今天要解决的问题
两个作品都做完了,接下来五天全部用来找工作。第一件事是简历,因为它决定了你有没有机会把作品讲给面试官听。
今天结束时你应该有:
- 一张「JD 关键词 → 你的证据」对照表,说得出每个高频技能在你简历的哪一行有证据,哪几个是空白。
- 两段写好的项目经历(SupportPilot 和代码审查 Agent),每段都是「问题、方案、数据」的结构,数据全部来自你自己的记录表。
- 一段改写过的工作经历,诚实地突出和 Agent 岗相关的那部分能力。
- 一份 300 字左右的「代表项目说明」,很多公司会单独要。
- 中文版和英文版各一页的简历 PDF,链接都能点。
预计用时 4–6 小时。前置是 Day 54 的 README 和结果表、Day 55 的评测数字。
先看招聘方到底要什么
写简历之前先读 JD,而且不是读一两份,是读一批。站长在 2026 年 10 月 12 日做了一次调研,一共收了 880 条 AI Agent 相关岗位:国内 695 条,海外 185 条。国内分两批:第一批 120 条来自腾讯、字节、美团、百度、网易、京东的招聘官网,加上智联招聘、Boss 直聘截图和 V2EX;第二批是用站长自己的账号登录后抓的 Boss 直聘 435 条和猎聘 140 条,以中小公司和各行业的业务团队为主。海外来自 LinkedIn、新加坡政府职位库 MyCareersFuture、Hacker News 十月招聘帖,以及 OpenAI、Anthropic、Sierra、Decagon 等公司在 Ashby/Greenhouse/Lever 上的公开职位。
技能比例只能用有 JD 正文的那部分算:国内 334 条(Boss 列表大多只有标题和薪资,只有 74 条抓到了正文),海外 185 条。比例是用关键词在 JD 全文里匹配出来的,不是人工标注,只用来看方向,差五个百分点以内的不要当回事。
| 技能 | 国内(334 条) | 海外(185 条) | 你在课程里哪天学的 |
|---|---|---|---|
| Python | 65% | 63% | Day 2 起全程 |
| LLM API / Function Calling / Tool Use | 55% | 39% | Day 3、Day 8–11 |
| Context Engineering / 记忆 | 52% | 25% | Day 20、Day 48 |
| RAG / 检索 | 51% | 54% | W3、Day 45 |
| 评测 Eval | 48% | 62% | W5、Day 50–51 |
| Prompt 工程 | 46% | 46% | Day 5 |
| Agent 框架(LangChain/LangGraph 等) | 46% | 36% | Day 24–27 |
| 部署 / Docker / K8s / 云 | 39% | 53% | Day 41、Day 53 |
| 全栈 / 前端 | 38% | 29% | Day 49(Streamlit) |
| 多 Agent | 37% | 22% | Day 26 |
| 面向客户 / 交付 | 33% | 46% | Day 43 |
| SQL / 数据系统 | 31% | 41% | Day 17、Day 46 |
| 成本 / 延迟 / ROI | 31% | 39% | Day 38、Day 52 |
| 高并发 / 分布式 | 28% | 50% | 你原来的后端经验 |
| 微调 / RL | 23% | 19% | 课程不涉及 |
| Java | 23% | 10% | 你原来的经验 |
| Go | 23% | 14% | 课程不涉及 |
| 熟练用 Coding Agent | 21% | 15% | Day 55 |
