Data + AI + Systems
刘梓枫 · Ziven
我目前主要在数据工程、AI Native 系统和系统设计的交叉点上持续学习与实践，也在慢慢形成自己理解复杂系统的方式。
我比较关心的不是某个工具怎么调用，而是它为什么存在、应该放在系统的哪个位置，以及它能不能帮我们把问题真正解决掉。
如果一定要用一句话概括，我希望自己能在做事的过程中，慢慢把数据系统、分布式底座和 AI 能力放到同一套工程视角里。
Identity
能力模型
我更愿意把自己理解成一名还在不断生长中的工程师：数据工程是主线，系统设计帮助我建立结构感，AI 工程则让我不断看到新的可能。
数据工程师
把数据链路、分层建模、语义定义和平台能力做成可复用的系统。
AI工程师
不是停留在模型实验，而是把特征、检索和推理能力接进真实业务链路。
AI Native Builder
持续探索 AI 如何重构数据建模、数据质量诊断与数据问答体验。
系统型工程师
更关心组件为什么存在、边界如何划分，以及系统如何长期演进。
From Data To AI
技术地图
这张图对我来说更像一张学习地图。里面有些部分我已经做过不少实践，有些还在继续补课，但它们确实正在慢慢连成同一张网。
数据系统
我现在会比较自然地从链路、建模和语义层的角度看问题，希望慢慢把数据系统做得更清晰、更稳、更容易复用。
分布式底座
相比只记住怎么配置，我更想慢慢理解 Kafka、Flink、Raft、RocksDB 这些组件背后的机制和边界。
AI Native 基础设施
我也在继续学习怎么把 RAG、推荐系统、特征工程和 Ray 这些能力真正接进数据平台，而不是停留在 demo 层面。
拖拽节点，可以看到这些能力如何在同一套系统里连接起来。
Trajectory
演进轨迹
这条线更像是我到目前为止几个比较确定的阶段节点。没有特别戏剧化的跃迁，更多是学校、实习和工作把我一步步推到了数据系统和 AI 的交叉处。
上海财经大学
数据科学与大数据技术
保研
金融信息工程
字节跳动
数据平台与数仓实践
Zulution
AI 大数据开发
VAST · Tripo
AI Data Infrastructure
我的工作方式
强结构化
天然会把问题拆成 layer、module、stage，再逐层推进。
本质驱动
我习惯追问协议、存储和一致性的底层原因，而不是只记结论。
系统设计优先
相比孤立功能，我更在意整套系统是否可扩展、可观测、可维护。
未来导向
持续思考 AI 会如何重构下一代数据架构，而不是只优化当前局部。
工程 + 产品
写方案时会同时看系统边界、用户体验和信息表达方式。
工具链放大器
喜欢用 AI coding、CLI 和自动化脚本把重复劳动压到最低，把思考时间留给架构本身。