數(shù)據(jù)湖面試的四個(gè)底層模型：別急著報(bào)廠商名字

面試官問數(shù)據(jù)湖架構(gòu)，其實(shí)只想聽四個(gè)東西：分層存儲(chǔ)怎么設(shè)計(jì)、數(shù)據(jù)怎么流進(jìn)去、湖和倉庫怎么選、以及你的答案有沒有覆蓋粒度、冪等、血緣、對(duì)賬這些檢查點(diǎn)。上來就報(bào)Databricks或者Snowflake名字的，這一輪基本就掛了。

這套東西不復(fù)雜。最經(jīng)典的考法是"從零設(shè)計(jì)一個(gè)分析湖"，標(biāo)準(zhǔn)答案是三層 medallion 架構(gòu)：bronze層原樣追加源數(shù)據(jù)，silver層做去重、類型轉(zhuǎn)換和業(yè)務(wù)主鍵對(duì)齊，gold層輸出星型模型的事實(shí)表維度表給BI用。每層的服務(wù)等級(jí)、讀寫權(quán)限、保留策略都不一樣。Databricks叫青銅白銀黃金，AWS叫raw/curated/consumption，微軟叫l(wèi)anding/refined/analytics，形狀是一樣的，名字隨便換。

第二層考數(shù)據(jù)怎么進(jìn)去。套路是 ingestion → 元數(shù)據(jù)目錄 → 計(jì)算引擎，底下掛對(duì)象存儲(chǔ)。CDC從Postgres進(jìn)來也好，埋點(diǎn)日志進(jìn)來也好，都是這個(gè)管道。面試官想看的是你知不知道怎么保證exactly-once，怎么讓下游能查到"這張表現(xiàn)在有哪些文件"。

第三層是湖、云數(shù)倉、lakehouse三選一。決策點(diǎn)在于開放表格式——Iceberg、Delta、Hudi。需要支持機(jī)器學(xué)習(xí)特征工程、靈活schema演進(jìn)的往湖走；需要嚴(yán)格ACID、純SQL分析的往warehouse走；想兩邊都沾的選lakehouse。但大部分大廠其實(shí)是混著用：湖接高吞吐的原始數(shù)據(jù)，warehouse或lakehouse接治理好的分析負(fù)載。

最后一層是答案的結(jié)構(gòu)。合格的回答必須主動(dòng)提：數(shù)據(jù)粒度怎么定、寫入怎么冪等、血緣怎么追蹤、聚合結(jié)果怎么和源頭對(duì)賬。漏一個(gè)就被追問，追不上就扣分。這四個(gè)檢查點(diǎn)跟具體廠商無關(guān)，是面試官心里的評(píng)分卡。

整個(gè)面試的核心就一句話：能用原理解釋清楚，比知道十個(gè)產(chǎn)品名字有用得多。