开为行列坐标；表格输出为结构化行（而非空格拼接的字符串）。产出：结构化文档对象（标题树+段落+表格+图注）。验收：随机抽50份文档，标题层级正确率≥90%，跨页表格合并正确率≥85%，页眉页脚残留率≤1%。12.分块（chunking）策略设计：按文档类型分别设计切分规则——合同按条款（第X条为界，保留条款号与所属章节路径），产品手册按小节（跟随标题层级，超长再按段落切），FAQ按问答对（一问一答为一块，不拆），法规按条目并保留章节引用。块大小以token计，通用区间300～800，重叠10%～15%。产出：分块策略配置与切分样例。验收：抽样100块，语义完整性人工评分≥4分（5分制），无"半句话开头"的块占比≥95%，块内保留标题路径的比例100%。13.元数据打标：为每个块打上来源系统、文档ID、文档类型、版本、生效日期、密级、部门、页码/条款号、语言等字段，供后续过滤与引用回溯。产出：元数据schema与打标流水线。验收：必填元数据缺失率≤0.5%，密级字段100%填充，任一回答可反查到原文页码。3.4向量库与检索14.Embedding模型选型：按语言（中文为主/多语）、领域（通用/法律/医疗/工业）、维度（768/1024/1536）、最大输入长度、是否支持稀疏向量，选2～3个候选在自建评测集上对比。产出：选型报告。验收：在自建检索评测集上，Recall@10与nDCG@10均有实测数据，选型结论含成本与延迟对比。15.索引构建与更新：选择索引类型（HNSW/IVF/PQ），设定M、efConstruction等参数；建立全量重建与增量upsert两条通路，处理文档更新与删除（软删+定期压实）。产出：索引构建脚本与索引版本号。验收：千万级向量下P95检索延迟≤150ms，增量更新后10分钟内可检索到新内容，删除后不再召回。16.混合检索与rerank：向量召回与关键词召回（BM25）并行，按加权或RRF融合；对Top50做rerank（交叉编码器或LLM重排）取Top5。产出：检索链路配置与融合权重。验收：相较纯向量检索，混合+rerank使Recall@5提升≥8个百分点，端到端回答正确率提升≥5个百分点。17.检索质量评估：构建检索评测集（问题-正确块标注，每场景≥100条），计算Recall@K、MRR、nDCG，做分场景与分文档类型拆解；建立"检索不到"与"检索到错的"两类badcase归因。产出：检索评测报告与回归看板。验收：每次索引或模型变更都跑回归，指标下降超过2个百分点则阻断上线。3.5数据管道工程18.调度编排与依赖管理：用Airflow/Dagster/Argo等编排DAG，明确任务依赖、并发度、资源池、超时与优先级；把"抽取→清洗→解析→分块→向量化→入库→校验"串成一条可一键重跑的链路。产出：DAG定义与运维手册。验收：全链路可一键重跑，单任务失败不影响无关分支，补数可按日期区间指定。19.失败重试与幂等：为每个任务设计幂等键（文档ID+版本+分块序号），失败按指数退避重试3次，仍失败进死信队列并告警；禁止"重跑导致重复写入"。产出：重试策略与死信处理流程。验收：人为注入故障10次，数据不重不漏，死信可在1小时内处理完毕。20.数据质量校验（管道内）：在每个环节设置校验闸门（行数环比波动、主键唯一、必填非空、向量维度一致、分块数分布），不通过则阻断下游并告警。产出：校验规则配置与拦截日志。验收：脏数据流入下游的次数为0，拦截有完整日志可复盘。21.血缘追踪与版本管理：记录每个数据产品的上游来源、处理链路、参数版本、生成时间；语料、索引、评测集均打版本号，支持"回到某一版"。产出：血缘图与版本台账。验收：任一条训练样本可在3步内追溯到原始文档与页码；任一索引版本可复现构建。22.成本与性能优化：控制重复计算（缓存解析结果、按内容哈希跳过未变更文档）、控制存储（原文件冷存、向量量化）、控制并发（错峰跑批量任务）。