北京数据库开发
数据库开发人员负责设计、开发和维护数据库系统。他们与软件开发人员和系统分析师合作，根据业务需求设计数据库架构，并编写和优化数据库查询语句。数据库开发人员通常精通至少一种数据库管理系统，如MySQL、Oracle或SQL Server，并能够使用相应的编程语言，如SQL、PL/SQL或T-SQL进行数据库编程。他们还需要确保数据库的安全性和完整性，并定期进行备份和恢复操作。在数据库开发过程中，他们需要解决性能优化、容量规划、数据同步等技术挑战。数据库开发人员需要具备扎实的数据库理论知识和良好的编程技能，以支持企业的数据管理和应用系统的持续发展。
薪酬概览
平均月薪
¥20000
中位数 ¥16000 ｜ 区间 ¥15500 - ¥24400
数据来源：谈职全网32份招聘数据；更新时间：2026年7月13日
月薪分布
46.9% 人群薪酬落在 15-30k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
6月新增岗位
29
对比上月：岗位减少2
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 应届 | 8 | 29.6% |
| 3-5年 | 14 | 51.9% |
| 5-10年 | 5 | 18.5% |
热招职位
1、深度参与集团数据解决方案规划和架构设计，利用大数据解决当前的业务痛点；
2、深度参与集团数据架构的设计与开发；
3、深度参与集团数据质量体系的建设，形成完善的数据监控和数据校验机制；
4、负责企业级数据平台的搭建与优化，包括数据采集、存储、计算、调度等核心模块（如基于Hadoop/Spark/Flink构建离线，实时数仓）。
5、设计高可靠的数据ETL流程，处理结构化/非结构化数据，保障数据质量与时效性。
6、开发实时数据管道，支持业务实时决策；解决流程处理。
1、负责掌阅集团企业级数据建设(涵盖流量、内容、用户、商业化等业务方向)，提供通用、稳定、丰富、高效的公共数据能力，提升
数据支持业务的效率，探索数据增量价值；
2、面向流量、内容、用户、商业化等业务方向，建设专题数据，提供丰富易用的数据服务，直接支持公司业务决策分析，赋能业务；
3、建设企业级数据治理和管理体系，结合业务+元数据+技术，推进资源成本的优化，提高数据服务质量，保障数据产出的稳定性和准确性；
4、参与公司级别商业化相关系统数据设计、研发以及保障。
1.计算机相关专业本科及以上学历，硕士优先，具备1年以上Java开发经验，有互联网大厂背景或AI Agent项目开发经验者优先
2.精通Java技术栈，熟悉JVM原理、多线程、IO模型，具备扎实的分布式系统设计能力（如微服务架构、分库分表、高可用设计）；熟悉AI Agent基础架构，掌握LLM（大语言模型）调用、工具集成、记忆系统与规划器设计原理，有主流Agent框架开发经验者优先
3.熟悉大数据技术体系（如实时计算框架、分布式数据库、消息队列），具备千万级数据量或高并发场景开发经验，有结合大数据系统构建AI Agent数据检索与推理能力的实践经验者优先
4.具有广告、支付、风控等核心业务系统开发经验，熟悉用户生命周期管理、结算对账等业务逻辑者优先
5.优秀的逻辑思维与沟通能力，能够跨团队协作推进项目落地，对技术趋势保持敏感并主动探索实践；对AI Agent前沿技术（如多Agent协作、基于记忆的持续学习）及Vibe Coding相关工具链有深入理解，能结合业务场景设计创新解决方案者优先
1.熟练掌握C++、多线程、网络通信、高性能优化，或者熟练掌握Java开发和调优、并发编程模式，有丰富Unix/Linux环境开发经验。
2.具备丰富的数据开发经验，熟悉Hadoop、Hive、Spark、flink等体系结构，并有实际开发经验。
3.熟悉Impala/Presto/GreenPlum/Clickhouse等MPP数据库，对各数据库的优劣和适用场景有深入理解，有实践经验者优先。
4.熟悉分布式技术并有实践经验（rpc框架， nosql存储），对kafka等消息中间件有深入了解。
5.大学本科及以上学历，三年以上计算机相关工作经验，有强烈的求知欲和较强的学习能力，对技术充满热情。
负责提升自动驾驶数据闭环能力，结合自动驾驶模型算法的设计与迭代流程，建设高效的数据分析系统与工具。具体职责包括数据分析与挖掘、数据检索与标签系统搭建、数据的修复与生产、从数据维度出发的模型效果闭环提升等。
1. 数据策略制定：涉及挖掘框架，开发挖掘算子，与模型训练团队深度协作，指导数采团队定向增补高价值数据；通过数据消融实验，科学确定预训练数据、微调数据、难例数据的配比，最大化有限数据的训练收益；建立数据质量评估体系（信息密度、场景分布、标注质量、多样性等）；
2. 构建自动数据生产流水线：研发并维护自动化标注流水线，降低人工标注依赖；
3. 探索利用生成式AI（Diffusion model, NeRF/3D Gaussian）合成高价值训练数据，解决corner case数据稀疏问题；
4. 建立标注质量自动检测机制，确保训练数据的可靠性；
5. 构建数据处理平台：构建TB-PB级数据分布式处理流水线，实现高效去重、过滤、清洗、格式转换；
