大模型简历怎么写？先说结论：很多技术完全过关的同学，挂在面试还没开始的简历关——不是能力问题，是"简历没按面试官怎么读来写"。这篇按一位面试官真实筛人、约面、提问的流程组织：初筛那 10-15 秒看什么 → 项目经历怎么写才不像流水账 → 技术栈哪些写法一眼被看穿 → 数据与结果怎么写成可验证 → 如何让简历"引导"面试官问你想答的，最后附高频被一眼挂掉的简历案例与改法。
简历第一轮到底是谁在看？筛人的顺序和标准是什么？必答
大厂通常两段式：HR/招聘系统先按关键词与硬条件粗筛（学历、年限、岗位关键词、是否有 LLM/RAG/Agent 等项目词），用人部门（面试官或其 leader）再做技术初筛。技术初筛一位有经验的人 10-15 秒扫一份，看的顺序基本是：最近一段经历在做什么 → 项目有没有"和你投的岗位同构"的部分 → 有没有可验证的结果数字 → 技术栈里有没有能追问的点。所以"名校名企"只决定进不进 HR 池，决定面试官细看的，是前 1/3 页有没有命中他要的东西。反过来，简历被挂常见不是因为不够优秀，而是最近经历和岗位没有一眼可见的关联。
一页还是多页？重点怎么排？必答
没有硬性一页，但有一条铁律：最近、最相关、最能打的内容放最前面，占前 1/3。初筛只读前面，你 5 年前的老项目和第一屏无关经历写两行，别占黄金区。项目经历用"倒序 + 每段给 3-4 条 bullet"，每条 bullet 要能独立成句讲一个点；把"自我评价/兴趣爱好"这类占位区缩到最小或删掉，换成一条"可验证的亮点汇总"（如：从搜索排序转 LLM，主导上线过 3 个 RAG 应用，1 个进入生产、日活级流量）。让面试官 10 秒内 get 到你"做过什么、转过来会不会用"。
投大厂没回音，怎么判断是简历问题还是背景问题？加分
做个低成本实验：把岗位 JD 的关键词（领域、技术栈、项目类型、业务场景）列出来，数你的简历命中几个。命中率低 → 大概率是"简历和岗位没有同构语言"，改简历而非怀疑背景；命中率够但没约面 → 才是背景/内推/时间窗口问题。很多人以为"背景不够"，其实只是没把已有经历翻译成岗位听得懂的词——这不是造假，是把做过的事用对方的坐标系重述。
项目怎么写才不像"流水账"？必答
"负责开发了 XX 系统，使用 Python 和 MySQL"——这是流水账，面试官无从追问，约面意愿也低。把每条经历改成"场景 → 我的职责 → 我做的关键决策与权衡 → 可验证的结果"四件套，重点落在决策与权衡：为什么选 A 不选 B、踩过什么坑、怎么评估好坏。例：不是"用 LangGraph 搭了客服 Agent"，而是"把原来 12 个 if-else 意图分支改造成 Agent + 工具调用架构：按失败模式拆了检索-验证-兜底三层，坏 intent 占比从 23% 压到 6%，平均回复轮数从 4.2 降到 2.1"。一个能讲出"为什么这么设计、怎么证明有效"的项目，顶过三个只会"负责开发"的项目。
项目方向和岗位不匹配，是不是就没戏了？必答
转岗/转行最常见的死法：写了几个推荐系统/风控项目去面 LLM 岗，两者毫无交集。解法不是隐藏旧经历，而是做一层"能力迁移"的翻译——任何算法岗底层能力（数据清洗、特征/上下文工程、模型选型与评估、A/B、上线与监控）都能映射到 LLM 工程：你做过的召回排序 → "检索阶段怎么筛候选"，你做过的规则引擎 → "工具调用与护栏"，你做过的压测 → "延迟/成本/质量评估"。同时补 1-2 个新写的 LLM 侧项目当桥（见第六节"没有经验怎么补"）。面试官要验证的不是"你用过 buzzword"，而是"把算法工程做上线"的方法论你是否具备。
一个项目到底写几行？写多少项目合适？加分
一个项目给 3-4 条 bullet、合计 4-6 行是性价比最高的区间——多了面试官不会细看，少了没有可追问的抓手。总数写"最近、最相关、每个都能被追问到第 3 层"即可：你写 5 个但每个只能答一层，不如写 2-3 个每个都能往深处打。一个判断标准：简历上任何一个点，都要经得起连续三次"然后呢/为什么"；答不出的就别写，写了就是递给面试官的追问把柄。
只罗列工具名会怎样？必答
