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。