| 可观测 / Tracing | 21% | 31% | Day 34、Day 52 |
| MCP | 17% | 16% | Day 22–23、Day 46 |
| 安全(注入/权限/沙箱) | 11% | 22% | Day 39–40、Day 53 |
| Skills | 10% | 3% | Day 27 |
几个读法:
国内 JD 更关心 Agent 内部是怎么工作的。上下文工程(52% 对 25%)、工具调用(55% 对 39%)、多 Agent(37% 对 22%)这几项国内明显更高;只看大厂官网那 120 条,上下文工程更是到了 66%,腾讯、美团、字节好几个岗位的标题直接就叫「Agent Harness 工程师」。MCP 两边差不多(17% 和 16%),不算国内特有的要求。你在简历里不能只写「用 LangGraph 搭了一个 Agent」,要写出你处理了上下文压缩、工具失败重试、子 Agent 隔离这些具体问题。
评测是两边都看重的硬通货,海外 62%,国内 48%(大厂官网样本里是 56%)。腾讯一个 Agent Harness 岗位的原话是「使每次 Prompt、模型、工具变更都有量化的收益与回归判定」;智联上一家公司要求候选人「能讲清上线后效果指标是多少、是怎么测出来的」。你的项目经历里如果没有一个带口径的评测数字,基本等于没写。
真实上线经验比框架名重要。海外 JD 几乎每条都写 shipped to production;国内中小公司常见的说法是「至少 1 个已上线的大模型应用项目,本人承担主要开发」。你的 SupportPilot 有公网地址、有限流、有预算闸,这就是「上线」,把这一点写出来。
还有两个你在课程里只碰到边的高频项:高并发分布式和 SQL。好消息是,如果你是后端出身,这正是你原来工作经历里有的东西,不需要从课程里找证据。
关键词对照表:先找证据,再写句子
拿到一份想投的 JD,先别急着改简历,做一张三列的表:
具体做法:
- 把 JD 的职责和要求逐条拆成关键词,用 JD 原文的写法(它写「Context Engineering」你就别写成「上下文管理」,很多公司的简历筛选是按关键词搜索的,包括 Boss 直聘上招聘方搜人)。
- 每个关键词在中间列写一个具体证据:哪个项目、哪个模块、哪个数字。
- 证据能对上的,在右列标出它在简历的哪一行;对不上的,判断是「我会但没写」还是「我真不会」。前者补一行,后者别写。
做三五份 JD 之后你会发现,90% 的关键词是重复的。这时候把高频的那些固定写进简历的通用版本,投具体岗位时再微调技能栏的顺序和项目要点的先后。
项目经历:问题、方案、数据
这是简历里最重要的部分。我见过太多这样的写法:
SupportPilot 智能客服 Agent 技术栈:Python、LangGraph、RAG、MCP、pgvector、FastAPI、Docker、Langfuse 负责系统的设计与开发,实现了工单分类、知识检索、工具调用、回复生成等功能,提升了客服效率。
这一段的问题是没有任何一句话能被验证,也没有任何一句话会让面试官想追问。「提升了客服效率」提升了多少?怎么测的?
改成三段式,每条要点都包含「做了什么具体的事」和「结果是什么数字」:
SupportPilot · SaaS 客服工单 Agent(个人项目,2026.10)· 演示:demo.你的域名 · GitHub:github.com/你的用户名/supportpilot
- 用 LangGraph 编排「分类、混合检索、MCP 业务工具、起草、自检」五节点工作流,退款类操作通过 interrupt 进入人工审批;在 100 条测试工单上端到端任务成功率 xx%。
