2026 年，一份資料工程師履歷首先要回答一個問題：你建置的管線是否在生產環境中運行，以及它們故障時下游會發生什麼？職稱充滿雜訊。同樣的工作會被刊登為資料工程師、分析工程師、資料平台工程師、ETL 開發工程師，或是「軟體工程師（資料方向）」，而篩選履歷的應徵者追蹤系統（ATS）比對的是你條目裡的字，不是你職稱裡的字。本指南將說明需要證明什麼、如何措辭才能讓解析器與用人主管都看得到、哪些關鍵字應該出現在頁面上、送出前如何檢查檔案、哪些證照仍然有意義，以及根據可查證的來源，這個職位的薪酬水準如何。
重點整理
- 以生產環境的管線及其數字開頭：資料量（每日事件數、每月 TB 數）、新鮮度（落後來源系統的分鐘數）、可靠性（SLA 達成情況、每季事故數）與成本（最佳化前後的倉儲支出）。
- 精確寫出技術堆疊。解析器比對的是字面字串：寫「Apache Spark」「Airflow」「dbt」「Snowflake」「Apache Iceberg」，而不是「現代資料堆疊」。
- 在技能欄分出四個層次：處理與編排、儲存與倉儲、建模與品質、基礎設施與語言。用人主管會把它們讀成四種不同的能力。
- 把枯燥的部分量化。回補的資料列數、執行失敗率、p95 查詢延遲、每掃描 1 TB 的成本、受測試涵蓋的資料表數，這些才是能帶來面試邀約的數字。
- 2026 年的薪酬跨度很大：最接近的美國聯邦職業分類中位數為 $126,760，向 Built In 回報的公司平均總薪酬為 $150,234，Levels.fyi 上資料方向軟體工程師的總薪酬中位數為 $171,000。
2026 年，資料工程師履歷需要證明什麼？
五件事，依這個順序。
你擁有正在運行的管線。 不是你「參與過」的管線。寫明工作負載：擷取的資料來源、每日事件數、每月 TB 數、DAG 或作業數、下游消費者。寫明它們故障時發生了什麼，以及你做了什麼。
你為使用資料的人建模。 分析師、資料科學家、ML 工程師與財務團隊都在讀你的資料表。證明你是有意識地設計 schema 的：維度模型、緩慢變化維度、語意層、有文件記錄的粒度。「將訂單資料市集重建為含 SCD Type 2 客戶維度的星型架構；分析師查詢時間從 40 秒降到 3 秒，汰除 14 份重複報表」，這樣的句子會被讀兩遍。
你掌控成本與效能。 資料倉儲按秒、按位元組計費。能說出「對最大的三張資料表建立叢集鍵、調整虛擬倉儲至適當規模、把夜間回補移到更小的實例，將 Snowflake 運算支出降低 34%」的候選人，描述的是大多數應徵者並不具備的能力。
你把資料品質當作工程問題。 測試、契約、血緣、警示、值班。沒有品質故事的履歷，讀起來就像一個靠分析師發現儀表板數字不對才知道管線出錯的人寫的。
你能跨邊界工作。 資料工程師處在擁有資料來源的應用團隊、擁有基礎設施的平台團隊，以及消費產出的分析師與 ML 工程師之間。要展示你和後端團隊協商過 schema 變更、為自己的叢集寫過 Terraform，或主持過遷移審查，而不只是寫了 SQL。
履歷不需要證明的事：你能解釋 CAP 定理，或能憑記憶寫出視窗函數。那是面試要考的。履歷的任務是幫你拿到面試。
各級別的專業摘要應該怎麼寫？
三到四行。職稱、年資、技術堆疊、一個附數字的證據，以及你接下來想解決的問題類型。不要用形容詞形容自己。
初階（0 到 2 年，或從分析職轉任）
具資料分析背景的資料工程師，在生產環境中建置批次管線 18 個月。負責 40 個 Airflow DAG 與一個建於 BigQuery、包含 210 個模型的 dbt 專案，為一家 300 人公司的財務與產品報表提供資料；為每個資料市集加入 dbt 測試，將資料品質工單從每月 11 件降至 2 件。Python、SQL、dbt、Airflow、BigQuery、Terraform。希望加入把資料倉儲當作產品來經營的團隊。
中階（3 到 6 年）
