AI 时代数据人的
全栈知识库
2,215 篇深度原创文档，覆盖数据工程、业务分析、AI 应用全链路。从传统数仓到 AI-Native Data Stack，从 SQL 到 Agentic Analytics——持续更新的系统化学习路径，助你在当前时代持续进阶。
持续保持更新
按路线图补充新技术、新案例和新岗位能力，避免内容停留在旧经验里。
持续迎合时代需求
覆盖 MCP、LLMOps、Agentic Analytics、Flink Agents、Iceberg V3 等新方向。
基本功与新能力并重
SQL、数仓、治理、分析方法继续夯实，同时补齐 AI 时代的数据工作流。
正在验证登录状态...
三大核心优势，让你的学习事半功倍
10+ 大内容板块，从数据基本功到 AI-Native Data Stack
从数据治理到向量数据库，从技术工具到行业实践，构建面向当前时代的数据知识体系
AI 与大数据
38 篇核心 · 春季扩充
Agent · RAG · LLMOps · MCP
求职就业专题
139 篇 · 7 大岗位
技术与工具
622 篇 · 40+ 技术栈
数据分析与运营
246 篇
行业基础知识
817 篇 · 11 个行业
数据开发与架构
157 篇
数据治理与管理
150 篇
查看完整目录
2,215 篇 · 全部模块
持续更新，紧跟时代
知识库按路线图持续迭代，确保内容跟上 AI、数据工程和业务实践的真实变化
Batch 5 夏季规划立项
春季扩充完成后，继续立项 Vibe Data Engineering、Small Language Model / Edge AI、Synthetic Data 2.0、Data Product Marketplace、A2A 与 MCP 分工、Vector-Native 表格式。
- •Vibe Data Engineering：数据工程的 Vibe Coding 范式
- •Synthetic Data 2.0 · Small Language Model / Edge AI · Data Product Marketplace
- •Agent-to-Agent 协议与 MCP 分工 · Vector-Native 表格式演化
基于石头反馈完成 5 处立场微调
对新增与重写文章的判断口径做二次校准，避免只追热点，继续保持“对数据从业者怎么办”有明确立场。
- •Agentic Analytics 增加 D 类过渡建议
- •Agentic Data Engineering 增加大厂 / 中小厂双时间线
- •语义层降调，AI-First 治理加过渡期说明，Unity vs Open 改中立描述
升级既有文档全部落盘
完成 Text-to-SQL、Prompt Engineering、Kafka、LLM 成本控制、Fine-tune 决策框架等既有核心文档的 2026 升级。
- •Text-to-SQL 重写为 2026 升级版：语义层 + 多 Agent 范式
- •Prompt Engineering 重写为 Context Engineering
- •新建 Diskless Kafka，扩充 LLM 成本控制，新增 Fine-tune 决策框架
治理与可观测性专题全部落盘
围绕 AI 时代治理、血缘、可观测性和目录治理完成专题扩充，补齐从数据资产到 Agent 运行过程的治理视角。
- •AI Lineage：从数据血缘到 Prompt / Model 血缘
- •Agent Observability：Trace、Eval、Guardrail 三件套
- •非结构化数据治理 · AI-First Governance Model · Unity Catalog vs Open Catalog
硬技术重头戏全部落盘
完成 Iceberg V3、语义层、Flink Agents、Agentic Analytics、LanceDB、非结构化数据管道等硬技术专题。
- •Apache Iceberg V3：为 AI workload 重新设计的表格式
- •Flink Agents 与事件驱动 AI · 语义层工程实践 · Agentic Analytics
- •LanceDB 多模态 Lakehouse · 非结构化数据管道
地基与导航三篇全部落盘
完成 2026 数据人必学 TOP 10、MCP Gateway 与生产部署、Agentic Data Engineering 方法论三篇地基内容。
- •2026 数据人必学 TOP 10
- •MCP Gateway 与生产部署
- •Agentic Data Engineering 方法论
2026 春季知识库扩充路线图初建
正式回应 AI-Native Data Stack 成为共识的拐点，把 MCP、Iceberg V3、Flink Agents、Agentic Analytics 等方向纳入知识库扩充路线。
- •第一消费者从人 + BI 扩展到 Agent + LLM
- •数据获取方式从 SQL / 管道代码扩展到自然语言 + 语义层 + Agent 编排
- •数据工程师定位从管道工迁移到意图架构师
以上仅为近期更新，知识库持续迭代。完整内容演进记录可查看知识库更新日志
来自用户的真实反馈
他们在这里找到了成长的方向
1,200+
付费会员
2,215
深度文档
10+
内容板块
4.9
用户评分
李同学
数据分析师 · 互联网大厂
知识库的内容非常系统，从基础到进阶都有覆盖。特别是行业案例部分，帮我快速了解了不同业务场景下的数据分析方法，面试时派上了大用场。
王先生
数据工程师 · 金融科技
技术文档写得很清晰，Spark、Flink 这些大数据技术的讲解深入浅出。最难得的是有很多生产环境的实战经验分享，避免了很多坑。
张女士
产品经理转数据 · 电商
作为转行的人，这个知识库帮我建立了完整的数据知识体系。学习路线很清晰，不用到处找资料了。现在已经成功转型数据产品经理！
陈同学
应届生 · 数据科学硕士
求职专题太实用了！简历模板、面试题库、薪资谈判技巧都有。按照里面的方法准备，拿到了 3 个大厂 offer，最后选了字节。
刘先生
数据负责人 · 创业公司
数据治理和数据中台的内容很全面，帮我们从 0 到 1 搭建了公司的数据体系。遇到问题在社群里问，响应也很快。
赵女士
BI 分析师 · 零售行业
行业知识库太香了！零售、电商的业务指标和分析框架整理得很完整，直接拿来就能用。老板都夸我业务理解能力提升很快。