应届生大模型简历怎么写？没工作经验项目经历怎么写，开源项目、课程项目、个人项目这样包装才不虚

应届生投大模型岗位，最头疼的就是项目经历。

社招有工作经验，项目是真实业务；应届生呢？项目不是跟着教程跑的Demo，就是课程作业，要么就是自己瞎搞的side project。

在知识星球 (opens new window)里，我看过太多应届生的大模型简历，项目经历基本就这三种：

第一种：教程项目原封不动搬上来

基于LangChain的RAG问答系统

• 使用LangChain搭建RAG流程
• 调用OpenAI API

面试官一看就知道这是跟着教程跑的，没有任何区分度。

第二种：课程项目太学术

基于Transformer的文本分类研究

• 使用BERT进行微调
• 在XX数据集上达到XX准确率

学术味太重，看不出工程化能力。大模型应用开发不是搞研究，是做工程。

第三种：个人项目没有深度

智能聊天机器人

• 实现了对话功能
• 支持多轮对话

多轮对话是调API的默认功能，写出来等于没写。

三种都不行，但应届生能写的也就这三种项目。怎么办？

关键不是项目从哪来，是你怎么把这个项目写出超出预期的深度。

三种项目，怎么包装才有说服力

开源项目贡献

这是应届生最有说服力的项目类型。因为开源项目是真实项目，有真实用户，有代码review。

反面：

• 参与了XX开源项目

面试官：贡献了什么？修了几个bug还是加了核心功能？

正面：

• 向LangChain贡献Reranker集成PR（已被合并），实现BGE-Reranker与LangChain Retrieval的对接，补充单元测试与文档

或者：

• 参与XX向量数据库开源项目，提交3个PR：修复HNSW索引并发写入问题、优化批量导入性能（提升40%）、补充中文文档

区别在哪？左边只说"参与了"，右边说了具体贡献了什么、解决了什么问题、有什么结果。

怎么找开源项目贡献？ 不用非得给LangChain/LlamaIndex提PR。去GitHub上搜大模型相关的项目，找good first issue，修bug、补文档、加测试，这些都是实实在在的贡献。

课程项目

课程项目最大的问题是"大家都做了同一个项目"。你的课程作业和其他同学一样，怎么写出差异化？

关键：写出超出课程要求的部分。

反面：

基于RAG的知识库问答系统（课程项目）

• 使用LangChain搭建RAG
• 调用GPT-4 API

这就是课程的基本要求，所有同学都这么写。

正面：

基于RAG的知识库问答系统（课程项目，独立扩展）

• 课程要求：搭建基础RAG流程。我在此基础上独立扩展：实现混合检索（向量+BM25），准确率从72%提升至88%
• 引入Reranker重排序，Top5召回率提升17%
• 部署至服务器并压测，单机支持45 QPS

面试官一看就知道：这个人不只是完成作业，是真的在动脑子。

个人项目

个人项目最怕写成"我做了个玩具"。怎么避免？加上工程化考量。

反面：

智能简历助手

• 实现了简历分析和优化建议功能

正面：

基于Agent架构的智能简历助手，面向程序员简历优化场景

个人工作：

• 设计3类Function Calling工具（简历解析/规则检查/优化建议），工具调用成功率92%
• 实现ReAct循环+错误恢复机制，任务完成率从65%提升至85%
• 部署至服务器，日均处理200+请求，P99延迟<1s

区别在哪？左边是"我做了个功能"，右边是"我做了个系统"——有工具设计、有稳定性处理、有部署和性能数据。

应届生项目经历，四要素写法特别重要

之前讲的四要素写法（项目描述、个人工作、项目难点、个人收获），对应届生尤其重要。

因为应届生项目天然不够"硬"——没有真实业务，没有生产数据。四要素写法能帮你把有限的项目写出最大的信息量。

特别是项目难点这一块，应届生最容易忽略。你做的项目再小，也一定踩过坑：

• RAG检索不准，你是怎么调的？
• Agent工具调用不稳定，你是怎么兜底的？
• 模型输出不可控，你是怎么约束的？

踩过的坑，就是你的技术深度。 别觉得"我这个项目太小了，没什么难点"——难点不在项目大小，在你有没有真的去解决问题。

应届生简历最常见的3个坑

1、项目太多太浅

有的应届生怕项目不够，写了4-5个项目，每个都只有2-3行。面试官看完记不住任何一个。

2-3个有深度的项目，远比5个浅项目强。 每个项目用四要素写法，写出技术决策和量化结果，比堆5个功能清单有用得多。

2、不敢写个人项目

很多录友觉得个人项目"不上台面"，只敢写课程项目。其实面试官不在乎项目从哪来，在乎的是你做了什么、解决了什么问题。个人项目如果能写出工程化考量，比课程项目更有说服力。

3、项目描述太学术

"基于Transformer的XX研究""在XX数据集上达到XX准确率"——这是学术论文的写法，不是简历的写法。简历要写的是你解决了什么工程问题，不是你做了什么研究。把"在XX数据集上达到XX"改成"微调后准确率从XX提升至XX，解决了XX场景下XX的问题"，立刻不一样。

应届生大模型简历模板

技能栏

• 熟悉Python开发，有FastAPI/Flask项目经验
• 熟悉RAG工程化落地，实践过混合检索与Prompt优化
• 熟悉Agent开发，有Function Calling工具编排经验
• 了解大模型微调流程（SFT/LoRA），理解微调与RAG的选型边界

项目一：基于Agent架构的智能简历助手 面向程序员简历优化场景，支持简历解析、规则检查与优化建议

个人工作：

• 设计3类Function Calling工具，工具调用成功率92%
• 实现ReAct循环+错误恢复机制，任务完成率从65%提升至85%
• 部署至服务器，日均处理200+请求

项目难点：

• 工具调用偶发格式错误，引入输出校验+重试机制
• 多轮对话上下文丢失，通过关键信息摘要稳定Agent行为

个人收获：

• 积累了Agent工具编排与错误恢复的工程经验

项目二：向XX项目贡献Reranker集成（开源贡献）

• 提交PR实现BGE-Reranker与检索链路的对接
• 补充单元测试与文档，PR已被合并

应届生大模型简历的核心：不是项目要多大，是你能把有限的项目写出多少技术深度。教程项目写出超出教程的部分，课程项目写出超出课程的要求，个人项目写出工程化考量。