这两年不少后端工程师在往 AI 应用方向转。投这类岗位时简历要改的东西比想象中多。先说一个判断这类岗位内部差别很大先分清你投的是哪一类再决定简历怎么改。三类岗位三种要求第一类算法研究方向。要求有模型训练、微调、论文或竞赛的经历通常要硕博背景。常规后端短期内很难转简历怎么改都难。第二类AI 应用工程方向。把模型能力接进产品检索增强、智能体编排、提示词工程、评测体系、推理服务部署。这一类最欢迎有工程底子的人也是多数后端转过去的落点。第三类AI 基础设施方向。推理服务性能、显存与批处理优化、向量库、模型网关、GPU 资源调度。这一类本质上还是系统工程后端和运维背景反而有优势。如果你是常规后端重点投第二类和第三类简历按这两类的要求改。第二类岗位的简历该突出什么核心判断这类岗位不是在找会调接口的人是在找能把不确定的模型输出变成可用系统的人。所以要突出四样东西。一、检索和数据处理的工程能力。- 构建内部文档问答处理 2.3 万篇文档PDF/Word/网页混合按语义分块父子块结构子块 300 字用于检索、父块 1500 字用于生成入向量库约 42 万条 - 检索层用向量召回 关键词召回混合再用重排序模型取前 8 条。在自建的 300 条问答评测集上召回率从纯向量的 71% 提到 89%二、评测。这是这类岗位最看重、也最少人写的一项。- 建了一套离线评测300 条人工标注的问答对每次改动换分块策略、换重排、改提示词都跑一遍输出召回率、答案正确率、引用准确率三个指标 - 上线后接了在线反馈用户点踩 自动的答非所问检测每周把 badcase 回流到评测集评测集三个月内从 300 条长到 780 条能写出评测体系的人在这类岗位上是稀缺的。绝大多数候选人的简历里只有「实现了某某功能」没有「怎么知道它做得好不好」。三、成本和延迟的工程优化。- 首字延迟从 3.2s 降到 900ms把检索与生成拆成流式两段检索完先返回引用来源并对高频问题加了语义缓存命中率 23% - 单次调用成本降低约 40%把原本一次长上下文调用拆成「先小模型判断意图并筛选片段再大模型生成」同时把不需要长上下文的分支路由到小模型四、可靠性设计。模型输出不稳定怎么兜底。- 输出用结构化约束JSON Schema 校验 解析失败重试 2 次 仍失败走规则兜底线上解析失败率从 4.1% 降到 0.3% - 加了输出审核链路敏感内容检测 幻觉检测答案中的关键实体必须在检索到的原文里出现拦截率约 1.2%这四样合起来就是一份合格的 AI 应用工程简历。它和常规后端简历的差别不在于用了什么模型在于你有没有处理「输出不确定」这件事的方法。第三类岗位的简历该突出什么这一类离系统工程更近你的后端经验直接可用。要突出推理服务的吞吐和延迟优化批处理策略、并发控制、显存管理、服务化能力多模型路由、限流、熔断、灰度、资源调度和成本、向量库的选型与运维。- 推理服务从单请求处理改为动态批处理最大批 16、最长等待 50ms在 P99 延迟仅上升 12% 的前提下吞吐提升 3.4 倍单位请求成本下降约 65% - 实现模型网关统一鉴权、配额、超时与重试支持按租户路由到不同模型和按权重灰度接入 6 个业务方后各方不再各自维护一套调用逻辑这类内容对有后端底子的人来说完全写得出来而且竞争没有算法岗激烈。最容易被戳破的三种写法第一种只写用过什么不写解决了什么。「使用大模型实现了智能客服功能」这句话现在没有任何区分度。面试官会直接问准确率多少怎么测的badcase 怎么处理的。第二种夸大模型侧的工作。写了「微调了模型」追问下去发现只是跑了一遍开源的微调脚本说不清数据集怎么构建、超参怎么选、评估指标是什么。这种落差很伤。如果你确实只做了应用层就老实写应用层那里同样有深度可挖。第三种堆名词。把各种框架、向量库、编排工具的名字列一排但说不出为什么用这个不用那个。这在任何技术方向上都是减分项在这个方向上尤其明显因为工具迭代太快面试官更看重你的判断方式。从零开始的人怎么写如果你现在还没有相关的工作经历最有效的路径是做一个完整的东西并且做出评测。个人项目某某领域的文档问答2026.07 - 2026.09 - 完整实现文档解析 → 分块 → 向量化 → 混合检索 → 重排 → 生成 → 引用标注 - 自建 200 条评测集并做了三轮迭代分块策略调整11% 召回、加入重排7%、提示词加入引用约束幻觉率从 12% 降到 4% - 部署在一台 4 核 8G 的机器上用量化后的小模型做意图判断平均响应 1.6s - 代码与评测数据github.com/xxx/xxx这一条的说服力高于任何「熟悉大模型应用开发」的自我描述。关键在于有评测数据和迭代过程这证明你是在工程化地做事不是跑了个 Demo。技能栏怎么写按你真实的层级分不要一视同仁主力Java / Go、分布式服务、MySQL、Redis AI 应用检索增强分块与混合检索策略、重排、提示词工程与结构化输出约束、离线与在线评测体系 了解模型微调跑通过开源方案未在生产使用、推理部署量化与批处理的基本概念「了解」那一行的诚实标注会加分它让面试官知道该从哪里问也避免了问到你不会的地方。最后这个方向的岗位现在筛选标准还在变化但有一条是稳定的有工程能力、能把不确定的输出变成可用产品的人始终是稀缺的。简历要证明的就是这个而不是你用过哪个模型。 投 AI 方向的岗位，简历和常规后端差在哪
