1. 至少2年以上的AI/NLP領域工作經驗，特別在代碼大數據處理方面擁有深入的理解和實踐經驗。 2. 具備從零開始構建大規模多語言代碼數據集的能力，包括但不限于數據采集、清洗、標注及結構化處理。熟悉如何通過算法提高數據質量和減少噪音。在GitHub、Stack Overflow、Kaggle等平臺有系統性代碼數據采集經驗（需提供案例說明）。 3. 精通Python及其相關數據處理庫（如Scrapy, pandas, SQL等），并能夠開發自定義腳本或工具來加速數據處理流程。對大數據處理框架（如Hadoop, Spark）有一定了解更佳。 4. 對開源生態有深刻理解，熟悉主流開源協議（MIT/GPL/Apache等）及數據合規要求，需能主動參與開源社區，識別有價值的數據源，并確保所有數據操作符合合規要求。 5. 對于特定領域的數據處理（例如算法競賽、開源項目貢獻歷史等）有獨特見解和成功案例者優先考慮。能夠基于具體業務場景，提出創新性的數據解決方案。 6. 優秀的溝通能力和團隊合作精神，能夠與跨職能團隊有效合作，共同推動項目的進展。