資料工程師，5 年經驗，專精串流擷取與 Lakehouse 設計。在一家 1,200 人的電商平台，主導從夜間批次遷移到 Databricks 上的 Kafka 與 Spark Structured Streaming（Delta Lake），將訂單資料從落後來源系統 24 小時縮短到 5 分鐘以內，並將每月運算帳單降低 28%。建置涵蓋 180 張資料表的資料契約與 Great Expectations 層。Python、Scala、Spark、Kafka、Delta Lake、Airflow、AWS。
資深與 Staff（7 年以上）
Staff 資料工程師，10 年資料倉儲、串流與平台經驗。負責一家每日處理 90 億筆事件的公司的資料平台：Kafka、Flink、S3 上的 Iceberg、Snowflake、Airflow，以及支撐這一切的 Terraform。主導從舊有 Hadoop 叢集遷移到 Lakehouse，每年節省 $1.8M，汰除 600 個作業。管理四名工程師；為整個組織制定值班、SLA 與資料治理標準。
注意每一段做了什麼：一個工作負載數字、一個前後對比數字，以及明確寫出的技術堆疊。解析器拿到了它的關鍵字，主管拿到了繼續讀下去的理由。
出色的資料工程師成就條目長什麼樣？
套用這個模式：動詞、你建置的東西、技術堆疊、可衡量的結果。下面的數字僅作示範；換成你自己的，而且只保留你能在面試中站得住腳的。
- 建置變更資料擷取管線（Debezium、Kafka、Spark Structured Streaming），將 140 張 PostgreSQL 資料表複製到 Delta Lake，端對端延遲低於 90 秒，取代了執行 6 小時的夜間批次。
- 在 Snowflake 上以 dbt 設計並交付營收領域的維度模型（12 張事實表、31 個維度，客戶與產品維度採用 SCD Type 2）；財務月結提前兩天完成。
- 透過對五張最大的資料表建立叢集鍵、調整虛擬倉儲至適當規模、把回補移出生產倉儲，將 Snowflake 運算支出降低 34%（每年 $410K）。
- 使用 AWS Glue 與 Athena 將 1.2 PB 資料從地端 Hadoop 叢集遷移到 S3 上的 Apache Iceberg；汰除 38 個節點，每 TB 儲存成本降低 71%。
- 在 180 張來源資料表上導入資料契約與 Great Expectations 測試套件；波及儀表板的 schema 變更事故從每季 9 起降至 1 起。
- 將編排層從 cron 與 shell 指令碼重建為 Airflow（310 個 DAG、任務層級重試、SLA 警示）；執行失敗率從 4.2% 降至 0.3%。
- 建置 Flink 作業，以 exactly-once 語意從每日 90 億筆事件中即時計算詐欺偵測特徵；端對端 p99 延遲 800 ms。
- 負責 dbt 專案（640 個模型、2,100 個測試、每個 pull request 都跑 CI）；透過重構增量邏輯並移除 112 個未使用的模型，將模型執行時間中位數縮短 46%。
- 使用分區叢集資料表與可續跑的 Beam 管線，將 4 年的點擊流資料（380 億列）回補到 BigQuery；11 天完成，對帳時零重複資料列。
- 為資料平台撰寫涵蓋三套環境的 Terraform 模組（EMR、MSK、Glue 目錄、IAM）；新環境的佈建時間從兩週縮短到 40 分鐘。
- 主導涵蓋 22 個資料集的 GDPR 刪除管線，血緣來自資料目錄；連續八個季度，每一筆刪除請求都在 30 天期限內完成。
- 指導三名分析師轉任分析工程師；其中兩人如今負責生產環境的 dbt 領域。
三條規則。以描述你貢獻的動詞開頭（建置、主導、負責、設計、遷移），而不是「協助」或「參與」。能放的話，把數字放在第一個子句裡。工具名稱寫在句子裡，因為解析器就是在那裡找到它們的。完整方法請見寫出量化影響力的履歷條目。
資料工程師履歷應該包含哪些 ATS 關鍵字？
ATS 不會推論。如果職缺描述寫的是「ELT」，而你的履歷寫的是「資料整合」，大多數系統不會把兩者連起來。閱讀職缺描述，在屬實之處照搬它的原字，並在適用之處涵蓋下面這份清單。
| 分組 | 屬實時按原文使用的關鍵字 |
|---|---|
