这可能是目前 AI 面试中最拉开差距的一环。大部分求职者的简历上写着“通过优化 Prompt，提升了生成质量。”面试官往往会微微一笑，紧接着抛出一记灵魂暴击：“那你怎么定义‘质量提升’？你怎么用数据证明，你的 模型 跑得比昨天更好？”这个时候，如果你挠挠头回答：“我自己抽查了几条结果，感觉变好了……” 那基本就凉透了。正所谓乱花渐欲迷人眼，靠人工“抽盲盒”式的肉眼查验，很容易陷入“只看好案例（Cherry-picking）”的自欺欺人中。在真正的工程落地面前，这种“凭感觉”根本站不住脚。回答应该直接把 Eval（评估）体系拍在桌面上：“在修改任何一行核心逻辑或 Prompt 之前，我会构建一套...

难道前端真的已经不行了？

这段时间看了一些简历，有一个比较明显的感受：👉 不是大家不会写简历，而是很多人没有站在“筛选方”的角度去想问题你写的是“你做了什么”，但面试官在判断的是：👉 “我为什么要承担面你的成本”这个视角一变，其实很多问题就会变得很清晰。下面说几种我通常不会继续往下看的情况。第一种：信息很多，但“决策成本很高”的这类简历的特点是：技术栈很多项目也不少甚至看起来不差但问题在于：👉 我需要花比较长时间，才能判断你到底强在哪而现实是：面试官每天要看很多简历，👉 “无法快速下判断” = 风险高 = 放弃这里有个很多人没意识到的点：不同阶段的筛选，其实容忍度是不一样的。有些情况下，可以接受信息稍微“模糊一...