{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "点评技术-数仓 AI Builder",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "核心本地商业-业务研发平台",
        "location": "北京市 / 上海市",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "美团",
        "company_industry": "科技零售 / 生活服务",
        "company_size": "10000人以上",
        "company_website": "meituan.com",
        "company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 5,
        "degree": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. 面向数仓团队的 Agent 工具建设\n- 深入了解数仓团队的核心工作流程：需求沟通、模型设计、SQL 开发、任务编排、数据质量巡检、口径对齐、Ad-hoc 查询等；\n- 设计和建设面向数仓团队的 AI Agent 工具，覆盖智能 SQL 生成与优化、智能数据探查、自动化数据治理、自然语言取数等场景；\n- 建设面向数据消费方（分析师、运营、产品等）的智能取数 Agent，让非技术同学通过自然语言即可完成数据查询和分析；\n- 探索 Generative UI 在数据查询和分析场景的应用，让数据交互更直观、更高效。\n\n2. 数仓工作流程识别与 AI 提效\n- 系统性梳理数仓团队从需求到上线的全流程，识别高耗能、高重复、高出错率的环节；\n- 结合内外部 AI 能力，设计并落地提效方案，例如：智能需求解析与口径对齐、SQL 自动生成与性能优化、数据异常智能归因、指标血缘自动梳理等；\n- 推动“人写 SQL → AI 生成 SQL”、“人查数据 → AI 主动推送洞察”的工作方式转变。\n\n3. Agentic 架构与技术实现\n- 设计面向数据领域的 Agentic System，结合 Agentic RAG、Text-to-SQL、Agentic Workflow 等技术，提升数据查询和分析的准确率和可靠性；\n- 解决在多数据源、多模型协作场景下的可扩展性问题，确保 Agent 能稳定对接异构数据平台；\n- 完成存量数据工具的低成本 Agent 集成，支持数仓团队自建数据 Skill；\n- 结合 CodeAgent 模式，降低数据 Agent 的构建和迭代门槛。\n\n4. 数据与知识体系建设\n- 建设面向 Agent 友好的元数据和知识体系，包括表结构、指标定义、口径说明、常用查询模式等；\n- 低成本完成数仓知识库的生产、管理、消费流程，确保表信息、指标口径、开发规范等知识无过时、冲突、冗余；\n- 完善基于测评驱动的数据 Agent 生产流程，建设覆盖 Text-to-SQL、数据归因、口径问答等场景的评测集，快速评估 Agent 效果。\n\n5. 模型能力适配与优化\n- 针对数据领域场景（SQL 生成、数据理解、口径问答等）进行模型评测和选型，选择高性价比方案；\n- 协同算法团队完成数据领域场景模型的 SFT、DPO 等训练优化工作；\n- 跟踪 Text-to-SQL、Table QA 等方向的前沿进展，评估并引入适合的模型能力。",
        "requirements_text": "1. 5年+ 研发经验，有数据仓库或数据平台相关经验；\n2. 对 Agentic System 有扎实理解，熟悉 LangChain、LangGraph 等框架，有 Agent 开发和落地经验；\n3. 熟悉数据仓库核心流程（模型设计、SQL 开发、ETL 调度、数据质量治理），对数仓痛点有切身体会；\n4. 精通 AI Coding，有 Spec Coding 实践经验；\n5. 在构建可靠、可扩展系统方面有良好判断力，对数据准确性和一致性有高标准；\n6. 对 AI 技术趋势有敏锐洞察，能快速学习和应用新工具、新框架。",
        "skills": [AI生成
            "SQL"
        ],
        "preferred_qualifications": "未披露",
        "job_highlights": "1. 参与核心数据智能平台建设，技术挑战大，成长空间广阔。  \n2. 与算法与工程团队协作，接触前沿AI与大数据技术。  \n3. 工作地点覆盖北京、上海，灵活选择，支持高效协作与职业发展"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4596487852&jobShareType=1"
            }
        ]
    },
    "posting": {
        "posting_id": "4596487852",
        "post_date": "",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4596487852&jobShareType=1"
    },
