第1章：岗位能力画像与简历优化模板
实时数仓开发工程师面试的第一关是“让简历通过筛选”。面试官每天浏览上百份简历，平均停留时间不足10秒。本章帮你拆解岗位核心能力，搭建高命中率简历框架，掌握关键词与量化表达技巧，让简历从“技术堆砌”变为“能力证据链”。
1.1 岗位能力画像详解
| 能力维度 | 关键要求 | 面试高频考点 |
|---|---|---|
| 实时计算引擎 | Flink / Spark Streaming 深度使用，Checkpoint、Watermark、状态后端原理 | 反压处理、Exactly-Once 语义实现 |
| 数据建模与分层 | ODS / DWD / DWS / ADS分层设计，维度建模与实时维度表 | 实时拉链表、维度退化原则 |
| SQL调优与运维 | Flink SQL 优化，Join 策略、MiniBatch、数据倾斜处理 | 大状态调优、Checkpoint 失败恢复 |
| 架构设计与选型 | Lambda / Kappa 架构，消息队列选型、OLAP 引擎 | 实时数仓 vs 离线数仓差异、数据一致性方案 |
| 业务理解与转化 | 将业务指标转化为实时计算逻辑，数据质量保障 | 指标口径对齐、异常数据报警设计 |
1.2 简历结构模板
推荐结构：个人信息 → 技能清单 → 工作经历（倒序，每条含项目背景、个人职责、量化成果） → 项目经验（精选2-3个高匹配项目） → 教育背景 → 附加信息（博客/开源贡献）。
- 技能清单：分“精通/熟悉/了解”三级，不要写“熟练使用”，改用具体技术版本或场景，如“精通 Flink 1.13+ 流处理 + Checkpoint 调优”。
- 工作经历：每段写 3-5 条，每条以 动词 + 技术点 + 结果指标 形式。示例：“基于 Flink CDC 构建实时订单宽表，数据延迟降低至 3s，QPS 提升 40%”。
- 项目经验：使用 STAR 法则，但面试简历中简写为 项目背景 + 技术选型 + 个人产出 + 量化成果。
1.3 关键词清单
| 类别 | 推荐关键词（按权重排列） |
|---|---|
| 流式计算 | Flink、Apache Flink、DataStream、Real-time、Streaming、Event Time、Processing Time |
| 存储与OLAP | ClickHouse、Doris、Kudu、HBase、Redis、Elasticsearch |
| 消息队列 | Kafka、Pulsar、RocketMQ、消息顺序、分区分配 |
| 调度与元数据 | Airflow、DolphinScheduler、Atlas、Data Catalog |
| 质量与监控 | 数据质量、告警、延迟监控、SLA、数据对账 |
1.4 成果量化句式
常用量化维度：
- 延迟：端到端延迟从 10s 降至 1s 以内
- 吞吐：峰值 QPS/TPS 提升 3 倍
- 成本：机器资源节省 30%
- 准确率：数据准确率达 99.99%
- 覆盖面：支持 50+ 实时大屏指标
示例：“重构实时数仓 DWD 层，引入 Flink 多流 Join + MiniBatch 优化，QPS 从 1 万提升至 4 万，资源消耗降低 25%。”
1.5 面试问答卡片（第1章）
问题1：请介绍一下你对实时数仓开发工程师岗位的理解，以及你认为这个岗位最需要具备的能力是什么？
考察点：岗位认知深度、能力匹配度、表达是否结构化。
回答框架：定义岗位核心职责 → 列举3-4个关键能力 → 结合自身经历说明匹配度。
示例回答：“实时数仓工程师核心职责是构建低延迟、高可靠的数据链路，支撑业务实时决策。我认为最需要具备三大能力：流计算引擎精通（如Flink Checkpoint调优）、数据建模能力（实时分层与维度退化）、业务转化能力（将指标需求转化为计算逻辑）。我在上一项目中通过这三点将全链路延迟控制在3s内。”
可能追问：你提到的实时分层具体怎么设计的？如果维度表数据变化频繁你怎么处理？
问题2：请介绍一个你主导或深度参与的实时数仓项目，并说明你在其中的角色和贡献。
考察点：项目复杂度、技术深度、角色清晰度、成果量化能力。
回答框架：项目背景与目标 → 技术选型与架构 → 个人职责与关键决策 → 量化结果与影响。
示例回答：“我主导了电商实时大屏项目。业务需实时展示GMV、订单量等指标。我设计Kappa架构，使用Flink消费Kafka实时订单流，通过HBase存储维度，ClickHouse加速查询。个人负责Flink状态优化与数据质量监控。最终支持20+大屏，端到端延迟<3s，双11峰值QPS 5万+。”
可能追问：ClickHouse在实时写入场景下遇到什么坑？你怎么保证数据不丢不重？
问题3：你的简历上写“精通Flink”，请用具体例子说明你在Flink调优方面的经验。
考察点：技术真实度、调优经验深度、问题分析与解决能力。
回答框架：痛点现象 → 分析过程（工具+思路） → 调优措施 → 效果对比。
示例回答：“之前遇到数据倾斜导致反压，TaskManager频繁OOM。我先通过Web UI发现KafkaSource分区不均匀，再调整source并行度与Rebalance策略；同时将Join改为Stateful Map，并启用MiniBatch。最终反压消除，吞吐从2w/s提升到8w/s。”
可能追问：State TTL怎么设置？Checkpoint失败如何定位？