"熟练使用 PyTorch / HuggingFace / LangChain / vLLM / Redis / Kubernetes"这种大杂烩是重灾区。原因有二：一是面试官会挑你列表里任一个往下问，而罗列式的"熟练"通常经不起细节；二是没有上下文 = 没有证据，"用过"和"在生产里做过决策"是两回事。改法：工具名尽量只出现在项目 bullet 里、并且带用途与取舍（"用 vLLM 做 serving，对比过连续批处理开/关对吞吐的影响"），不要单独开一行空列工具。宁可少列三个、每个能讲 3 分钟，别列十个、每个都讲不过 30 秒。
哪些"数字/头衔"会让面试官直接起疑？必答
三类：① 超出经历可解释的量级（应届生写"上线千万 QPS""全公司大模型平台负责人"却讲不出团队分工）；② 与角色不符的指标归属（把团队/公司级结果写成个人贡献，被问"这部分具体你做的哪一段"就穿帮）；③ 没有任何基线/归因的结果（"准确率提升到 99%"——比什么提升？提升了多少？在哪个评测上？）。面试官不讨厌数字，讨厌不能归因到"你改了什么"的数字。真话写出来顶多不够亮，假话一旦被戳穿，后面所有内容都按水分处理。
热门词堆一堆 vs 一条主线，面试官更信哪个？加分
ChatGPT、大模型、Agent、RAG、多模态、AIGC 全塞一段，看着"紧跟前沿"，实际是减分——它暴露你没有主线、没有纵深。一份可信的简历通常有一条可讲的主线，比如"检索与 RAG"或"Agent 应用与评估"或"训练与推理优化"，围绕主线把词用进项目里。面试官需要的不是你知道多少词，是你在一个方向上有多少真正做过的判断。与其十个热点各沾一点，不如一个方向做出一个能自证的闭环。
结果指标怎么写面试官才信？必答
可验证的结果有三个要素：① 有对照基线（对比对象是旧的规则方案、上一版模型、还是随机？）；② 有明确口径（离线评测集是什么、多少条？线上 A/B 跑多久、样本量？）；③ 归因到你的改动（这个提升是换模型、调提示词、加 RAG、还是工程优化带来的？）。例：不是"提升 20%"，而是"在 300 条内部 FAQ 评测上，加入 RAG 检索后，答案正确率从 71% 提到 89%，其中 80% 的增益来自召回到 top-5 的段落"。能讲清口径和归因，面试官会默认你在生产里真的做过判断，而不是在背汇报口径。
离线、线上、A/B、成本，哪些必须会讲？加分
LLM 岗尤其看评估意识：离线评测（构建评测集、指标怎么定、会不会过拟合评测集）、线上观测（上线后怎么看崩没崩）、以及成本（多轮对话 token 成本、缓存命中、小模型兜底）。一个加分的句子是"这个方案效果好但贵，所以我对高频意图用小模型 + 缓存，只有复杂 case 才走大模型"——它同时证明你懂质量、懂成本、懂分层。面试官最怕只会"prompt 调一下效果就好了"的选手，你能讲出评估与成本闭环，就已经跑赢大多数简历。
简历上的每个数字，都要能扛住三层追问，怎么自查？加分
对自己简历做一遍"红队演练"：每个结果数字，准备三层答案——① 这个数字怎么来的（口径/评测集/时间窗口）；② 为什么有这个提升（归因到你的哪个改动）；③ 有没有副作用/没做好的（牺牲了什么、换一个场景会不会失效）。答得出第三层的候选人极少，而它恰恰是最有区分度的一层——它证明你不是在背一个漂亮的 KPI，而是真懂自己方案的边界。
怎么让面试官顺着我的优势问？加分
你没法控制面试官问什么，但能控制简历上露出的钩子。设计 2-3 个"你想被追问的亮点"，用斜体或加粗/前置的短句显眼地放在每个项目第一条 bullet 里，例如"主导了从规则到 Agent 的架构重构""把离线评测从人工抽检改成自动评测集，上线前回归从半天缩到 10 分钟"。面试官时间有限，会顺着简历上"最不寻常、最有主张"的点问——你埋的钩子就是他大概率会咬的饵。反向操作：你不想被问的薄弱项（比如某段空窗、某次失败经历），要么放最不显眼的位置，要么主动用一句话给版本，别让它成为面试官自己发现的第一个问题。
改完简历怎么自测它"扛不扛面"？加分
三个自测：① 朗读测试——把简历从头到尾念一遍，任何一句话你解释不清就改到能讲清为止；② 10 秒测试——找个没看过你简历的同学看 10 秒，问"这个人做过什么、强在哪"，答得上来才合格；③ 模拟面试测试——找人对你简历上每个项目各深挖 20 分钟，扛不住的点就是你要补的洞。约面不是终点，简历约来的是"围绕你简历的追问"，你能接住几层，才是 offer 的差距。