| 處理與編排 | Apache Spark, PySpark, Apache Airflow, dbt, Apache Kafka, Apache Flink, Spark Structured Streaming |
| 儲存與倉儲 | Snowflake, BigQuery, Databricks, Amazon Redshift, AWS Glue, Delta Lake, Apache Iceberg, lakehouse |
| 語言 | Python, SQL, Scala |
| 建模與資料流動 | data modeling, dimensional modeling, star schema, slowly changing dimensions (SCD), ELT, ETL, change data capture (CDC) |
| 品質與治理 | data quality, Great Expectations, data contracts, data lineage, data observability |
| 基礎設施 | Terraform, Kubernetes, Docker, CI/CD, Amazon S3 |
整份履歷出現其中三、四十個，對資深候選人來說很正常。把它們放在屬實的位置：技術堆疊放技能欄，方法放成就條目。不要把表格直接貼上去；沒有句子包裹的關鍵字對讀者毫無資訊量，而且有些解析器會給逗號分隔的字塊降權。
四組需要統一的寫法：先寫一次「extract, transform, load (ETL)」，之後用「ETL」；先寫一次「change data capture (CDC)」，之後用「CDC」；先寫一次「Amazon Web Services (AWS)」，之後用「AWS」；先寫一次「Apache Spark」，之後用「Spark」。職缺描述兩種寫法都會用，而精確比對的系統會把它們當作不同的 token。
一處需要釐清的歧義：對用人主管來說，「資料湖」和「Lakehouse」不是同義詞。用能描述你實際維運過的那一個。
如何檢查資料工程師履歷是否通得過 ATS？
十項檢查，依解析器遇到它們的順序排列。完成後把檔案放進 ATS 檢查工具跑一遍；它能找出下面大多數格式問題。
- 檔案格式。 PDF 或 DOCX，單欄，沒有版面配置用的表格、文字方塊，也沒有需要被解析的頁首頁尾內容。雙欄版面在解析器由上而下讀取時，會把你的技能和工作經歷交錯在一起。
- 標準標題。 「工作經歷」「技能」「學歷」「證照」。解析器依標題文字對應各區段；「我交付過的地方」對應不到任何東西。
- 職稱比對。 職缺描述中的職稱族要出現在你的摘要行裡，並在屬實的前提下出現在你最近一份職稱裡。如果你的內部職稱是「Member of Technical Staff」，就寫「Member of Technical Staff (Data Engineering)」，讓括號來承擔比對。
- 必備工具按原文寫。 職缺描述中「必備」項下的每個工具至少出現一次，拼法與職缺描述一致，並且放在能表明你用過它的句子裡。
- 長短兩種寫法。 ETL 和 extract, transform, load；CDC 和 change data capture；AWS 和 Amazon Web Services。兩種寫法各至少出現一次。
- 至少一半的條目附數字。 資料量、延遲、成本、可靠性或人數。解析器不會為數字評分，但打開排名前段履歷的招募人員會。
- 日期格式一致。 每段經歷都用「YYYY 年 M 月 – YYYY 年 M 月」。解析器根據日期計算任職期間；格式混用會導致期間算錯或整段經歷被捨棄。
- 分組的技能，而不是一面牆。 四行附標籤的技能（見下一節）。有些解析器會給四十個逗號分隔的字塊降權，而所有人類讀者都會。
- 不藏任何東西。 不用白色文字塞關鍵字，不把技能放在圖示或圖片裡，不用技能長條圖。解析器會跳過圖片；發現白字堆砌的招募人員會直接拒絕這份檔案。
- 純文字的聯絡資訊。 姓名、所在城市與地區、電話、電子郵件和 LinkedIn 網址都用文字，而不是帶超連結的圖示。檔案命名為
