3.1 KiB
Executable File
3.1 KiB
Executable File
技术 / 研发 / 数据 关键词库
后端 / 服务端
Must-have 语言 & 框架
- 主流语言：Java / Go / Python / C++ / Rust / Node.js
- Web 框架：Spring Boot、Gin、FastAPI、Django、Express、NestJS
- 微服务：Spring Cloud、gRPC、Service Mesh、Istio
- 中间件：Kafka、RabbitMQ、Redis、ZooKeeper、Etcd
系统设计信号
- 高并发、高可用、分布式、CAP、一致性、限流、降级、熔断
- 存储：MySQL、PostgreSQL、MongoDB、ClickHouse、HBase、TiDB
- 缓存策略、读写分离、分库分表
- 容器化：Docker、Kubernetes、Helm
- 云：AWS / GCP / 阿里云 / 腾讯云 / 火山
职级判断
- 初级（1-3 年）：能独立完成模块开发
- 中级（3-5 年）：负责子系统设计、code review、带新人
- 高级（5-8 年）：架构设计、跨团队协作、技术选型
- 资深 / Staff（8+ 年）：业务架构、技术战略、影响力
前端
Must-have
- HTML / CSS / JavaScript / TypeScript
- 框架：React、Vue、Angular、Svelte
- 工程化：Webpack、Vite、Rollup、Turbopack
- 状态管理：Redux、Zustand、Pinia、MobX
- 全栈倾向：Next.js、Nuxt、Remix
Nice-to-have
- 跨端：React Native、Flutter、Electron、Tauri
- 性能优化：FCP / LCP / CLS、SSR、SSG、CDN
- 可视化：D3、ECharts、Three.js
- 微前端：qiankun、single-spa、Module Federation
算法 / 机器学习
Must-have
- 数学基础：概率统计、线性代数、优化
- 经典 ML：sklearn、XGBoost、LightGBM、特征工程
- 深度学习：PyTorch、TensorFlow、JAX
- 训练：分布式训练、数据并行、模型并行、混合精度
- 部署：ONNX、TensorRT、TorchServe、Triton
LLM / GenAI 方向
- 预训练、SFT、RLHF、DPO、PPO
- RAG、向量检索、Embedding、Reranker
- Prompt 工程、Tool use、Agent、MCP
- 模型评估：benchmark、人工评估、LLM-as-Judge
- 推理优化：vLLM、量化、KV cache、speculative decoding
CV / NLP / RecSys 细分
- CV：检测、分割、OCR、视频理解、扩散模型
- NLP：分类、NER、问答、对话、信息抽取
- RecSys：召回、粗排、精排、重排、CTR / CVR、Cold Start
数据 / 数仓
Must-have
- SQL（必考，不熟练直接 pass）
- 数仓建模：维度建模、星型 / 雪花、ODS/DWD/DWS/ADS
- 大数据：Hive、Spark、Flink、Presto / Trino
- 调度：Airflow、DolphinScheduler
- BI：Tableau、PowerBI、Superset、Quick BI
数据分析师 / 商分
Must-have
- SQL（中级以上：窗口函数、CTE、复杂 join）
- 业务理解：能从需求方一句话拆出指标 + 维度
- 实验设计：A/B test、显著性、样本量
- 工具：Python (pandas)、R、Excel 高阶、可视化工具
DevOps / SRE
- CI/CD：Jenkins、GitLab CI、GitHub Actions、ArgoCD
- IaC：Terraform、Pulumi、Ansible、Chef
- 监控：Prometheus、Grafana、ELK、Datadog、SkyWalking
- 故障处理：On-call、SLO、SLA、错误预算、事故复盘
反信号
- 简历只有"熟悉 / 了解 / 会用" → 弱
- 列了一堆框架，没有项目对应 → 假
- 没有任何性能数字 / 数据规模 → 单薄