AI 热门概念手册

外观

能力对标：简历该突出什么

本页速览 AI 热门概念岗位简历不是经历流水账，而是针对目标岗位的证据链。本文给出常见死法清单、模型原理/工程/评估/领域四象限对标表、背景-动作-结果项目公式、个人项目攒法与算法/应用/产品岗位侧重差异。

本页含时效性内容，数据截止于 2025-06；JD、榜单、产品功能等信息可能已变化，引用前请核对原始出处。

能力对标：简历该突出什么 ​

一句话定义：简历不是经历流水账，而是针对目标岗位的一份证据链——用可验证、可量化、可追问的事实，证明"我具备这个岗位要求的每一项能力"。在 AI 热门概念方向，这句话比在任何方向都更接近字面意思：2025 年的简历池里，几乎每一份都写着"熟悉大语言模型""做过 RAG""了解 Agent"，单靠名词已经无法区分任何人。

把一份简历想象成法庭质证：法官（面试官）只相信有证据支持的陈述。你说"我精通 LLM"——证据呢？你说"我有 RAG 项目经验"——证据呢？你说"我解决过幻觉问题"——证据呢？没有证据的声称，在 AI 岗位的初筛里约等于没写。而 AI 方向还有一层特殊性：技术栈半年一变，人人都在学新名词，面试官对被"名词轰炸"的容忍度极低，他们验证一个人最快的方式就是挑一个名词追问到底。

本页是 career 模块的第三站：前两站 JD 清单 告诉你"市场上在招什么"，能力地图 告诉你"你会什么、不会什么"，本页负责把两者的差拍合成一份简历——用面试官的眼光重写你已有的经历，而不是从头编造。写作全程用"证据"说话。请先建立一个残酷的设定：面试官默认你简历上的一切都可能是假的，你要做的是让每一条都经得起追问。

一、AI 热门概念岗位简历的常见死法 ​

技术方向在变，死法高度一致。下面六种按杀伤力排序，每一种都直接导致被筛掉或面试首轮翻车。

死法典型表现为什么当场就死
只写"精通 LLM"，没项目技能栏一行"精通 LLM、熟悉 RAG、了解 Agent"，项目经历近乎空白无法验证；在面试官眼里"精通 LLM"≈"会用 ChatGPT"，根本不是能力声明
堆砌工具名一行十五个名词：LangChain、LlamaIndex、FAISS、vLLM、Dify、AutoGen……一个被问穿，全页可信度归零；工具名≠能力，工具会换、会过时，原理不会
无量化结果"搭建了 RAG 系统""提升了回答质量""效果不错"没有数字、没有对比基线、没有口径，等于没说
教程复刻冒充项目原样复现官方 quickstart 或教程 demo，README 都是抄的追问三层必然暴露：为什么这么切 chunk？换向量库行不行？失败过吗？
只写职责不写决策"负责检索模块""参与提示词设计""协助模型调优"看不出你的判断与贡献，挂名感极强，面试官无从深挖
简历不针对岗位一份简历海投算法、应用、产品全部岗位JD 关键词对不上，初筛即被关键词过滤；即使过筛，面试也会"答不对题"

一条比上面六条都重要的纪律

AI 方向的技术栈更新极快，但面试官的验证手段没变：挑一个名词追问到底。写进简历的每一个名词，都要准备好接受"讲原理 → 讲项目 → 讲取舍"三层追问。与其写十个没把握的词，不如写五个能讲 20 分钟的词。堆名词的代价是"一条被戳穿，全页归零"——这在信息高度同质化的 AI 求职市场里尤其致命。

二、能力四象限对标表：简历证据怎么写 ​

AI 热门概念岗位（算法、应用、产品）的能力可以拆成四个象限。面试官对每一象限的验证方式不同，你在简历上给出的证据形态也就不同。先用表格看清全局，再逐象限看"证据怎么写"。

象限考察什么面试官怎么验证本站对应页面
模型原理Transformer 与注意力机制、预训练/微调原理，能讲清"为什么"原理追问、公式推导、架构对比Transformer 与注意力机制、大语言模型（LLM）
工程能力能端到端落地：RAG 管道、Agent 工具调用、部署与调优项目深挖、系统设计题从零搭建 RAG 应用、从零开发一个 Agent、部署与推理优化实战
评估思维会设计评测，不被"感觉更好"骗，能量化收益追问"你怎么评估的"、指标口径搭建一套 LLM 评估、LLM 评估与基准
领域理解懂业务场景与用户问题，知道模型的边界与代价场景题、案例讨论、方案取舍概念边界、Perplexity 与 AI 搜索等案例页

1. 模型原理象限：用"基于机制的决策"代替"我学过" ​

证据形态不是"我学过 Transformer"，而是**"在项目里基于机制做了选择，并承受了后果"**。例如：

  • ❌ "熟悉注意力机制。"——人人都会写，无法验证。
  • ✅ "长文档检索阅读场景中对比滑窗注意力与全文注意力：滑窗省显存但丢失跨段依赖，实测 ROUGE 下降 6%，最终保留全文注意力并对输入做检索前置截断。"