- 建立三层评测(规则断言、LLM-as-judge、轨迹检查)并接入 GitHub Actions 回归门禁;judge 与人工标注一致率 xx%,依据错误分析迭代 x 轮,成功率从 xx% 提升到 xx%。
- 通过稳定 prompt 前缀(缓存命中率 x% → y%)和大小模型路由,单工单成本从 ¥0.xx 降到 ¥0.0x,评测分数下降 x 个点以内;按转人工率和复核时长测算,单工单综合成本约为纯人工的 x%。
- 设计 24 条注入测试用例覆盖越权查询、绕过审批、间接注入等六类攻击;将客户身份绑定在工具层、退款只能申请不能执行,越权和绕过审批两类成功率降为 0。
数字全部用 xx 代替了,因为必须换成你自己记录表里的值。这条规则没有例外:简历上的每个数字,面试官问「怎么测的」,你都要能当场讲清楚口径。宁可写「在 100 条测试工单上」这种朴素的口径,也不要写一个看起来很厉害但说不清来源的数。
注意第一行的「个人项目」。课程里的项目就是个人项目,不要包装成「某公司智能客服系统」,也不要把它写进工作经历。面试官一问细节(「你们公司日均多少工单?」),包装立刻穿帮,而且会让他怀疑你简历上的其他内容。个人项目只要做得扎实,一点都不丢人。调研里一个要求硕士学历的 LLM Agent 系统开发岗,加分项里就明确写着「个人项目或开源贡献均可」。
第二个项目(代码审查 Agent)写两三条就够,重点放在它和第一个项目不同的地方:diff 解析和行号校验、埋 bug 评测集上的召回和有用率、阈值选择的取舍。
工作经历:诚实地换个角度写
如果你原来是后端工程师,你的工作经历里有大量 Agent 岗位需要、但你可能没意识到的东西。关键是换个角度描述同一件事,而不是编造没做过的事。
拿一个做过 B2B 订阅计费系统的后端举例:
| 原来的写法 | 换个角度(同一件事,没有编造) | 对上了 JD 的哪个词 |
|---|---|---|
| 负责计费模块开发 | 负责订阅计费核心链路,处理按比例计费、发票生成、与支付网关和 CRM 的双向同步 | 企业系统集成、SQL |
| 参与线上问题排查 | 主导 x 起跨服务数据不一致问题的根因分析,用日志和链路追踪定位,沉淀排查手册 | 可观测、Tracing |
| 写单元测试 | 为计费规则建立回归测试集 x 条,作为发布门禁 | 评测、回归 |
| 对接审批流 | 设计退款审批流程,敏感操作双人复核并留审计日志 | 人工审批、安全 |
| 使用 Claude Code 写代码 | 日常用 Claude Code 等 Coding Agent 开发,建立了针对生成代码的审查清单(测试是否被改、异常是否被吞等) | 熟练用 Coding Agent |
最后一行值得多说一句:国内约两成(21%)的 JD 点名要求熟练使用 Claude Code、Cursor、Codex,有的还要求「把控生成代码质量」。如果你在工作中确实在用,写出来,并且写出你怎么控制质量(Day 55 那张清单),这是很多候选人会忽略的加分项。没用过就别写,这种东西面试时聊两句就露馅。
如果你原来是测试、前端或数据岗,思路一样:测试工程师的用例设计和回归体系对应评测,前端工程师的流式渲染和交互对应 Agent 的前端体验(国内 JD 里提全栈或前端的有 38%),数据工程师的数据清洗和 SQL 对应 RAG 的数据处理和 text-to-SQL。
年限和学历门槛,怎么面对
这部分不好听,但必须说清楚。
年限:国内 Boss 和猎聘列表里,要求 3–5 年的最多(Boss 31.5%、猎聘 43.6%),其次是「经验不限」(Boss 23.9%)和 1–3 年(猎聘 20.7%);海外写了年限的岗位中位数是 5 年。大多数 JD 里的年限指的是总的软件开发经验,而不是 AI 经验,所以一个有 3 年后端经验的人看到「3–5 年」的 Agent 岗是可以投的。也有岗位会单独写 AI 年限,比如智联上一个 FDE 岗写的是「1–3 年开发工作经验,其中至少 1 年与 AI 应用 / Agent 开发 / 大模型落地相关」。遇到这种要求,两个月的个人项目算不上一年的 AI 工作经验,不要硬凑,但可以投,在简历和面试里坦率说明你 AI 方向的经验来自哪里,用作品的深度去弥补。被拒很正常,不必内耗。