产出：成本测算表。验收：月度数据处理成本较基线下降≥20%，在线检索不受批量任务影响。3.6数据资产化23.数据目录建设：建立可检索的数据资产目录，登记数据集名称、内容摘要、覆盖范围、更新频率、负责人、使用限制、样例。产出：数据目录（可搜索）。验收：常用数据集100%登记，业务方可在无工程师协助下自行找到所需数据集，目录信息与实际一致（抽检20项）。24.数据卡（datasheet）编写：为每个交付给算法或应用的数据集编写数据卡，含来源构成、条数、时间跨度、分布、已知缺陷、禁止用途、脱敏方式。产出：数据卡。验收：数据卡字段完整率100%，已知缺陷必须写，不允许只写优点。25.权限分级与脱敏：按密级（公开/内部/秘密/机密）设定访问控制，检索侧做行级/块级过滤（用户只能检索到有权限的文档）；脱敏采用替换、泛化、掩码、假名化，保留可关联性（同一实体在不同文档中脱敏后仍可对齐）。产出：权限矩阵与脱敏规则表。验收：越权检索测试用例100%拦截，脱敏后实体对齐准确率≥95%，审计日志留存≥6个月。四、任职要求4.1硬性要求（不满足则不予进入面试）维度具体要求说明学历本科及以上专科但有3年以上数据管道实战且能讲清架构者可放宽专业计算机、软件工程、信息管理、统计、图书情报图书情报专业在文档解析与元数据方向反而对口工作年限初级1～2年，中级3～5年，高级5年以上年限按"数据工程/非结构化数据处理"计，纯报表开发需折算编程能力Python熟练（必），SQL熟练（必），Java/Go/Scala其一（加分）要求能独立写解析与清洗脚本，不是只会调平台数据库熟悉MySQL/PostgreSQL，了解MongoDB/Elasticsearch能看懂执行计划，会写增量抽取SQL管道工具至少一种调度工具（Airflow/Dagster/Argo/Kettle）能说明依赖怎么设、失败怎么补文档解析有PDF/OCR/版面分析的实际处理经验面试需说明处理过哪些版式、准确率多少向量检索用过至少一种向量库（Milvus/Qdrant/Weaviate/pgvector/FAISS），理解HNSW参数含义能解释召回与延迟的取舍数据治理理解去重、主键、血缘、版本、权限的基本做法能说出一次脏数据事故的完整定位过程工程规范Git、Linux、容器基础、日志与监控接入交付物需可被他人接手运行4.2软性要求●对"脏"的耐受力：愿意花两天研究一份扫描件的表格为什么错行，而不是先去找模型的问题。●口径敏感：听到"大概几十万条"会追问"精确到万，哪张表，哪个时间范围，含不含作废"。●以终为始：设计分块时会先问"这块最终被谁用、怎么用"，而不是先定512这个数字。●可验证习惯：任何清洗规则上线前，先在小样本上跑一遍并留下前后对比，不接受"应该没问题"。●跨系统沟通：能向不懂技术的系统厂商要到只读账号和字段说明，也能向业务专家问出术语的真实用法。●成本意识：做方案时能说清"这套链路每月存储多少钱、重跑一次多少小时"。●文档能力：写得出别人照着能做的手册，而不是只有自己看得懂的脚本注释。4.3分级能力要求层级经验能力特征典型产出参考薪酬带宽（一线城市，年包）P5初级1～2年能在既定框架下写抽取与清洗任务，会配解析器与向量库单源接入、单类文档解析、清洗脚本20～28万P6中级3～5年能独立设计一条完整链路，能做分块与检索调优端到端管道、检索评测报告、数据卡28～38万P7高级5～8年能设计多源多模态的数据架构，能定质量标准与治理规范数据平台方案、质量体系、成本优化38～45万P8专家/负责人8年以上能规划企业级数据资产体系，能带队并对外输出方法数据战略、团队与规范、行业方案45万以上>提示区间为20～45万/年。市场上"懂RAG全链路"（解析+分块+混合检索+rerank+评测）的候选人明显溢价，通常比只做ETL的同龄人高20%～30%；只做单一向量库运维的则偏低。