后者的潜台词是："我能现场给你讲多头注意力为什么要拆头、注意力公式为什么除 √d_k、KV cache 怎么省算力。"这些推导都收在 Transformer 与注意力机制 与 大语言模型（LLM） 里，补课即可。

2. 工程能力象限：证据是"完整链路 + 性能数字" ​

工程象限的证据是一整条可复述的链路，外加端到端的数字。写法模板：

文档 3 万份 → 清洗（表格/扫描件转文本）→ 切分（按标题 + 500 token 重叠）→ 中文专用 embedding 向量化 → 向量库 + BM25 混合检索 → 重排序 → 生成（忠实度约束）→ 服务（P95 延迟 2.1s）→ 监控告警。

这条链路里每一环都可以被追问，每一个数字都有口径。完整实践路径见 从零搭建 RAG 应用 与 从零开发一个 Agent，部署与吞吐/延迟调优见 部署与推理优化实战。

3. 评估思维象限：多数简历的空白区，性价比最高的差异化点 ​

评估思维是四个象限里**最缺人、也最能证明"你真的做过"**的一格。原因是：没真正把系统跑起来、跑歪过的人，根本写不出评估细节。证据写法：

自建 120 条售后场景评测集（真实用户问题 + 标注答案），按忠实度/相关性/完整性三维打分；LLM-as-judge 与人工抽检一致性 89%，分歧样本人工复审后修正评测标准。

这段文字同时证明了三件事：你有评估体系、你验证过评估工具本身、你愿意为指标投入标注成本。方法论见 搭建一套 LLM 评估 与 LLM 评估与基准。

4. 领域理解象限：写清"问题是什么、为什么值得做、约束是什么" ​

领域理解在简历上的证据不是一句"熟悉电商/金融/医疗"，而是对业务约束的感知。例如：

客服场景：错误回答的代价是客诉与法律风险，因此方案优先保证忠实度而非流畅度——检索未命中时允许回答"资料库暂无，请转人工"，而不是让模型自由发挥。

这句话决定了你后面所有技术取舍，也是面试场景题的高分来源。不同领域的取舍差异，可以从 ChatGPT 与对话式 AI、Perplexity 与 AI 搜索、Manus 与 Agent 应用 这些案例里感受"产品目标如何决定技术选择"。

四个象限怎么分配篇幅

四个象限不必平均用力——按目标岗位排序（见第五节）：算法岗把模型原理和评估写厚，应用岗把工程和评估写厚，产品岗把领域理解和评估写厚。注意"评估思维"几乎对三类岗位都是加分项，因为它同时证明工程成熟度和产品判断力。

三、项目描述公式：背景 - 动作 - 结果 ​

项目经历是简历的承重墙。写法总原则一句话：背景（业务问题 + 数据规模 + 约束）→ 动作（做了什么 + 为什么这么选 + 踩了什么坑）→ 结果（模型指标 + 业务指标 + 对比基线）。三个部分缺一个，这条项目就会被面试官跳过或追问到死角。

1. 改前 vs 改后：同一个 RAG 项目的两副面孔 ​

用同一个虚拟项目（企业内部售后手册问答）演示：

❌ 改前（工具流水账，五句话全是"做了什么"）：

基于 LangChain 的智能问答系统。使用 FAISS 作为向量数据库，调用 GPT-4 API。实现了文档加载、文本切分、向量检索和问答生成。效果不错。

这一版的问题清单：没有背景（数据哪来、多少份、为什么做）；动作只有工具名没有判断（为什么 FAISS 不用 Milvus？为什么这么切分？）；"效果不错"没有任何数字；更致命的是——这段描述任何看过教程的人都能原样写出，它无法证明你比下一个求职者强。

✅ 改后（证据链，三段齐全）：

企业内部售后手册智能问答系统——把 3 万份 PDF 变成客服可用的知识库。

  • 背景：客服日均 2000+ 重复问询，查手册平均 8 分钟/次；PDF 含大量表格与扫描件，直接灌入模型效果差。
  • 动作：对比按标题 / 递归字符 / 固定长度三种切分策略，实测"按标题 + 500 token 重叠"检索召回最优；表格行先转 markdown 再入库，解决表格检索丢失；召回 Top-20 用 cross-encoder 重排到 Top-5；生成侧加忠实度约束，检索未命中时回答"资料库暂无，请转人工"。
  • 结果：Top-5 检索命中率 78%→91%；客服抽检答案采纳率 61%→87%；单次问询平均处理时长从 8 分钟降至 3 分钟。踩坑：早期 embedding 与文档语言不匹配导致召回骤降，改为中文专用模型后恢复。

改后版本每个动作都带着"为什么"，每个数字都有口径，每个坑都能展开——这正是面试官深挖的材料。"踩坑"一行尤其关键：没做过的人编不出真实的坑，它是"我真的做过"的最强信号。