学历:国内大约八成岗位写的是本科(Boss 列表 80.5%、猎聘 79.3%),明确要求硕士或博士的大约一成(Boss 9.4%、猎聘 12.1%);卡得更严的是大厂和算法味重的岗位,只看大厂官网那 120 条,有 12 条提到硕士。海外基本不提学历。卡硕士的岗位,本科靠作品集很难越过简历初筛,因为很多公司的筛选是 HR 或系统按条件过滤的,作品集根本没机会被看到。现实的策略是:八成岗位本科就够,把精力优先放在这些岗位上;对写着「硕士优先」而不是「硕士及以上」的岗位照常投;如果特别想去一个卡学历的团队,找内推,让简历直接到用人经理手里,这是唯一可能绕过筛选的路。
两个月的课程和三年经验的人比,差在哪? 差在线上真实流量和真实用户带来的问题。你可以在面试里主动承认这一点,然后讲你用什么方法尽量逼近真实:用评测集替代真实流量,用注入测试替代真实攻击者,用账本替代真实账单。这种自知之明在面试里通常是加分的。
代表项目说明:300 字写清四件事
越来越多的公司会在简历之外要一段项目说明。前面提到的那个智联岗位,投递要求里写得很具体:「挑一个你做过的大模型 / AI 相关项目,写清楚四件事:数据从哪来、你怎么处理、上线后效果是多少、如果再给你一次你会改进什么。」
这四个问题本身就是一个很好的框架,即使对方没要,也建议你准备好,面试的自我介绍和项目介绍都能用。用 SupportPilot 写一版:
数据从哪来:虚构 SaaS 公司的 60 余篇帮助中心文章和包含客户、订阅、发票的业务库,均为脚本生成,模拟真实客服场景;另造 100 条测试工单和 24 条注入用例。 怎么处理:帮助中心按标题层级切块,pgvector 向量检索与 BM25 混合后 rerank;业务数据通过 MCP 工具按需查询,客户身份由服务端绑定;LangGraph 编排分类、检索、执行、起草、自检,退款进入人工审批。 效果:100 条测试工单端到端成功率 xx%,P95 延迟 x 秒,单工单成本 ¥0.0x;越权与绕过审批两类攻击成功率为 0。 再来一次会改进:评测集过于依赖合成数据,会更早引入真人编写的工单;自检节点的误拒率偏高,会先做错误分析再决定是否换模型。
这段话里的每一个数字和每一个技术选择,都是面试官接下来会追问的地方。写的时候就要想好追问的答案。
一页简历的结构
几条细节:
- 一页。三年以内经验的人,一页足够;超过一页说明你没取舍。
- 链接要能点。PDF 里的 GitHub、演示地址、博客必须是可点击的超链接,而且放在顶部。很多人把链接写成纯文本,面试官得手动复制,大多数人不会这么做。
- 技能栏分组写,比如「Agent 开发:LangGraph、MCP、Function Calling、上下文工程」「检索:pgvector、BM25 混合检索、rerank」「评测与可观测:LLM-as-judge、轨迹评测、Langfuse」「工程:Python、FastAPI、Docker、PostgreSQL」,再加上你原来的主力语言。只写你能被追问三层的东西。
- 一句话定位写在名字下面,比如「后端工程师(x 年),近期专注 AI Agent 开发,做过带评测和安全测试的客服 Agent 与代码审查 Agent」。
- 中文简历在国内通常会写期望城市和到岗时间;照片可选,大多数技术岗不看。
证书:要不要考,考了写在哪