姓-名-Data-Engineer.pdf；這是招募人員在下載資料夾裡最先讀到的東西。
技能欄應該如何組織？
四行附標籤的技能，而不是一鍋字母湯。
處理與編排： Apache Spark (PySpark, Structured Streaming), Apache Kafka, Apache Flink, Apache Airflow, dbt 儲存與倉儲： Snowflake, BigQuery, Databricks, Delta Lake, Apache Iceberg, Amazon S3, Redshift 建模與品質： 維度建模, SCD Type 2, 資料契約, Great Expectations, dbt 測試, 資料血緣 基礎設施與語言： Python, SQL, Scala, Terraform, Kubernetes, Docker, GitHub Actions, AWS, Google Cloud
用人主管四秒鐘就能讀完，並判斷出你是一名能維運基礎設施的倉儲建模型工程師，還是一名會建模的串流平台型工程師。兩種都能被錄用。而當你的條目說的是另一回事，卻假裝自己是第三種人——機器學習工程師——這才是履歷被擱到一邊的原因。
2026 年職缺描述中通常出現的「必備」與「加分」：
| 通常必備 | 常見加分 |
|---|---|
| SQL 與 Python，並有生產管線經驗 | 用於大規模 Spark 與 Flink 的 Scala 或 Java |
| 一種雲端資料倉儲或 Lakehouse（Snowflake、BigQuery、Databricks、Redshift） | 在它們之間遷移的經驗，或同時維運兩種 |
| 一種編排器（Airflow、Dagster、Prefect），以及 dbt 或同等的轉換層 | 具備 exactly-once 傳遞的串流（Kafka、Flink、Kinesis） |
| 資料建模：維度建模、正規化建模，以及各自的適用時機 | Data Vault、Lakehouse 資料表格式（Iceberg、Delta、Hudi） |
| 資料品質測試與監控 | 資料目錄、血緣、治理工具、受法規規範資料的經驗 |
| 雲端基礎（IAM、物件儲存、網路基礎） | Terraform 或 Kubernetes 的所有權、成本管理 |
哪些證照在資料工程師履歷上仍然有分量？
比大多數軟體職位更有分量，因為主導技術堆疊的供應商自己辦考試，用人主管也認得它們。但生產環境的證據仍然勝過任何證書。以下內容均於 2026 年 10 月在供應商頁面核實。
- Google Cloud Professional Data Engineer。 兩小時考試，40 到 50 道單選與多選題，$200（如適用另加稅金）。Google 建議具備三年以上業界經驗，其中至少一年在 Google Cloud 上設計與管理解決方案；沒有先修要求。有效期兩年；換證考試一小時、20 題、$100。職缺描述提到 BigQuery、Dataflow 或 Pub/Sub 時相關。
- AWS Certified Data Engineer – Associate。 130 分鐘，65 題，$150，單選與多選。AWS 對理想候選人的描述是：相當於兩到三年資料工程或資料架構經驗，以及一到兩年 AWS 服務的實作經驗。有效期三年。職缺描述提到 Glue、Redshift、EMR、Kinesis 或 Athena 時相關。
- Databricks Certified Data Engineer Associate。 45 道計分題，90 分鐘，$200，選擇題，有效期兩年，沒有先修要求。考試權重：資料轉換與建模 22%，資料擷取與載入 21%，Lakeflow Jobs 16%，治理與安全 15%。任何提到 Databricks 或 Delta Lake 的職缺描述都相關。
- Databricks Certified Data Engineer Professional。 59 道計分題，120 分鐘，$200，選擇題，有效期兩年。側重以 Python 與 SQL 開發資料處理程式碼（22%）以及成本與效能最佳化（13%）。值得寫在資深 Lakehouse 職位的履歷上；只有 Associate 並不能撬動一份資深履歷。