6. 建立数据版本管理和数据血缘系统，确保训练模型的可复现性和数据溯源；
7. 优化数据存储格式和访问效率，支持模型训练过程中高效数据加载和在线采样
1.承担美团骑行业务线的数仓设计和开发工作。
2.负责骑行财务方向相关数据平台的架构设计与开发，支撑数据采集、清洗、存储与分析全流程。
3.负责数据质量、成本、安全等各方向数据治理工作。
4.构建高可用、可扩展的数据处理系统，优化数据模型与计算性能，提升数据服务效率。
5.负责数据Agent落地、迭代，推动AI自动化运维、端到端需求交付。
6.与产品、算法、业务团队协作，深入理解骑行场景需求，输出高质量的数据解决方案。
1.负责品质管理领域的数据分析工作，以支持品质管理决策。包括不限于指标体系建立，异常预警数据监控，品质异动归因诊断，改善落地动作的数据化识别，管理方法论的数据化沉淀。
2.负责品质管理团队绩效目标制定管理工作。
3.跟进产品和供应链环节的数据，监控产品质量和品质管理绩效，并及时发现和解决潜在的质量问题。
4.协调跨部门团队，包括研发、生产、供应链等，建立和优化数据分析模型，共同推动品质提升。
5.持续研究使用AI进行数据分析提效，帮助整个团队提升数据分析效率
岗位职责
负责自动驾驶运营数据分析，围绕 Routing、Dispatch、PUDO 等业务建立核心指标体系。
建设业务监控 Dashboard，持续发现影响用户体验和运营效率的问题。
对运营数据进行分析，定位问题根因，输出可执行的优化建议。
与产品、研发、算法团队合作，设计实验方案，评估策略效果。
建设数据分析工具和自动化报表，提高业务分析效率。
任职要求
1,基本要求
本科及以上学历，统计学、数学、计算机、数据科学等相关专业。
熟练使用 SQL，能够独立完成复杂数据分析。
熟悉 Python（Pandas、NumPy 等）进行数据处理。
具有较强的数据敏感度和逻辑分析能力。
2,加分项
熟悉 ClickHouse、Spark、Hive 等大数据分析工具。
熟悉实验设计（A/B Test）、统计分析方法。
熟悉 Tableau、Power BI、Superset 等可视化工具。
有机器学习、预测建模或优化算法项目经验。
1、参与制定销售策略，基于业务目标及策略方向，借助AI工具搭建月度/周度经营监控体系，结合AI异常检测功能自动识别业务异动，有效的监控业务异常及机会点的识别，并能够结构化沉淀出周、月报；
2、了解大客户销售作业模式，建立销售过程管理评估体系，有效对过程进度进行监控及分析识别优化空间，及时给予销售策略及销售过程管理给予迭代建议；
3、了解品牌经营模式，能够理解品牌经营逻辑，搭建品牌下的分层分类体系，更好的洞察识别行业及品类机会。
1.负责海外平台自动化测试的技术架构设计及实现，以满足平台性能和稳定性的诉求；
2.参与海外产品需求分析，制定测试计划并从测试的角度提供优化意见，预先评估项目风险，确保测试活动的顺利开展；
3.负责海外测试标准制定，设计测试用例、编写自动化测试脚本，提高测试效率和质量；
4.对线下和线上问题进行跟踪、分析和报告，推动问题及时解决，并优化测试用例；
5.负责测试体系能力度量体系构建，引入度量体系改进测试设计和执行等过程；
6.通过总结、对外交流、技术钻研和培训，持续改进测试过程和测试方法。
【愿景】美团搜索服务日均处理数亿次查询，我们正在经历从“统计匹配”向“认知推理”的 Search
3.0 跨越。你将不仅是算法的优化者，更是搜索基座和业务应用的构建者（Builder）。通过构建高泛化、可扩展的算法基座，支撑医药、闪购等多元业务线的智能化升级，定义下一代生活服务搜索的本质规律。【你将参与】你将直接优化影响数亿用户的核心搜索链路，用大模型技术解决搜索的关键瓶颈。
1.意图理解基座：超越传统的分类与匹配，利用 LLM 构建具备认知能力的意图基座，深度解构口语化、省略表达及多意图混合等复杂场景。探索 Query 的语义改写、扩展与纠错技术，将非结构的“人话”精准转化为结构化的搜索逻辑，实现对用户深层需求的本质洞察。
2.排序预估基座：推动排序模型的 Scaling Up，探索大参数量模型在 Relevance 判断与 Ranking 中的性能边界，提升对复杂 Query-POI 关系的建模深度。负责 LLM-based Reranking、特征增强及神经符号 AI 的结合，利用 Scaling Law 提升排序逻辑的泛化性与预估精度。
3.生成式召回基座：构建基于大模型的语义表示学习体系，突破长尾 Query 与 POI 的匹配瓶颈。优化向量召回与混合召回策略，在海量候选集中精准平衡相关性、多样性与发现感，实现“所想即所得”。
4.引导增长基座： 研发下一代搜索引导与推荐算法，通过生成式技术优化搜索前/中的用户路径，提升用户发现价值的效率。探索搜索与推荐的深度融合，利用 AI Agent 能力引导用户决策，实现业务增长与用户体验的协同进化。
5.跨业务 Builder 型组织建设：作为 Builder，构建跨业务（餐饮、医药、即时零售、服务零售、酒旅等）的通用算法框架，确保技术底座能够快速适配不同垂直场景的特性。在毫秒级延迟的严苛约束下，主导大模型在线 Serving 优化，通过蒸馏、量化、缓存等手段实现效果与性能的极致平衡。