2026 年 Agent 方向冒出来好几个认证,常有人问考一个能不能补「没有 AI 工作经历」这个短板。先看数据:站长整理的 881 条 JD 正文里,提到「持有某某证书优先」的大约只有十来条,而且基本是云厂商证书(阿里云 ACA/ACP、AWS、Azure、Google Cloud、Databricks),没有一条点名 LangChain 或 Anthropic 的认证。国内只有 1 条写了阿里云证书优先。招聘方筛人看的仍然是项目、作品和能被追问的经验,证书最多是一个加分小项。
2026 年 10 月查到的几个,都以官方页面为准,价格这一年变过不止一次:
| 认证 | 考什么 | 费用和形式 | 我的看法 |
|---|---|---|---|
| LangChain Certified Agent Engineer(LCAE) | 构建、测试、部署、监控 Agent 四块各占 25%,围绕 LangChain、LangGraph、LangSmith | 99 美元,40 道选择题 120 分钟,答对 28 道通过,线上监考,有效期 2 年;2026-07-30 推出 | 和这门课 W4–W6 的内容重合度高,学完再考不难。对投用 LangGraph 的公司有一点信号作用 |
| Claude Certified Architect(Anthropic) | Claude 的 Agent、工具、MCP、上下文管理等架构设计 | 第三方汇总说 Foundations 级 125 美元一次、Professional 级 175 美元,通过 Pearson VUE 考;报名限 Claude 合作伙伴网络的成员 | 个人大多报不了名,公司是合作伙伴才有机会。官方定价页我没找到,数字来自多篇第三方文章,未核实 |
| 阿里云大模型工程师 ACP | 提示词、RAG、微调、应用开发、多 Agent 与多模态、生产实践 | 官方大纲公告写了 75 道题(单选 50、多选 25)和各模块比例,费用公告里没写,报名前去阿里云认证官网看 | 国内投阿里云生态的公司、外包和集成商有用;对大厂技术岗基本不加分 |
所以我的建议是:作品优先,证书可选。 如果你已经做完 SupportPilot,还想要一个能写进简历的东西,花 99 美元和一个周末考 LCAE 性价比还可以;没做完作品就去考证,是把时间花错了地方。考过以后写在简历最下面的「证书」一行,一行就够,别放到顶部和项目抢位置。面试被问到时,讲你在作品里怎么用了这些东西,比讲考试本身有用得多。
还有一类要躲开:国内各种培训机构发的「AI 智能体工程师」「大模型应用开发师」证书,有的还挂着某某协会的名头,收费几千到上万。这类证书招聘方基本不认,Day 59 的避坑那节也会再提一次。
英文版的不同
如果你打算投新加坡、香港或海外岗位,需要一份英文简历。不是把中文版机翻一遍,有几处习惯不同:
- 不写照片、年龄、婚育、籍贯。
- 每条要点用动词过去式开头:Built、Designed、Reduced、Introduced。
- 数字照样要有,英文简历比中文更看重 impact。
- 要点写短,一行到一行半。
- 项目的口径写清楚:「on a 100-ticket eval set」「measured with a self-built cost ledger at DeepSeek’s Oct 2026 list prices」。
SupportPilot 第一条的英文版示例:
- Built a LangGraph workflow (classify → hybrid retrieval → MCP tools → draft → self-check) with human approval for refunds via interrupts; reached xx% end-to-end task success on a 100-ticket eval set.