案例一："我会大模型"型 —— 为什么反而扣分？必答
原文："掌握大模型、RAG、Agent 等前沿技术，熟练使用 ChatGPT。"
问题：ChatGPT 是使用，不是技能；"掌握"无载体。
改法：删掉这句，换成一条具体项目 bullet："基于开源模型自建了公司内部知识问答：文档解析 + 分块 + 混合检索 + 引用溯源，400 篇内部文档的问答命中率约 85%，并做成 Web 服务供同事使用。"一个可运行、可被同事用的内部工具，比十句"掌握前沿技术"都有说服力——它还天然给了面试官可追问的场景。
案例二：结果没有归因型 —— 数字越大越可疑。必答
原文："搭建推荐系统，点击率提升 300%。"
问题：从什么基线提的？样本多少？哪个环节的功劳？大数字没有归因，面试官第一反应是水分。
改法："在 50 万用户 A/B 中，把猜你喜欢从'最近热门'改为'双塔召回 + 粗排'，点击率相对提升 12%（0.5pp→ 显著性 p<0.01），随后全量。"口径清晰的小数字，可信度碾压没有归因的大数字。
案例三：只讲职责不讲产出型 —— 面试官没法接话。必答
原文："负责大模型平台的后端开发，负责接口设计与数据库优化，参与需求评审。"
问题：全是动词没有宾语，没有"你决策了什么"。
改法："把多模型接入从硬编码重构为统一网关：路由、限流、缓存、fallback 一层层解耦；某模型不可用时自动降级到次优模型并打标，线上 3 个月 0 次因单点故障导致的整体不可用。"面试官能顺着"网关怎么设计、fallback 怎么判"一路问下去——能被追问，就是好简历。
没有大厂实习 / 没做过 LLM 项目，简历拿什么填？必答
这是最被高估的门槛。自建项目的含金量取决于完整性与可验证性，不取决于公司名。挑一个真实痛点上 GitHub：用开源模型做一个"能跑、有评测、有数字、有仓库链接"的小系统（RAG 问答、Agent 客服、微调一个任务模型皆可），把"评测集怎么来的、改了哪一层有效、成本和延迟多少"写清楚——这就是最硬的面试项目，因为它自带可追问的纵深。补一个提醒：能放链接的一定放链接，面试官会真点开看；README 写好"问题-方案-结果-复现"，这本身就是一份子简历。
按"一页三块"写：① 头部 3 行——求职意向 + 最相关的 2 个技术栈标签 + 一条可验证的亮点汇总；② 项目经历 2-3 段，每段按"场景 → 我的职责 → 关键决策与权衡 → 可验证结果"四件套展开，最近最相关的放最前、占前 1/3；③ 教育/论文/开源/竞赛压到末尾，只留有链接或有数字的部分。判断标准不是"看起来完整"，而是面试官能不能顺着它问出你想答的那 20 分钟。
面向大模型 / AI 算法岗（含 RAG、Agent、微调、推理部署方向）的校招与社招简历；同时也适用于后端/工程岗转 AI 方向的人做经历翻译。纯传统机器学习岗可参考其中的结果写法与引导设计，技术栈部分按岗位替换。
先别急着编数字。把一次故障排查、一次上线、一次性能优化都写成"我判断了什么、动手做了什么、最终是否解决"的叙事，任何可验证的产出（线上 0 事故、调用方不再找回来、重构后别人能看懂）都可以是结果。数字给不出就给"可复现的证据"，比如开源仓库、可运行 demo、复盘文档——面试官要的是能追问的抓手，不是必须是个百分点。
关注小红书「兔老板工作室」私信「资料」，可免费领取简历方向真题精选 PDF 与《简历避坑清单 20 条》（逐条对照自查，含本页全部反面案例的清单版）；另有《大厂头部人才计划对比》表可一并获取。
面向"简历自己改不放心 / 想在上场前真练一次"的人：先做简历深度优化（逐条对照岗位口径改到能扛追问），再做一次全真模拟面试（按真实大厂节奏提问并逐题评分），结束后给书面反馈与可复用话术。能远程进行，留学生也可约。需要系统补考点的可先走全栈班再约模拟面试。
📚 免费系列长文：大模型算法岗高频考点清单 · RAG 面试 10 问 · AI Agent 面试 · 大模型微调对齐考点 · 大模型推理优化考点 · 大厂头部人才计划对比 · 美国留学华人AI求职 · AI Infra 免费刷题题库