> 我是劉繼聰，2020 年畢業於復旦計算機專業，目前在濤思資料任職流計算引擎研發工程師。這篇文章是關於我過去這些年所做出選擇的覆盤與回顧，我曾經歷的迷茫與困惑——關於為什麼放棄保研與出國、又為什麼從如火如荼的 AI 轉做資料庫、以及為什麼離開大廠加入 Startup 的故事。不知其中是否有與你相似的經歷，你又能否從中獲得一些共鳴，希望能給到迷茫的人一些走出困境的靈感。

**從物理轉入計算機，困難、收穫與成長**
和很多人一樣，我在進入大學時對自己感興趣的專業並不清晰，從自然科學試驗班分流進入物理系一段時間後，我才決心調轉方向進入計算機專業。

我和計算機結緣於物理系的一個專案——實驗室裝置管理系統，需要完成的是 Web 與伺服器相關的功能，我自己在網上找教程，用世界上最好的語言 PHP 寫出了人生中的第一版程式——一個 LAMP 架構的 CRUD 系統。同時我選修了物理系的 C++ 課程，第一個相對較大的 C++ 專案就是這門課的期末專案，用經典的蒙特卡洛方法做 Ising model 的模擬。

一來二去，我發現寫程式碼比在物理實驗室修裝置更有趣，加之復旦還提供轉專業機會，就動了這個念頭。不過那時我已經大二了，按照規定大二轉專業必須降一級，雖然在當時看來代價很大，不過現在想來，這絕對是個正確的選擇。

話雖這麼說，但在我剛轉入計算機系時，也屬實是被各路大神虐得體無完膚，甚至一度懷疑自己是不是做錯了決定。

當時我所在的拔尖班的資料結構課每週都會有機考打 OJ，OJ 和 LeetCode 有點像，但有一個典型的區別是，你只知道你的答案錯了，卻不知道有哪些測試資料，更不知道錯在了什麼資料上，所以 Debug 完全靠看程式碼猜。一開始，我做機考經常一分都拿不到，每週光是完成作業就幾乎要花掉我所有時間。為了獲得更好的成績，我有很多次寫程式碼直到天明。但進步是看得見的，慢慢地我能夠在每週機考上取得滿分，最後不僅這門課程我拿到了 A，績點也獲得了全系第一。

現在想來，我覺得這應該是一個臺階，你需要拼盡全力才能登上去，但只要登上去就會看到不一樣的風景。**這段竭盡全力刷演算法題的經歷對我後來找實習、找工作也起到了非常大的幫助，基於此我才能夠在臨時起意、幾乎沒有什麼準備的情況下進入位元組跳動實習以及拿到各大廠的秋招 Offer。**

拔尖班的好處是選擇的餘地很多。除了資料庫課外，我還選修了分散式系統、資料探勘、密碼學原理等課程。我和朋友們組隊一起做了很多有趣的專案，部署 Hadoop 與 Hive，分析不同任務中的效能瓶頸；使用 Spark 進行分散式的計算；實現資料庫的塊巢狀迴圈連線，將執行時間從十幾秒最佳化到一秒以內……

在復旦，我拿過各種各樣的獎勵，除了一等、二等、三等獎學金，還有數模競賽、物理學術競賽的國家一等獎和上海市一等獎、泛海學者、優秀學生等等。在求學之路上，我遇到了很多優秀的同學、名師以及挑戰，也收穫了一路成長。

![](http://img.blog.itpub.net/blog/2022/05/06/f3788f8fa0b2f47d.jpeg?x-oss-process=style/bb)
大學時的獲獎證照

**從 AI 到資料庫，關於科研、實習與方向的選擇**
在研究領域上，我也並非一開始就關注資料庫，這其中還有一段曲折的摸索過程。

我進入計算機系後，應拔尖班要求加入了 NLP（自然語言處理）實驗室。在大三上學期期末考試結束之後，我成為了位元組跳動 AI Lab 的一名 NLP 實習生，做的是中文錯別字檢測的工作，實習結束後進入港科大做暑期交流，嘗試做更深入的研究。在這麼幾段短暫而又截然不同的 AI 研究經歷中，雖然導師都是業界、學術界的大牛，但我卻沒有做出什麼厲害的成果。

由此我產生了一些新的想法，要不要去做一些別的事情，或許我會覺得更有趣、也更能發揮我的長處，就像我從物理轉到計算機一樣。我把這些想法和在不同研究領域的朋友們交流了一下，之後一位做資料庫的同學引領我看到了另一個領域——Data Infra。**接下來我成為了 TiDB 的貢獻者並開始系統性地學習分散式系統和資料庫，算是正式邁進了資料庫的門檻。**

