AI & Data Dreamers練功房
寶箱片場規則
資料工程師 資料分析師 資料科學家 機器學習工程師 AI 應用工程師 後端工程師 FDE/解決方案工程師 架構師 Tech Leader AI 產品經理
Backend Engineer・職位指南

後端工程師

寫出別人可以放心呼叫的服務:API 穩、資料不亂、出事查得到。

自評進度
登入後記進度
FIT・適合誰
  • 喜歡把一個功能從資料表設計一路做到 API 上線
  • 對「同一支 API 被很多人同時打會怎樣」有好奇心
  • 願意讀 log 追錯誤,修好之後會順手補一個測試
DUTIES・職責

每天在做什麼

  • 設計與開發 API(REST/GraphQL),定義輸入、輸出與錯誤格式
  • 資料庫設計:資料表、索引、交易,依使用情境選 SQL 或 NoSQL
  • 效能與穩定:快取、非同步任務、速率限制、高可用
  • 部署與維運:Docker、CI/CD、雲端、監控與日誌
  • 與前端、產品、資料團隊對齊規格;公司導入 AI 時,負責把模型 API 接進服務
SKILLS・技能

必備

  • 程式語言與框架:Python(FastAPI/Django/Flask)、Node.js、Java(Spring Boot)、Go,挑一個深入
  • 資料庫:PostgreSQL/MySQL 的索引與交易、Redis 快取、MongoDB 這類 NoSQL 適合什麼情境
  • API 設計:HTTP 方法與狀態碼、驗證與授權、分頁、版本、錯誤格式
  • 工程習慣:Git、單元與整合測試、Docker、CI/CD

加分

  • 系統設計:負載平衡、讀寫分離、訊息佇列(RabbitMQ、Kafka、Celery)
  • 雲端:AWS/GCP、Kubernetes、Serverless
  • 監控與觀測:Prometheus/Grafana、結構化日誌、追蹤
  • AI 整合:串 LLM API、快取與成本控制、結構化輸出
INTERVIEW・面試準備

會被問什麼

  1. API 設計題:設計一組 CRUD API,說明路由、狀態碼、驗證、分頁與錯誤處理
  2. 資料庫:索引怎麼選、交易與隔離等級、N+1 查詢、SQL 與 NoSQL 怎麼選
  3. 系統設計:短網址、通知、排程這類題目,講清楚流量估算、快取、佇列與擴充方式
  4. 程式題:資料結構與演算法(雜湊、雙指標、排序),加上框架的實作細節
  5. 作品集:一個有部署、有測試、有 README 的服務,能講出遇過的效能瓶頸怎麼找、怎麼解
NEIGHBORS・相鄰職位邊界

和誰容易搞混

資料工程師

DE 管資料管線與倉儲;後端管產品的線上服務。SQL、Docker、排程兩邊都用,互轉成本低。

AI 應用工程師

AI 應用工程師就是會用 LLM 的後端工程師;後端補上 prompt、RAG、評估就能轉過去。

機器學習工程師

MLE 把模型做成服務時,用的是後端的 API、容器與部署能力。

架構師

後端做久了常往這裡走:從寫好一個服務,變成決定多個服務怎麼分工、怎麼擴充。

HEADHUNTER・與獵頭合作

怎麼跟獵頭談

  • 履歷寫服務規模與成果:每秒請求數、延遲改善多少、可用性,比只列框架名有說服力
  • 問清楚職缺是「新產品從零開發」還是「維護既有系統」,兩者要的人不同
  • 確認主要語言與技術棧,履歷關鍵字跟著職缺調
  • 問團隊有沒有 on-call、多久部署一次,這會影響工作節奏,也是談薪資的依據
READ・延伸閱讀

這份指南整理自 Dex 的文章