海外 JD 里「面向客户 / 交付」的比例接近一半,美国本土样本更是过半,很多岗位叫 Forward Deployed Engineer 或 Applied AI Engineer。如果你投这类岗位,英文简历里要有能体现「和客户或业务方一起定义需求、交付、迭代」的经历,Day 59 会单独讲这类岗位。
动手练习
步骤
- 从 Boss 直聘、公司招聘官网、LinkedIn 各挑 2 份你真想投的 JD,一共 6 份,做关键词对照表。
- 统计对照表里中间列为空的关键词,判断哪些是「会但没写」(补进简历),哪些是「不会」(记下来,决定是 Day 60 之后补,还是放弃这类岗位)。
- 按三段式写两个项目经历,所有数字从
docs/results.md里取,逐个核对。 - 按「换角度改写」的方法重写最近一段工作经历,每条要点都要你自己确认是真实发生过的。
- 写 300 字代表项目说明。
- 排版成一页 PDF,中英文各一份。检查所有链接都能点击、能打开。
- 找一个在招人的朋友(或开一个新的 Claude 会话扮演面试官),给他 60 秒看简历,问他记住了什么,想追问什么。
验收标准
- 简历上每个技能词都能在对照表里找到证据。
- 每条项目要点都有至少一个数字,并且你能讲清口径。
- 没有把课程项目写成公司项目,没有编造工作经历。
- 60 秒测试里,对方能说出你的定位和至少一个项目数字。
- 中英文两版都是一页,链接全部可点。
名词解释
| 名词 | 意思 |
|---|---|
| JD | Job Description,职位描述,包括职责和任职要求 |
| 关键词对照 | 把 JD 里的技能词逐一对应到你简历上的具体证据 |
| 三段式要点 | 每条项目经历写清「做了什么、怎么做的、结果数字」 |
| 口径 | 一个数字在什么数据上、用什么方法测出来的 |
| 简历初筛 | HR 或系统按学历、年限、关键词等条件过滤简历的环节 |
| 内推 | 由公司在职员工推荐,简历通常直接到用人团队 |
| Agent Harness | 国内大厂常见的岗位方向,指 Agent 的运行底座:循环调度、工具注册、上下文组装、沙箱、checkpoint |
| FDE | Forward Deployed Engineer,驻场或面向客户交付的工程师 |
| impact | 英文简历里指工作带来的可量化结果 |
| LCAE | LangChain Certified Agent Engineer,LangChain 官方的 Agent 工程师认证,99 美元,有效期 2 年 |
常见误区
技术栈列得越长越好。 列了 K8s,面试官就会问 K8s。每个词都是一个可能的追问点,列你答不上来的词等于主动给自己挖坑。
用形容词代替数字。 「显著提升」「大幅降低」没有信息量,换成具体数字和口径。
把个人项目包装成公司项目。 一追问业务规模就穿帮,而且会连累简历其他内容的可信度。个人项目写清楚是个人项目,用深度取胜。
一份简历投所有岗位。 国内大厂偏 Agent 内部机制,海外偏交付和结果,FDE 岗偏客户沟通。至少准备「通用版」和两三个侧重不同的变体。
看到硕士门槛就全部放弃,或者完全无视。 区分「硕士优先」和「硕士及以上」,前者照投,后者走内推或放弃。
简历上写「熟悉 Claude Code」却说不出任何使用心得。 这项要求现在很常见,面试官会追问你怎么控制生成代码的质量。
学习资料
文档与文章
- 腾讯 · Agent Harness 工程师:国内大厂 Agent 岗写得最细的 JD 之一,职责里的 tracing、评测、调试工具链,要求里的「Coding Agent 典型 failure mode」,对照你的简历逐条看,20 分钟。
- 智联招聘 · AI 大模型应用开发工程师(大国智能网天):中小公司 JD 的典型,「代表项目说明」的四个问题就来自这里。
- 智联招聘 · AI 智能体(FDE)工程师(中兵数字):看国内 FDE 岗怎么写年限要求和 Coding Agent 要求。
- 网易 · Agent 应用开发工程师:职责里「搭建智能体运行效果监控指标」「集成至智能客服」和 SupportPilot 几乎一一对应。
- The Tech Resume Inside Out:Gergely Orosz 写的技术简历指南的官网,有样章和模板。
- LangChain · LCAE 认证页 和 模拟考:考试范围、费用、题量,决定考之前先做一遍模拟考看差多少,1 小时。
- 阿里云大模型 ACP 考试大纲变更公告:题量和各模块比例,费用要去认证官网另查。
B 站视频
其他经典视频
书籍
- Gergely Orosz《The Tech Resume Inside Out》(自出版,2020):约 200 页,讲招聘流程里简历的作用、不同资历的写法,含模板和改写前后的真实案例。读讲招聘流程和改写案例的部分,2 小时。
开源项目与代码
- AmruthPillai/Reactive-Resume:开源的简历编辑器,可以自托管,导出 PDF 链接可点击。
- Overleaf 简历模板:英文简历常用 LaTeX 模板,排版干净。
自测
- 根据调研数据,国内和海外 Agent 岗 JD 最大的侧重点差异是什么?这对你写简历有什么影响?
