一、核心考察维度（面试重点）
技术基础：编程语言（Python/Java 核心，如 Python 的 Pandas、NumPy 库）、大数据框架（Hadoop、Spark、Flink 原理与实操）、数据库（MySQL、Hive 索引优化、SQL 复杂查询）。
AI 与算法能力：机器学习基础（分类 / 回归 / 聚类算法原理）、特征工程（数据清洗、特征筛选）、模型评估（准确率、召回率、AUC 解读），部分岗位涉及深度学习框架（TensorFlow/PyTorch）。
数据全流程能力：数据采集（爬虫、日志收集）、数据预处理（去重、缺失值处理）、数据建模、模型部署与监控（离线 / 实时任务调度）。
业务落地与问题解决：大数据 + AI 项目实战（如用户画像、推荐系统、异常检测）、业务指标拆解、数据 / 模型问题排查（如数据倾斜、模型过拟合的解决方案）。
二、面试前准备技巧
技术梳理：针对性复习目标岗位核心技术，比如实时大数据岗位侧重 Flink 流处理，AI 算法落地岗位侧重模型部署与优化。
项目深挖：按 “业务背景 - 数据来源 - 技术方案 - 实施步骤 - 数据成果” 梳理项目，明确个人在其中的核心职责，尤其突出技术难点与创新点。
实操强化：提前练习 SQL 复杂查询（关联查询、窗口函数）、Spark 代码编写（数据清洗、算子优化）、机器学习模型调参，熟悉常用工具（Hue、Zeppelin、TensorBoard）。
业务积累：了解目标行业（如金融、电商、医疗）的业务逻辑，思考 “AI + 大数据” 如何解决行业痛点（如电商的精准推荐、金融的风控建模）。
三、面试现场注意事项
技术问答：回答原理类问题时，先讲核心逻辑再补充细节（如 “Spark 并行计算的核心是 RDD，通过分区实现数据分布式处理”），遇到不会的问题可坦诚说明，分享相关学习思路。
项目阐述：用数据量化成果，比如 “搭建实时用户行为分析平台，处理峰值 QPS 10 万 +，使数据延迟从分钟级降至秒级”，避免空泛描述。
实操环节：SQL 或代码题按 “理解需求 - 梳理逻辑 - 编写实现 - 验证结果” 的步骤进行，遇到报错主动排查（如 SQL 性能差先检查索引，代码报错先定位语法 / 逻辑问题）。
反向提问：可询问岗位技术栈（如大数据框架版本、AI 工具链）、项目业务场景、团队技术迭代方向，体现对岗位的适配性思考。
