上海徐家汇-百胜中国技术岗内推

在简历里写“AI能力”最容易踩的坑，就是笼统地写“熟练使用ChatGPT”。这既没有说服力，在专业人眼里甚至是个减分项。真正有效的写法，是把AI转化为具体的效率倍数、解决问题的场景、以及对业务的量化提升。可以从以下三个层次来重构你的简历表述：第一层：基础技能描述（避开空洞词汇）❌ 不推荐写：“熟练掌握AI工具”、“精通ChatGPT提示词”。✅ 替换为具体的工具栈与参数：在技能栏里，不要只写AI，要写接口调用、模型微调、工作流搭建。- 写：熟练构建 Coze / Dify 等Agent工作流，掌握 RAG 检索增强生成技术。- 写：精通结构化提示词工程，擅长通过 Few-shot 与 CoT 思维链提升大模型输出准确率。- 写：熟悉 LangChain 框架基础调用、API 函数调用参数调优。第二层：项目/工作经历（体现增效与杠杆效应）这是最核心的部分。你需要用 STAR法则 描述，但重点突出 AI带来的效率差。场景一：非技术岗（运营/市场/产品/行政）关键逻辑：以前要多久 + 现在用AI多久 + 省下的时间拿去做了什么更有价值的事。修改前（流水账）：负责公众号文案撰写，用AI辅助写作。修改后（有结果）：内容生产效率提升300%：搭建选题Agent与风格改写工作流，将单篇深度稿件产出时间从6小时压缩至1.5小时，月均发文量从10篇提升至25篇，自然阅读量环比增长45%。竞品分析自动化：利用Kimi+爬虫插件搭建舆情监测自动化流程，日均处理非结构化数据500+条，输出周报耗时从5小时缩短至20分钟。场景二：技术/数据岗（开发/数据分析）关键逻辑：解决卡点 + 代码生成准确率 + 复杂任务简化。修改前： 用Copilot写代码。修改后：开发效率加速：基于Cursor/Codebuddy搭建后端接口自动生成规则库，减少重复性CRUD代码编写量约60%，单元测试覆盖率提升至90%。数据处理自动化：通过Function Calling实现自然语言转SQL的零代码查询助手，业务部门临时取数需求响应时间从半天缩短至即时响应。第三层：针对不同岗位的“AI+”切入点如果你想让AI能力成为简历的亮点而非背景板，可以针对岗位职能嵌入以下关键词：| 岗位方向 | 简历中可体现的AI强相关经历关键词 | 隐藏含义（让HR看到的价值）| 产品经理 | AI功能模块设计、Prompt 产品化、模型输出稳定性测试 | 能搞定大模型“幻觉”问题，能定义AI产品的边界。 || **HR / 招聘** | 人才画像自动匹配、面试提纲自动生成、JD 千人千面生成 | 不仅是筛简历，而是能用AI精准捞人。 || **新媒体运营** | AI绘画生图控制（Seed/ControlNet）、数字人视频生成 | 一个人就是一个能出图、出片、出文案的内容车间。 || **项目管理** | 会议纪要自动生成+待办识别、项目风险AI预警 | 减少信息丢失，项目颗粒度管理更精细。 |### ⚠️ 一个关键的注意事项在简历里强调AI能力时，**不要让对方觉得你离开了AI就干不了活**。- **要强调判断力：** 可以说“**筛选并重构**AI产出的初稿”，这意味着**你有鉴赏力和业务逻辑**。- **要强调稳定性：** 可以说“**通过约束JSON Schema输出格式**，解决了大模型生成内容格式不可控的问题”。**总结一下公式：**> **具体AI场景 + 解决的业务卡点 + 量化的效率倍数/成本节约**试着用这个公式，把你工作里哪怕是很小的、用过AI提速的事情改写一下，你会发现简历的专业度会立刻不一样。如果你有具体的一行原始经历需要润色，也可以发给我看看。

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

如果想从事 Agent 方向，我觉得可以按“LLM + Workflow + Tool Use + Memory”这条线去学。首先是大模型基础，要理解 Transformer、Token、Embedding、Attention、Prompt Engineering、Function Calling、Structured Output 这些核心概念。其次要学 Agent 常见技术栈，比如 ReAct、Planning、Task Decomposition、Multi-Agent、Reflection、Memory、Tool Calling。再往下就是 RAG 相关能力，包括向量数据库、Embedding Model、Chunking、召回、重排（Rerank）和知识库构建，这些直接影响 Agent 的准确率。工程上建议重点学 Python、FastAPI、LangChain / LangGraph、AutoGen、MCP、API 集成、异步编程、缓存、日志监控和容错重试。除此之外，还要关注评测体系，比如 Success Rate、Latency、Token Cost、Hallucination、鲁棒性和可观测性。我自己的理解是，Agent 不是简单调用一个 LLM，而是把模型推理、工具使用、状态管理和工作流编排结合起来。想入门的话，最好边学边做 Demo，比如“知识库问答 Agent”或“自动任务执行 Agent”，成长会特别快。

Agent 与大模型开发相关详细展开复杂任务编排能力，具体是解决什么问题，做了一些什么工作？在什么场景下适合用简单的 Agent 去解决问题，什么场景下适合在 Agent 内部做复杂的链路编排？在复杂的 Agent 编排中，如何控制传递的上下文内容，保证既传递了有效信息，又不会因为传递过多而干扰大模型的注意力？Plan-Execute-Replan 模式相当于一个循环，如果问题一直不能解决，它会陷入死循环一直迭代吗？在实际使用中，有没有遇到过上下文窗口被撑爆（溢出）的情况？你是如何管理上下文窗口的？RAG 召回的内容和 Agent 提取的长期记忆（Memory）之间需要做什么划分？什么样的内容...