AI 编程工具普及后，数据开发面试会有哪些变化？
面试怎么回答
我觉得面试的重点在从会写转向会判断：给一段 AI 生成的 SQL，能看出口径、数据膨胀、NULL 处理和性能问题；从语法转向原理，因为出了问题要靠原理排查，比如 Join 翻倍、Checkpoint 超时、长尾 Task；从技术点转向系统设计和建模的取舍；业务理解和沟通更重要；还会新增怎么用 AI、怎么保证 AI 代码质量、有没有做过 RAG 或智能问数这类问题。准备上我会把原理打扎实，练习审查 AI 生成的代码，准备真实的排查故事和系统设计题，在工作中真正用 AI 并总结质量控制方法，项目表达突出自己的判断和决策。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
AI 编程工具已经能写出不错的 SQL、Spark 代码和 Flink 作业。面试官也在调整考察方式：只考「会不会写」已经不够了。这题帮你理解面试的变化方向，以及该怎么准备。
考察重点在转移
1. 从「会写」到「会判断」
- 以前：手写一个窗口函数的 SQL；
- 现在：给你一段 AI 生成的 SQL，找出它的问题——口径是否正确、有没有数据膨胀、NULL 处理对不对、性能有没有隐患。
能判断 AI 写得对不对，比自己从零写出来更重要。
2. 从「语法」到「原理」
AI 能帮你写语法，但出了问题要靠原理排查：
- 为什么这个 Join 数据翻倍了？
- 为什么 Checkpoint 一直超时？
- 为什么这个 Spark 任务有一个 Task 特别慢？
原理类、排查类的问题，比重会更高。
3. 从「技术点」到「设计和取舍」
- 系统设计题：给你一个业务场景，设计数据链路，说清楚取舍；
- 数据建模：粒度怎么定、口径怎么统一；
- 这些需要对业务和系统的整体理解，AI 只能辅助。
4. 业务理解和沟通
- 需求怎么澄清、口径冲突怎么处理、数据异常怎么向业务解释；
- 这些「人」的部分，在 AI 时代反而更重要。
5. 新增：AI 相关的问题
- 你怎么用 AI 工具？AI 写的代码你怎么保证质量？
- 有没有做过 AI 相关的数据工作（RAG、智能问数、特征）？
- 数仓要怎么改造才能更好地支持 AI？
面试形式的变化
- 有的公司允许面试中使用 AI 工具，考察的是你怎么拆解问题、怎么验证结果；
- 有的公司更重视项目深挖和现场排查，而不是背诵题。
怎么准备
- 原理要扎实：分布式计算、存储、数据建模的原理，能讲清「为什么」；
- 练习审查：拿 AI 生成的代码，练习找问题；
- 准备排查故事：真实处理过的线上问题，讲清排查思路；
- 系统设计：多练场景题，讲清取舍；
- AI 实践：真正用 AI 工具完成工作，总结你的使用方法和质量控制方式；
- 项目表达：项目讲清楚你的判断和决策，而不只是「做了什么」。