但我在參加工作時卻並沒有直接進入這個行業。臨近畢業季，我面臨著參與保研還是出國抑或是參加秋招的選擇。由於保研外校需要參加夏令營（但我那時在港科大交流），而本校又沒有特別合適的導師，於是我放棄了保研，趕上了秋招的末班車。我做了兩手準備，即使沒有找到合適的工作，仍然可以申請出國，結果沒想到秋招超乎想象地順利，我拿到了參加面試的所有公司的 Offer：其中既有阿里、騰訊這類大廠，也有 PingCAP 這類創業公司。

在某網際網路大廠的終面中，我遇到了一位同樣復旦畢業、工作十多年的學長，他問我手上有哪些 Offer 以及傾向的選擇，我如實地回答了，並說我現在想去做資料庫。他不置可否，只是反問我：“年輕人都想去做些有技術的事情，我當年也是。但去 Startup 做資料庫，你是否真的想好了？在未來好幾年，你可能都比你在網際網路大廠做業務的同學薪資更低，同時還要承擔更多不確定性的風險，你真的能接受嗎？”

我真的想好了嗎？或許確實沒有。最終，我選擇了去阿里雲，從事基礎架構的工作，希望能取得一定的平衡。

疫情在那個冬天爆發、無法返校，畢業時只來得及和部分同學匆匆相聚又相別。上海到杭州的動車不過 49 分鐘的車程，恰如從學生到職場人的轉變，快得令人猝不及防。下一站，杭州阿里。

**加入阿里後，榮耀、困惑與思考**
或許是得益於我之前還算豐富的實習經歷，又或許是我在學生時代就做了很多有挑戰的課程專案，我很快上手了新的工作內容。第一個令我印象深刻的任務，是我入職的第一個月，就解決了一個困擾了組內技術專家們半年之久的問題。

背景是這樣的，我們有一個監控系統，監控的探針直接安裝在客戶 ECS 上，客戶可能會購買很多 ECS，用 Kubernetes 或非 Kubernetes 的方式組成叢集，我們要做的事就是抓取出叢集內的網路拓撲關係，比如 TCP 連線，然後繪製成視覺化的拓撲圖。與一般的分散式微服務相比它存在三個難點：

- 不對使用者的技術棧做假設的，Java、Python、PHP 都有可能
- 要做無侵入的，不希望使用者改程式碼
- 要適配 Kubernetes、非 Kubernetes，還有各種 Linux 核心版本

我們是透過輪詢/proc 目錄下的 TCP 檔案來解決這些難點，但無法保證抓取到全量資料。最好的解決方法是用當時比較新的技術 eBPF 來做，卻因為絕大多數客戶環境不能很好地支援 eBPF 而難以落地。我花了一週業餘時間做調研，發現一個核心模組 auditd 可以較好地解決這個問題，幾周時間後我們的新版探針上線了。這個半年無解的難題得到了解決，也成為我進入職場之後第一件很有成就感的工作成果。

但逐漸地我發現，組裡的工作屬於典型的管控側，管控側的麻煩是適配使用者各種各樣複雜的環境，但自身的核心能力、技術難度與挑戰都明顯弱於平臺側，因此，我能挑戰的問題沒有想象中那麼多，進步的速度也漸趨緩慢，組裡業務的發展狀況也並不好。

為了排解工作的枯燥乏味，再加上做資料庫之心一直不死，我和朋友們一起參加了 PingCAP 2020 年的 Hackathon。我們選擇的題目是基於 Raft Log 來實現物化檢視，屬於改核心的工作。在賽程中，我和小夥伴們通宵達旦地寫著程式碼，除錯與解決問題，這讓我感到了在工作中久違的快樂——寫程式碼、解決難題與自身進步的快樂。

經此一役後我開始思考未來，在當下的工作中雖然我得到了老闆的信任、成為了一些專案的 Owner，或許會有按部就班的晉升，但這些毫無波瀾的人生軌跡也讓我越發感到工作中的枯燥乏味。我決定要離開，但為了避免重蹈覆轍，我必須要先確定好目標。

**從阿里到 Startup，重拾做資料庫的想法**
我籌劃著兩條路——轉崗或跳槽。我開始和公司內不同團隊接觸，但是結果卻讓我失望：很多我以為做著核心研發的部門卻實際上只做管控和寫控制檯；而另一些核心部門，一整個組的 Scope 都小得令人失望；還有一些，並不歡迎校招新人轉崗……

而另一方面，整個 Data Infra 的環境卻在悄然改變。我身邊開始出現了一些令人振奮的聲音，比如：

“所有人都看好 DoorDash 這些明星 Pre-IPO，而 Snowflake 這類公司招人都很困難，但後來發現那些去了的人拿得是幾百萬刀的大包……”

“Snowflake 的發行價已經上調了，上市當天就暴漲了超過 100%……”