4.4加分项与伪加分项真实加分项：●处理过10万份以上真实企业文档，能说出至少5种版式的坑与对策（双栏、跨页表、竖排、印章遮挡、手写批注）。●自建过检索评测集并做过回归，能拿出Recall@K的前后对比数字。●做过CDC增量同步并处理过删除、乱序、主键变更三类边界。●有权限分级落地经验，做过越权检索的测试用例。●有成本优化实绩，能说清"把重跑从全量改成增量，月成本从多少降到多少"。●熟悉国产化环境（达梦、人大金仓、OceanBase、昇腾推理），在信创项目里可直接上手。伪加分项（不可作为主要录用依据）：●简历写"精通向量数据库"，但说不清HNSW的M与efConstruction调大调小各自影响什么。●只做过"用LangChain的文档加载器切一切、丢进向量库"，没处理过解析失败与版式异常。●项目描述只有"搭建了企业知识库，效果良好"，无文档量、无召回率、无延迟。●把"会写Prompt调检索"当成数据工程能力。●证书堆砌（各类大数据认证）但拿不出一条自己设计并跑过半年的管道。五、工作环境5.1物理与工具环境●办公形态：办公室为主，长期面对终端与多屏；批量任务多在夜间与周末跑，需远程查看。●技术栈：Python（pandas/Polars、PyMuPDF、pdfplumber、PaddleOCR/Tesseract）、SQL、Airflow/Dagster、Kafka、MinIO/S3、Milvus/Qdrant/pgvector、Elasticsearch、Docker/K8s、Git。●数据环境：行业客户数据通常在内网或专有云，禁止出网；解析与向量化需本地部署，不能调用公网EmbeddingAPI。这一点在招聘时必须说明，否则候选人入职后发现"什么API都用不了"会迅速流失。●硬件：文档解析与OCR对CPU敏感，向量化对GPU有需求但非独占；建议至少一台16核以上、64G内存的解析节点，GPU按日增量决定。5.2协作与节奏●项目节奏：接入期与解析攻坚期强度高，稳定运行期相对平稳；一个中型知识库项目通常经历"接入2周→解析调优4周→检索调优3周→上线与运维"。●会议负荷：源系统对接会、字段确认会、badcase归因会为主，中等。●出差：行业项目需到客户现场确认系统与文档现状，年均5%～15%，比算法岗略高。●值班：管道与检索服务上线后需承担二线值班，凌晨告警需响应；建议与平台运维建立明确的一线/二线分工。5.3保密与合规环境●签署保密协议，原始文档、清洗后语料、向量索引、评测集均属公司资产。●处理个人信息须遵循最小必要，身份证、手机号、住址、银行账号在入库前完成脱敏；脱敏规则需留档。●客户文档常含商业秘密，跨客户数据严禁混入同一索引；多租户场景必须做物理或逻辑隔离，并在检索层强制过滤。●第三方采购数据需核对授权范围，禁止超范围用于模型训练或对外服务。●审计要求：数据访问、导出、索引重建需留日志，留存不少于6个月。六、考核指标6.1指标设计原则1.以"可用"而非"做完"为准：接入100个源不等于可用，要看下游能不能稳定消费。2.质量指标必须带抽样验证：任何自动统计的准确率都要有百条级人工抽检背书，否则容易自我安慰。3.区分新建与运维：新建期看交付与覆盖，运维期看稳定性与成本，用同一套权重会导致新建项目被稳定性指标拖死。4.指标数控制在6～8项：管道岗位的指标极易膨胀成二十项，最后没人看。5.一票否决项单列：数据泄露、越权检索、训练集污染属否决项，不参与加权。