    "fulltext": "点评技术-数仓 AI Builder\n点评技术-数仓 AI Builder\n\n基础信息\n工作地点：北京市 / 上海市\n部门：核心本地商业-业务研发平台\n职位类别：技术类\n职位族群：软件\n更新时间：2026-09-16\n\n岗位职责\n1. 面向数仓团队的 Agent 工具建设\n- 深入了解数仓团队的核心工作流程：需求沟通、模型设计、SQL 开发、任务编排、数据质量巡检、口径对齐、Ad-hoc 查询等；\n- 设计和建设面向数仓团队的 AI Agent 工具，覆盖智能 SQL 生成与优化、智能数据探查、自动化数据治理、自然语言取数等场景；\n- 建设面向数据消费方（分析师、运营、产品等）的智能取数 Agent，让非技术同学通过自然语言即可完成数据查询和分析；\n- 探索 Generative UI 在数据查询和分析场景的应用，让数据交互更直观、更高效。\n\n2. 数仓工作流程识别与 AI 提效\n- 系统性梳理数仓团队从需求到上线的全流程，识别高耗能、高重复、高出错率的环节；\n- 结合内外部 AI 能力，设计并落地提效方案，例如：智能需求解析与口径对齐、SQL 自动生成与性能优化、数据异常智能归因、指标血缘自动梳理等；\n- 推动“人写 SQL → AI 生成 SQL”、“人查数据 → AI 主动推送洞察”的工作方式转变。\n\n3. Agentic 架构与技术实现\n- 设计面向数据领域的 Agentic System，结合 Agentic RAG、Text-to-SQL、Agentic Workflow 等技术，提升数据查询和分析的准确率和可靠性；\n- 解决在多数据源、多模型协作场景下的可扩展性问题，确保 Agent 能稳定对接异构数据平台；\n- 完成存量数据工具的低成本 Agent 集成，支持数仓团队自建数据 Skill；\n- 结合 CodeAgent 模式，降低数据 Agent 的构建和迭代门槛。\n\n4. 数据与知识体系建设\n- 建设面向 Agent 友好的元数据和知识体系，包括表结构、指标定义、口径说明、常用查询模式等；\n- 低成本完成数仓知识库的生产、管理、消费流程，确保表信息、指标口径、开发规范等知识无过时、冲突、冗余；\n- 完善基于测评驱动的数据 Agent 生产流程，建设覆盖 Text-to-SQL、数据归因、口径问答等场景的评测集，快速评估 Agent 效果。\n\n5. 模型能力适配与优化\n- 针对数据领域场景（SQL 生成、数据理解、口径问答等）进行模型评测和选型，选择高性价比方案；\n- 协同算法团队完成数据领域场景模型的 SFT、DPO 等训练优化工作；\n- 跟踪 Text-to-SQL、Table QA 等方向的前沿进展，评估并引入适合的模型能力。\n\n岗位基本要求\n1. 5年+ 研发经验，有数据仓库或数据平台相关经验；\n2. 对 Agentic System 有扎实理解，熟悉 LangChain、LangGraph 等框架，有 Agent 开发和落地经验；\n3. 熟悉数据仓库核心流程（模型设计、SQL 开发、ETL 调度、数据质量治理），对数仓痛点有切身体会；\n4. 精通 AI Coding，有 Spec Coding 实践经验；\n5. 在构建可靠、可扩展系统方面有良好判断力，对数据准确性和一致性有高标准；\n6. 对 AI 技术趋势有敏锐洞察，能快速学习和应用新工具、新框架。\n\n岗位亮点\n1. 参与核心数据智能平台建设，技术挑战大，成长空间广阔。  \n2. 与算法与工程团队协作，接触前沿AI与大数据技术。  \n3. 工作地点覆盖北京、上海，灵活选择，支持高效协作与职业发展\n1. 面向数仓团队的 Agent 工具建设\n- 深入了解数仓团队的核心工作流程：需求沟通、模型设计、SQL 开发、任务编排、数据质量巡检、口径对齐、Ad-hoc 查询等；\n- 设计和建设面向数仓团队的 AI Agent 工具，覆盖智能 SQL 生成与优化、智能数据探查、自动化数据治理、自然语言取数等场景；\n- 建设面向数据消费方（分析师、运营、产品等）的智能取数 Agent，让非技术同学通过自然语言即可完成数据查询和分析；\n- 探索 Generative UI 在数据查询和分析场景的应用，让数据交互更直观、更高效。\n\n2. 数仓工作流程识别与 AI 提效\n- 系统性梳理数仓团队从需求到上线的全流程，识别高耗能、高重复、高出错率的环节；\n- 结合内外部 AI 能力，设计并落地提效方案，例如：智能需求解析与口径对齐、SQL 自动生成与性能优化、数据异常智能归因、指标血缘自动梳理等；\n- 推动“人写 SQL → AI 生成 SQL”、“人查数据 → AI 主动推送洞察”的工作方式转变。\n\n3. Agentic 架构与技术实现\n- 设计面向数据领域的 Agentic System，结合 Agentic RAG、Text-to-SQL、Agentic Workflow 等技术，提升数据查询和分析的准确率和可靠性；\n- 解决在多数据源、多模型协作场景下的可扩展性问题，确保 Agent 能稳定对接异构数据平台；\n- 完成存量数据工具的低成本 Agent 集成，支持数仓团队自建数据 Skill；\n- 结合 CodeAgent 模式，降低数据 Agent 的构建和迭代门槛。\n\n4. 数据与知识体系建设\n- 建设面向 Agent 友好的元数据和知识体系，包括表结构、指标定义、口径说明、常用查询模式等；\n- 低成本完成数仓知识库的生产、管理、消费流程，确保表信息、指标口径、开发规范等知识无过时、冲突、冗余；\n- 完善基于测评驱动的数据 Agent 生产流程，建设覆盖 Text-to-SQL、数据归因、口径问答等场景的评测集，快速评估 Agent 效果。\n\n5. 模型能力适配与优化\n- 针对数据领域场景（SQL 生成、数据理解、口径问答等）进行模型评测和选型，选择高性价比方案；\n- 协同算法团队完成数据领域场景模型的 SFT、DPO 等训练优化工作；\n- 跟踪 Text-to-SQL、Table QA 等方向的前沿进展，评估并引入适合的模型能力。\n1. 5年+ 研发经验，有数据仓库或数据平台相关经验；\n2. 对 Agentic System 有扎实理解，熟悉 LangChain、LangGraph 等框架，有 Agent 开发和落地经验；\n3. 熟悉数据仓库核心流程（模型设计、SQL 开发、ETL 调度、数据质量治理），对数仓痛点有切身体会；\n4. 精通 AI Coding，有 Spec Coding 实践经验；\n5. 在构建可靠、可扩展系统方面有良好判断力，对数据准确性和一致性有高标准；\n6. 对 AI 技术趋势有敏锐洞察，能快速学习和应用新工具、新框架。",
    "standard_classification": {
        "std_category_code": "T009",
        "std_aux_codes": [
            "T016"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}