- SnowPro Core Certification (COF-C03)。 每次考試 $175。Snowflake 建議具備六個月以上的 Snowflake 使用經驗。Snowflake 證照路徑的入口；職缺描述把 Snowflake 列為倉儲時相關。
- SnowPro Advanced: Data Engineer (DEA-C02)。 每次考試 $375。Snowflake 建議具備兩年以上在生產環境中擔任資料工程師的實作經驗。這才是能讓資深 Snowflake 候選人脫穎而出的那一張。
選與職缺描述平台相符的那一個。六張都有，說明你擅長考試；只持有目標公司正在用的那一張，說明你週一就能上手。依供應商的寫法列出全名並註明取得年份；招募人員搜尋的是精確名稱。課程證書（訓練營、MOOC）要麼在最底部用一行帶過，要麼不寫；它們撬不動有經驗候選人的履歷，還會稀釋初階候選人的履歷。
2026 年資料工程師的收入是多少？
三個來源，三個不同的群體。用與你所應徵公司相符的那一個。
| 來源 | 群體 | 數字 |
|---|---|---|
| 美國勞工統計局（U.S. Bureau of Labor Statistics），Occupational Outlook Handbook | 資料庫管理員與架構師，這一聯邦職業分類中的架構師「為系統與應用程式設計並建置新的資料庫」（2025 年共 144,500 個職位，其中架構師 69,500 個） | 年薪中位數 $126,760（2025 年 5 月）；資料庫架構師：最低 10% 低於 $86,240，最高 10% 高於 $204,000；2025 至 2035 年預計成長 4% |
| Built In | 其平台上美國公司資料工程師的自行回報資料，2026 年 | 平均底薪 $125,983；平均額外現金 $24,251；平均總薪酬 $150,234；中位數 $120,000；回報區間最高 $300K；經驗不足一年 $97,540，七年以上 $141,418 |
| Levels.fyi | 資料方向軟體工程師的已驗證 offer，美國，3,070 筆提交，2026 年 10 月更新 | 總薪酬中位數 $171,000；第 25 百分位數 $125,400；第 75 百分位數 $237,000；第 90 百分位數 $327,000 |
為什麼聯邦這一列用的是資料庫管理員與架構師：Occupational Outlook Handbook 沒有資料工程師條目，最接近的兩個職業是這一個和軟體開發人員。同一手冊中軟體開發人員的中位數是 $134,040（2025 年 5 月），涵蓋 1,905,400 個職位，2025 至 2035 年預計成長 10%；如果你在科技公司的職稱是「Software Engineer, Data」，那才是更貼近的參照。架構師一列列入表格，是因為它第 10 到第 90 百分位數的區間（$86,240 到 $204,000）與大型科技公司之外的資料工程職缺給出的薪資相符。
如何理解這些差距：BLS 涵蓋整個經濟體，包括政府、大學、保險公司與醫院；Built In 偏向創投支持的與中型科技公司，它的中位數 $120,000 低於平均數 $150,234，說明存在一條很長的右尾；Levels.fyi 偏向大型科技公司，股票在那裡是總薪酬的重要組成。Built In 依經驗的拆分也值得注意：從不足一年（$97,540）到七年以上（$141,418），差距約 45%，這正是有經驗的候選人爭取平台、Staff 或架構師職稱，而不是同名再升一級的原因。
如何把這些用到履歷上：不要在頁面上寫薪資數字。用它來判斷你在哪個區間競爭，並確保你的條目拿出了該區間所期待的證據。$237,000 的 offer——Levels.fyi 的第 75 百分位數——幾乎不會給一份沒有資料量、成本或可靠性數字的履歷。
哪些錯誤會讓資料工程師履歷被拒？