“Snowflake 的資料確實好：它的 NRR 是 173%，也就是說假設一個使用者去年在 Snowflake 上花費了 1 美元，那麼今年他將平均花費 1.73 美元……”

“Confluent 上市、Databricks 大額融資……”

……

**這時我才驚醒，當時那位校招的終面官，有許多年工作經驗、在大廠管著幾百人的復旦學長所說的已經不對了——去 Startup 做資料庫，已經不再是一件需要靠情懷去支撐的事。**隨著這個行業內熱錢的湧入，很多有前景的 Startup 實現了大額融資。更關鍵的是，對於這類技術公司而言，技術人才是核心，因此他們願意花錢、也給得起錢去和大廠搶人；而網際網路的 ToC 業務卻因流量見頂，發展前景反而沒那麼樂觀。

**經過一段時間系統性的學習與研究，我認為自己已經準備充分，我的首選目標是做 TDengine Database 的濤思資料。原因有二：**首先，TDengine 是開源的，在此之前，我已經多次看到過 TDengine 登上 GitHub Trending 榜；我能夠直接去看程式碼、透過實踐直接判斷它是否有真材實料。其次，**通用 OLAP 雖然被炒得火熱，但競爭也非常激烈，或許不如從細分賽道入手，而細分賽道中時序資料庫與圖資料庫的增長是最為迅速的，我相信 IoT 裝置會持續不斷增長，產出越來越多的資料，我看好它的前景。**

為了瞭解時序資料庫這個領域，我完整閱讀了 Jeff（濤思資料創始人陶建輝）所創作的“十大特點”、“架構設計”等文章。在細分賽道中，只有靜下心來對問題進行實實在在的建模與分析、對領域進行深刻洞察，才能真正做出有核心且有競爭力的產品，在 Jeff 的文章中我切實體會到了。此外，濤思資料的招聘頁上醒目地寫著“超越 BAT 的薪資”，我認同這樣的人才觀，想要招聘到優質人才，願景與待遇缺一不可。

**攜手 TDengine，我開始新的征程**
在濤思的故事其實才剛剛開始。

2021 年 7 月，我正式加入濤思資料，很快上手了資料庫核心的研發工作。在轉正後的第一次季度總結時我拿到了“最佳新人獎”。
![](http://img.blog.itpub.net/blog/2022/05/06/19092a74bb8344cf.png?x-oss-process=style/bb)

現在，我在濤思資料負責流式計算引擎的研發。TDengine 2.0 中提供了連續查詢的能力，它本質上是一個時間驅動的批處理，無法處理亂序資料的問題，且效能消耗很大。**我的目標是為現有的 TDengine 實現一個真正的流式計算引擎。**

這項工作的 Scope 與挑戰遠遠超過了我之前的所有工作與專案。我一邊系統性地學習流式計算中 EOMP（Exactly Once Message Processing）、分散式快照等容錯理論，一邊研究 Kafka、Flink 的原始碼與實現機制，一邊跟蹤 SIGMOD、VLDB、ICDE 等峰會中相關研究的最新進展、瞭解 Railgun、Hazalcast Jet、Ray Streaming 這類新引擎的設計，同時關注著 Materialize、Decodable 這類流式 ETL 工具與 KsqlDB 這類流式資料庫的產品形態與定義。**我時刻提醒自己必須要關注前沿技術與新玩家，因為我不希望做一個在設計之初就落後於時代的東西。**

**以一套執行引擎來融合 OLAP 的查詢與流式計算，我會用程式碼來踐行我的想法，也期待著煥然一新的流式計算引擎，在今年下半年，隨著 TDengine 3.0 的釋出，一同與大家見面。**

**寫在最後**
在我過去的這些歲月中，得到了很多人的幫助，幫我找到新的方向與道路，讓我有勇氣和決心來接受新的挑戰。因此我也願意分享出我的經歷，或許能給你一些啟示與幫助。

比起盲目地埋頭苦幹，我更相信“選擇”會對人生與職業發展產生更大的影響，這篇文章中覆盤了我人生中幾個至關重要的選擇：從物理轉入計算機、從當時如火如荼的 AI 轉做 Data Infra、放棄出國與保研加入阿里、從阿里離開加入濤思。當然這些選擇的結果還遠遠沒有蓋棺定論，但至少現在來看正確與否也開始漸漸清晰了，我相信讀者們也會有自己的判斷。

------------

想了解更多 TDengine 的具體細節，歡迎大家在[GitHub](https://github.com/taosdata/TDengine "GitHub")上檢視相關原始碼。
![](http://img.blog.itpub.net/blog/2022/05/06/7ce662ed78667abc.jpeg?x-oss-process=style/bb)

放棄保研和出國，投身基礎軟體，一位復旦學子的職業選擇

相關文章