这两年不少后端工程师在往 AI 应用方向转。投这类岗位时简历要改的东西比想象中多。先说一个判断这类岗位内部差别很大先分清你投的是哪一类再决定简历怎么改。三类岗位三种要求第一类算法研究方向。要求有模型训练、微调、论文或竞赛的经历通常要硕博背景。常规后端短期内很难转简历怎么改都难。第二类AI 应用工程方向。把模型能力接进产品检索增强、智能体编排、提示词工程、评测体系、推理服务部署。这一类最欢迎有工程底子的人也是多数后端转过去的落点。第三类AI 基础设施方向。推理服务性能、显存与批处理优化、向量库、模型网关、GPU 资源调度。这一类本质上还是系统工程后端和运维背景反而有优势。如果你是常规后端重点投第二类和第三类简历按这两类的要求改。第二类岗位的简历该突出什么核心判断这类岗位不是在找会调接口的人是在找能把不确定的模型输出变成可用系统的人。所以要突出四样东西。一、检索和数据处理的工程能力。- 构建内部文档问答处理 2.3 万篇文档PDF/Word/网页混合按语义分块父子块结构子块 300 字用于检索、父块 1500 字用于生成入向量库约 42 万条 - 检索层用向量召回 关键词召回混合再用重排序模型取前 8 条。在自建的 300 条问答评测集上召回率从纯向量的 71% 提到 89%二、评测。这是这类岗位最看重、也最少人写的一项。- 建了一套离线评测300 条人工标注的问答对每次改动换分块策略、换重排、改提示词都跑一遍输出召回率、答案正确率、引用准确率三个指标 - 上线后接了在线反馈用户点踩 自动的答非所问检测每周把 badcase 回流到评测集评测集三个月内从 300 条长到 780 条能写出评测体系的人在这类岗位上是稀缺的。绝大多数候选人的简历里只有「实现了某某功能」没有「怎么知道它做得好不好」。三、成本和延迟的工程优化。- 首字延迟从 3.2s 降到 900ms把检索与生成拆成流式两段检索完先返回引用来源并对高频问题加了语义缓存命中率 23% - 单次调用成本降低约 40%把原本一次长上下文调用拆成「先小模型判断意图并筛选片段再大模型生成」同时把不需要长上下文的分支路由到小模型四、可靠性设计。模型输出不稳定怎么兜底。- 输出用结构化约束JSON Schema 校验 解析失败重试 2 次 仍失败走规则兜底线上解析失败率从 4.1% 降到 0.3% - 加了输出审核链路敏感内容检测 幻觉检测答案中的关键实体必须在检索到的原文里出现拦截率约 1.2%这四样合起来就是一份合格的 AI 应用工程简历。它和常规后端简历的差别不在于用了什么模型在于你有没有处理「输出不确定」这件事的方法。第三类岗位的简历该突出什么这一类离系统工程更近你的后端经验直接可用。要突出推理服务的吞吐和延迟优化批处理策略、并发控制、显存管理、服务化能力多模型路由、限流、熔断、灰度、资源调度和成本、向量库的选型与运维。- 推理服务从单请求处理改为动态批处理最大批 16、最长等待 50ms在 P99 延迟仅上升 12% 的前提下吞吐提升 3.4 倍单位请求成本下降约 65% - 实现模型网关统一鉴权、配额、超时与重试支持按租户路由到不同模型和按权重灰度接入 6 个业务方后各方不再各自维护一套调用逻辑这类内容对有后端底子的人来说完全写得出来而且竞争没有算法岗激烈。最容易被戳破的三种写法第一种只写用过什么不写解决了什么。「使用大模型实现了智能客服功能」这句话现在没有任何区分度。面试官会直接问准确率多少怎么测的badcase 怎么处理的。第二种夸大模型侧的工作。写了「微调了模型」追问下去发现只是跑了一遍开源的微调脚本说不清数据集怎么构建、超参怎么选、评估指标是什么。这种落差很伤。如果你确实只做了应用层就老实写应用层那里同样有深度可挖。第三种堆名词。把各种框架、向量库、编排工具的名字列一排但说不出为什么用这个不用那个。这在任何技术方向上都是减分项在这个方向上尤其明显因为工具迭代太快面试官更看重你的判断方式。从零开始的人怎么写如果你现在还没有相关的工作经历最有效的路径是做一个完整的东西并且做出评测。个人项目某某领域的文档问答2026.07 - 2026.09 - 完整实现文档解析 → 分块 → 向量化 → 混合检索 → 重排 → 生成 → 引用标注 - 自建 200 条评测集并做了三轮迭代分块策略调整11% 召回、加入重排7%、提示词加入引用约束幻觉率从 12% 降到 4% - 部署在一台 4 核 8G 的机器上用量化后的小模型做意图判断平均响应 1.6s - 代码与评测数据github.com/xxx/xxx这一条的说服力高于任何「熟悉大模型应用开发」的自我描述。关键在于有评测数据和迭代过程这证明你是在工程化地做事不是跑了个 Demo。技能栏怎么写按你真实的层级分不要一视同仁主力Java / Go、分布式服务、MySQL、Redis AI 应用检索增强分块与混合检索策略、重排、提示词工程与结构化输出约束、离线与在线评测体系 了解模型微调跑通过开源方案未在生产使用、推理部署量化与批处理的基本概念「了解」那一行的诚实标注会加分它让面试官知道该从哪里问也避免了问到你不会的地方。最后这个方向的岗位现在筛选标准还在变化但有一条是稳定的有工程能力、能把不确定的输出变成可用产品的人始终是稀缺的。简历要证明的就是这个而不是你用过哪个模型。