羅列工具，而不是管線。 「有 Spark、Airflow、Snowflake、dbt 經驗」是每個應徵者都寫得出來的一行。要描述管線：資料來源、資料量、排程節奏、消費者、什麼壞了、你修了什麼。
「負責 ETL。」 負責不是成就。說清這個 ETL 搬運了什麼、多久一次、多快，以及在你接手前後它的成本各是多少。
用分析師的框架寫工程職位。 做了多少儀表板、交付了多少報表、支援了多少利害關係人，這些屬於分析師履歷。對資料工程師職位來說，儀表板是消費者；你的條目是它底下的那張資料表以及它的新鮮度 SLA。
描述平台，而不是你在其中的那一部分。 「參與過一個每日處理 100 億筆事件的平台」告訴讀者的是公司的規模，不是你的。你負責的是哪個元件，在你負責期間它的數字發生了什麼變化？
隱藏的格式問題。 雙欄版面、圖片裡的文字和技能長條圖都會讓解析器出錯。送出前檢查你的履歷會被如何解析；修正通常只需五分鐘。至於檔案上傳後會經歷什麼，請見2026 年應徵者追蹤系統的運作方式。
把 SQL 埋起來。 有些候選人覺得 SQL 太基礎就不寫。每一份職缺描述都列出它，每一位招募人員都搜尋它，沒有這個字的履歷就會錯失比對。
沒有「從哪裡」的遷移條目。 「把倉儲遷移到 Snowflake」只是半句話。從什麼遷的、多少資料、花了多久、汰除了什麼、省了多少。難點就在「從哪裡」，讀者心裡清楚。
不同類型的公司，履歷應該如何調整？
新創公司（種子輪到 B 輪）。 廣度與速度。展示你親手搭起倉儲、編排器、轉換層與第一批品質測試，並且早早做出了成本決策。一條關於選擇更簡單的工具、為公司省下一份供應商合約的條目會很加分。
已規模化的科技公司。 在某一層的深度，以及對可靠性的嚴謹。展示 SLA、值班輪替、事故檢討與跨團隊的 schema 協商。用每日事件數、儲存的 PB 數或服務的資料表數來說明規模，並點明你負責的元件。
大型企業（金融、醫療、保險、零售）。 治理與血緣。提到資料目錄、存取控制、PII 處理、保留與刪除管線、稽核追蹤，以及任何受法規規範資料的經驗（HIPAA、SOX、GDPR）。從地端系統遷移到雲端倉儲的經驗在這裡是很強的訊號。
顧問公司與代理商。 跨客戶技術堆疊的廣度，以及如期交付的紀錄。寫出產業、平台和每個專案的成果。證照在這個領域最有分量，因為客戶會點名要求。
資料平台供應商及其合作夥伴。 在那一個平台及其證照路徑上的深度構成了履歷的主體；該生態系中的社群貢獻、演講和開源工作應放在靠前的位置。
資料工程師履歷應該多長，順序如何安排？
六年左右經驗以內一頁；超過之後兩頁。順序：摘要、技能（四行）、工作經歷（由近至遠，每段經歷三到六個條目）、精選專案或開源（僅當它們能補充證據時）、學歷與證照放最後。只有應屆畢業生才把學歷往前放；只有職缺描述把某項證照列為必備時才把證照往前放。
在工作經歷部分，每段經歷的第一個條目應該是數字最大的那一個。招募人員讀第一個條目，其餘只是掃一眼；讓第一條撐起整段經歷。
讓你的 LinkedIn 個人檔案與履歷保持一致：相同的職稱、相同的日期、標題裡相同的技術堆疊。在 ATS 裡找到你的招募人員會先看 LinkedIn 再打電話；請見LinkedIn 個人檔案最佳化指南。
常見問題
資料工程師履歷和分析工程師履歷有什麼差別？
2026 年兩個職稱相互重疊，ATS 比對的是技能而不是職稱。分析工程師的職缺描述圍繞轉換層（dbt、SQL 建模、語意層、測試），更靠近分析師；資料工程師的職缺描述在此之上增加了擷取、串流、編排與基礎設施。如果你的工作兩者都涵蓋，就在摘要裡說明，應徵資料工程師職位時把擷取與基礎設施的條目放在前面，應徵分析工程師職位時把建模與測試的條目放在前面。
資料工程師應該附上 GitHub 或作品集連結嗎？
如果裡面有審閱者五分鐘內能讀完的東西，就附：一個有文件的管線儲存庫、一個附測試的 dbt 專案，或對 Airflow、dbt、Spark、Iceberg 等生態系專案的貢獻。如果只是一個裝著課程 notebook 的資料夾，就不附。一個有力的連結勝過一個有四十個儲存庫的頁面。
資料工程師履歷需要多少關鍵字才能通過 ATS？