6.2季度考核表（中级岗位示例）考核维度指标权重计算口径数据来源数据供给数据源接入完成率15%按期接入并通过连通与字段校验的源数/计划源数项目台账数据质量下游抽检合格率20%算法与应用方抽样判定合格条数/抽检条数抽检记录数据质量脏数据拦截率10%管道闸门拦截并告警的异常批次数/异常总批次数调度与告警日志检索效果检索Recall@515%检索评测集上Recall@5，与上季度基线对比检索评测看板管道稳定任务按期完成率15%按SLA完成的DAG运行次数/总运行次数调度平台交付效率平均数据准备周期10%从需求提出到数据可用的工作日中位数需求单成本单位数据成本5%月度存储与计算费用/有效处理文档数账单资产沉淀数据卡与目录完备率10%已登记且信息完整的资产数/应登记资产数数据目录一票否决数据泄露与越权事件—发生即当期不合格安全审计6.3分级考核差异●P5：以任务完成与规范执行为主，"检索Recall"权重下调至10%，增加"返工率"（首次交付即通过的比例）。●P6：按上表执行，强调独立闭环与检索调优能力。●P7：增加"架构合理性"（评审结论）与"跨团队支撑"，个人脚本产出权重下调，成本与治理权重上调。●P8：以体系建成度、团队产出、重大风险零发生为主，弱化单项目指标。6.4常见考核失真与纠正失真现象成因纠正办法接入数量好看但不可用只统计连通，不统计字段与增量验收加"连续7天增量同步无异常"解析准确率虚高只测文本层PDF，跳过扫描件评测集按版式分层抽样，扫描件单列指标检索指标与体感不符评测集问题太简单或与线上分布不一致评测集从真实用户问题中抽样，每月补充分块数冲量用块数当产出改为"有效块数"（通过语义完整性抽检的块）稳定性靠人肉盯无告警，靠工程师自觉强制接入监控与告警，纳入值班响应时长成本无人负责存储与算力不在本岗账上把数据侧存储与计算成本划入本岗考核七、职业发展路径7.1纵向：专业序列（P序列）●P5数据工程师：能按规范完成单源接入与单类文档解析。●P6高级数据工程师：能独立设计端到端链路，能做分块与检索调优，能建检索评测。●P7数据工程专家：能设计多源多模态数据架构，能定质量与治理规范，能解决解析层的疑难版式。●P8首席数据工程专家：能规划企业数据资产体系，对外具备方法输出能力。晋升门槛：P5→P6看"能否独立把一条链路跑稳三个月"；P6→P7看"能否解决别人解决不了的解析与检索问题"；P7→P8看"能否让整个组织的数据供给效率上一个台阶"。7.2纵向：管理序列（M序列）P7及以上可转M：数据工程组长（M1）→数据平台经理（M2）→数据负责人（M3）。需补三项能力：需求优先级排序、外包与供应商管理、跨部门数据协调（这一项在本岗比在算法岗更难，因为要动的往往是别的部门的系统权限）。7.3横向：转岗路径目标岗位迁移难度需补能力适配人群数据集构建师低规格设计、标注管理、评测口径对数据质量敏感、善于定标准者AI应用开发工程师低服务开发、接口设计、前端联调有后端基础者大模型算法工程师中高训练流程、微调、评测方法有数学与训练实操基础者AI平台运维工程师中K8s、集群、可观测性、容量规划偏基础设施兴趣者数据治理/合规中法规体系、分级分类、审计严谨、擅长写规范者AI解决方案架构师中高客户沟通、方案设计、售前有行业项目经验者7.4成长路线建议0～12个月（立足）：独立完成2个源系统的接入与1类文档的全流程解析；把公司现有管道的DAG读懂并能改；建立个人"版式坑位库"（每遇到一种版式问题记一条）；产出1份可复用的解析评测集。12～24个月（独立）：主导一个中型知识库或语料项目；建立检索评测与回归机制；把一条链路的准备周期压缩30%以上；开始参与数据规范制定。24～36个月（影响）：设计跨系统数据架构；带1～2名新人；形成个人标签（如"复杂表格解析""多租户权限检索""低成本增量管道"）；对外输出（技术分享、开源小工具、行业方案）。八、招聘与用工落地要点8.1JD发布要点●写清数据现状：有多少个源系统、多少万份文档、扫描件占比多少、有无历史清洗基础。这三项直接决定工作是"建管道"还是"清垃圾"。●写清交付物：不要写"负责数据治理"，要写"交付可增量更新的检索索引与检索评测报告"。●写清环境限制：是否内网、能否调用公网API、有无GPU。候