答案
国内更看重 Agent 内部机制:上下文工程(52% 对 25%)、工具调用(55% 对 39%)、多 Agent(37% 对 22%)、Skills 都明显更高,大厂常见 Agent Harness 方向,MCP 两边持平;海外更看重交付、结果和面向客户,部署、SQL、客户交付比例更高。所以投国内岗时项目要点要写出你处理了哪些 Agent 内部问题,投海外岗时突出上线、结果数字和与业务方协作。
- 下面这条项目要点有什么问题?「基于 RAG 技术构建知识库问答,大幅提升了回答准确率。」改写它。
答案
没有具体做法,没有数字,没有口径。改写示例:「帮助中心按标题层级切块,pgvector 向量检索与 BM25 混合后 rerank;在 30 条检索测试集上 recall@5 从 xx% 提升到 xx%。」数字换成你自己的测量值。
- 一个岗位写「硕士及以上学历,3 年以上 Agent/RAG 落地经验」,你是本科、5 年后端、两个月 Agent 个人项目。投不投?怎么投?
答案
这个岗位有两道硬门槛都不满足:学历是「及以上」不是「优先」,AI 落地经验也不够。直接海投大概率过不了初筛。如果特别想去,找内推让简历直接到用人团队,并在简历和沟通里坦率说明 AI 经验来自个人项目、用作品深度说话;否则把精力放在不卡学历的岗位上。
- 为什么建议把课程项目明确标成「个人项目」,而不是写进工作经历?
答案
面试官一追问业务规模、团队、真实流量就会穿帮,而且一处不实会让对方怀疑简历其他内容。个人项目本身是被认可的,不少 JD 加分项里明确写了「个人项目或开源贡献均可」,关键是做得深、有数字、讲得清。
- (面试题)「请用两分钟介绍一个你最有代表性的 AI 项目。」用「数据从哪来、怎么处理、效果多少、再来一次怎么改」四段写出提纲。
答案
参考今天的 300 字说明:数据来源说清是合成数据以及为什么这样设计;处理部分抓两三个关键技术决策(混合检索、身份绑定在工具层、人工审批),每个准备好被追问;效果给两三个带口径的数字;改进部分给出真实的不足和你的计划。讲的时候留钩子让面试官追问你准备最充分的地方。
- 你在工作中天天用 Cursor,简历上该怎么写这件事才有说服力?
答案
不只写「熟练使用 Cursor」,而是写使用方式和质量控制,例如「日常使用 Cursor/Claude Code 开发,建立生成代码审查清单(检查测试是否被修改、异常是否被吞、新增依赖与外部调用),并通过 AGENTS.md 固化项目约定」。面试时能讲出 Coding Agent 典型的失败模式和你遇到过的具体例子。
- 一位朋友还没做任何 Agent 作品,打算先花一个月考 LCAE 和阿里云大模型 ACP,再开始投简历。你会怎么劝他?
答案
先看招聘方要什么:调研的 881 条 JD 里提证书的只有十来条,且全是云厂商认证,没有点名 LangChain 或 Anthropic 认证的;筛简历看的是项目和能被追问的经验。所以顺序应该反过来:先把一个带评测数据的作品做出来,简历上有了「问题、方案、数据」,再考虑用一个周末考 LCAE 当加分项。证书写在简历最下面一行,面试时讲作品里怎么用到了这些东西。
明天预告
Day 57 · 面试(一):高频基础题 60 道。简历投出去之后,接到的第一轮技术面通常是基础题加项目追问。明天按 LLM 基础、提示词、工具调用、RAG、Agent 架构与框架原理、上下文工程、MCP 与 Skills、评测、安全与工程化分组整理 60 道高频题,每道题给答题要点,答案折叠,先自己说一遍再看。
评论