2. 量化指标的两条铁律 ​

  1. 模型指标 + 业务指标都要有：只写"检索召回率 91%"是残缺的，补上"客服处理时长缩短 62%"才能证明业务价值。参考 LLM 评估与基准 里"评估要分技术层与业务层"的思路。
  2. 永远带对比基线和口径："准确率 95%"没有信息量，"采纳率从 61% 提升到 87%（客服 30 人抽检 200 条，口径与线上一致）"才有。写"提升 300%"前先想清楚相对谁——面试官一定会问。

四、个人项目怎么从 0 攒 ​

没有实习或工作经历时，个人项目是唯一完全可控的证据来源。推荐按本站实践页的路径，走"一条主线递进"——每一步都复用上一步的产物，最终形成证据互相印证的四个项目：

  1. 从零搭建 RAG 应用（从零搭建 RAG 应用）：选一个真实领域（自己读过的技术文档、开源项目 README、政策文件），做检索问答。这是起点项目，覆盖完整工程链路。
  2. 从零开发一个 Agent（从零开发一个 Agent）：在 RAG 之上加工具调用（查数据库、调 API、执行代码），做一个能"做事"而非只"说话"的应用。
  3. 微调你自己的 LLM（微调你自己的 LLM）：用 LoRA 微调开源模型，做出"领域风格 / 输出格式对齐"的案例，顺带理解 微调与 PEFT（LoRA） 的原理。
  4. 搭建一套 LLM 评估（搭建一套 LLM 评估）：为以上项目建评测集与指标，量化"RAG 开 vs 关""微调前 vs 微调后"的差异——这一步让你的项目从"demo"变成"证据"。

为什么是这个顺序：RAG 提供工程证据，Agent 提供系统复杂度证据，微调提供原理证据，评估同时服务于前三者，且是面试最常追问的一环。一个"既深又完整"的项目，胜过五个只到 demo 程度的东西。

选题的三条标准

① 你自己真的会遇到问题（考研资料问答、健身知识库、个人博客助手），讲得清"为什么做、谁受益"；② 数据可合法获取、规模足够体现实战性；③ 能定义"好"——也就是能建评测集。满足这三条，项目就是面试题库里"项目深挖"环节的弹药库。

五、常见岗位的简历侧重差异 ​

岗位类型优先突出的象限证据形态本站对应页面
算法岗（模型/研究向）模型原理 + 评估思维微调对比实验、评测集构建、技术博客/实验记录微调与 PEFT（LoRA）、对齐：RLHF 与 DPO、LLM 评估与基准
应用岗（工程向）工程能力 + 评估思维RAG/Agent 端到端项目、性能指标、踩坑复盘从零搭建 RAG 应用、从零开发一个 Agent、部署与推理优化实战
产品岗（AI 产品向）领域理解 + 评估思维需求定义、用户指标提升、方案取舍复盘Perplexity 与 AI 搜索、Manus 与 Agent 应用、提示词实战手册

1. 算法岗：用"为什么"与"取舍"证明深度 ​

算法岗的深挖环节基本是"原理追问 + 实验复盘"。简历阶段你能做的，是在项目里留下可被追问的深度钩子：

  • 写清模型/微调方案选型的对比过程与取舍："LoRA rank 试了 8/16/32，16 在评测集上增益最大，32 收益递减且显存翻倍"；
  • 写清评测方法的设计：为什么用这个指标、评测集怎么建的、如何防数据泄漏；
  • 写清对机制的理解：长上下文、位置编码、注意力变体在项目里的实际作用。

这些钩子的潜台词是："我可以现场给你讲 30 分钟，而且有实验数据。"原理底子见 Transformer 与注意力机制 与 大语言模型（LLM）。

2. 应用岗：用"完整链路与稳定性"证明广度 ​

应用岗不指望你推导最新的注意力变体，但要求你把模型变成可靠系统。突出的是：

3. 产品岗：用"问题定义与价值闭环"证明判断力 ​

产品岗突出"用户是谁、痛点多痛、你怎么定义'好'、上线后指标怎么变"：

  • 写清需求来源与优先级判断（哪些问题值得用 AI 解决、哪些不该）；
  • 写清"好"的定义与度量（采纳率、转人工率、节省工时，而不是"回答质量高"这种空话）；
  • 写清方案取舍：为什么用 RAG 而非微调、为什么先做最小可用再迭代。

从 Perplexity 与 AI 搜索 里"检索 + 生成如何做产品决策"、ChatGPT 与对话式 AI 里"对话体验如何被产品化"的分析，可以学到这类叙述的写法。

一句总原则

深度靠"一个点挖到底"，广度靠"一条线走到尾"。 至少一个项目你挖到了机制/取舍层，同时每个项目都覆盖完整链路。"一个既深又完整"的项目，胜过五个每个都只到 demo 的东西——这条原则对三类岗位都成立。

六、延伸阅读 ​

本站继续读：

参考资料 ​

最后一句话：在 AI 热门概念方向，简历上最值钱的一句话是"我做的系统，让指标从 X 变成了 Y"——其余都是它的注脚。写简历的时间，永远花在"想清楚自己做过什么、做得多好、为什么这么做"上，永远不亏。