沒有神奇的數字。用精確的術語涵蓋職缺描述中的必備技能，長短兩種寫法都用（ETL 和 extract, transform, load；CDC 和 change data capture），並確保每個關鍵字都出現在能表明你用過它的句子裡。大多數系統依比對品質和時效排序，而在 ATS 裡搜尋的招募人員輸入的是精確字串；請見招募人員如何在 ATS 內搜尋。
要被錄用為資料工程師，我需要資訊工程學位嗎？
不需要。與這個職位最接近的聯邦職業分類將學士學位列為典型的入門學歷，而 2026 年的職缺描述普遍接受任何量化學科的學位加上生產經驗，中階職位甚至只看經驗。許多資料工程師來自資料分析、資料庫管理或後端開發；決定履歷成敗的是交付過的管線，不是學歷那一行。
如果我的公司只做批次，如何展示串流經驗？
不要編造。展示相鄰的技能：增量模型、變更資料擷取、冪等重新處理、延遲抵達資料的處理與新鮮度 SLA，這些正是串流團隊要解決的同一類問題。如果你用 Kafka 或 Flink 做過概念驗證，就把它作為專案列出並寫明範圍，而不是當作生產經驗。
資料工程師履歷上應該寫 AI 或 LLM 相關工作嗎？
真實存在的話就寫：為模型建置的特徵管線、產生並儲存的 embedding、建置並持續更新的檢索語料庫，或由你負責的評估資料集。這些都是資料工程工作。把它們寫成附資料量與新鮮度數字的管線，而不是「接觸過 AI」。如果你想要的職位在模型那一側，AI 工程師履歷指南說明了有哪些不同。
相關指南
參考資料
- U.S. Bureau of Labor Statistics, Occupational Outlook Handbook: Database Administrators and Architects — 年薪中位數 $126,760（2025 年 5 月），2025 年 144,500 個職位（架構師 69,500 個），資料庫架構師第 10 與第 90 百分位數薪資，2025–35 年預計成長 4%，典型入門學歷。
- U.S. Bureau of Labor Statistics, Occupational Outlook Handbook: Software Developers, Quality Assurance Analysts, and Testers — 年薪中位數 $134,040（2025 年 5 月），2025 年 1,905,400 個職位，2025–35 年預計成長 10%。
- Levels.fyi: Data Software Engineer salaries, United States — 總薪酬中位數 $171,000；第 25、75 與 90 百分位數；3,070 筆提交（2026 年 10 月 11 日更新）。
- Built In: Data Engineer salary in the US — 平均底薪 $125,983，額外現金 $24,251，總薪酬 $150,234，中位數 $120,000；依經驗拆分（2026 年）。
- Google Cloud: Professional Data Engineer certification — 考試時長、題數、價格、建議經驗、有效期、換證考試細節。
- AWS Certified Data Engineer – Associate — 130 分鐘，65 題，$150，建議經驗，三年有效期。
- Databricks Certified Data Engineer Associate — 45 題，90 分鐘，$200，兩年有效期，各領域權重。
- Databricks Certified Data Engineer Professional — 59 題，120 分鐘，$200，兩年有效期，各領域權重。
- Snowflake: SnowPro Core Certification (COF-C03) — 每次考試 $175，建議具備六個月以上 Snowflake 經驗。
- Snowflake: SnowPro Advanced: Data Engineer (DEA-C02) — 每次考試 $375，建議具備兩年以上生產環境資料工程經驗。
