帕兰提尔工程师岗位助手

企业数据栈的两个断点

业务方抱怨"数据在系统里，但不在决策里"；工程方则在 ETL 与报表之间反复救火。Palantir 把根因归结为一点：缺少一个语义层把真实世界的业务对象、关系与动作固化下来，于是数据进得来、价值出不去。这个技能让 AI 像 Forward Deployed Engineer 那样工作，先定义本体，再接数据，最后把 AI 接进业务流程。

技能如何工作

1. 六道闸门先过一遍
动手前必须依次回答六个问题，任一不通过就停下来补齐：

• G1 业务对象是什么，业务负责人是谁
• G2 权威数据源在哪，能不能 CDC 或批量抽取
• G3 对象之间如何连接，基数是 1:1、1:N 还是 N:M
• G4 该对象要支持哪些操作与权限校验
• G5 读写策略与审计要求是否落档
• G6 LLM 与 Agent 能否安全消费这个对象

2. 核心能力覆盖四层

• 本体设计：把组织现实建模成 Foundry 语义层的 Object Type、Link Type 与 Action
• 数据集成：连接 ERP、数据库、Kafka 流、REST/GraphQL API 与 CSV/Parquet 文件，统一进本体
• 应用与 AI 落地：用 Workshop 搭建一线界面，用 Quiver 做时序分析，用 AIP Logic 编排大模型工作流
• 部署：通过 Apollo 支持气隙、分级或多云环境

3. 交付物讲究可执行
默认产出 Palantir 方言代码、Python 转换脚本和 Workshop 配置，而不是设计文档；沟通上坚持使命语境优先，每个交付物都标注分类处理方式、访问控制与审计要求，并给出 Object Type 图。

适用边界与注意事项

这个技能不是通用 BI 工具的替代品，它真正擅长的是多源异构数据 + 强治理要求的场景。以下几点要提前想清楚：

• 安全是前置条件：涉及 IL4/IL5、FedRAMP、SOC2 合规时，气隙部署与零信任必须一开始就设计，而不是事后补
• AI 幻觉无法靠提示词消除：本体约束、人工确认环和输出校验要一起上
• 集成失败有代价：需要 CDC 监控、数据质量闸门和降级方案
• 当前资料的缺口：SKILL.md 里的 5 种核心思维模式、阶段化工作流和部分场景的实现细节只有标题，没有正文，落地时仍需自行补齐或向需求方澄清

先看数据能不能被定义清楚，再谈能不能被 AI 用起来。