# 真实简历点评：校招大模型简历，问题出在哪里？
今天点评一份典型的校招大模型简历。
这份简历的问题，我在知识星球 (opens new window)里至少见过50次——不是个例，是通病。看完这篇，对照自己的简历查一遍。
先看原始简历，再逐条拆问题，最后给修改版。
# 原始简历
技能栏
- 熟悉Python、Java
- 熟悉LangChain、LlamaIndex框架
- 熟悉MySQL、Redis
- 了解Docker、Linux
- 了解机器学习基本算法
项目一：基于RAG的智能问答系统
- 使用LangChain搭建RAG流程
- 使用Milvus作为向量数据库
- 调用OpenAI API实现问答功能
- 实现了文档上传和解析功能
- 支持多轮对话
项目二：基于BERT的文本分类
- 使用BERT模型进行微调
- 在IMDB数据集上达到93%准确率
- 使用PyTorch实现训练流程
# 逐条拆问题
# 技能栏：5个问题
问题1：没有方向感
"熟悉Python、Java""熟悉MySQL、Redis"——这是后端开发的技能栏，不是大模型方向的。你投的是大模型岗位，技能栏要体现大模型相关能力。
问题2：框架堆砌
"熟悉LangChain、LlamaIndex框架"——熟悉到什么程度？用过默认pipeline还是深入定制过？光写框架名，面试官不知道你的水平。
问题3：没有分层
技能栏应该有层次——哪些是"熟悉"（深入用过、能讲原理），哪些是"了解"（用过、知道概念）。现在全混在一起，看不出重点。
问题4：缺少大模型核心技能
RAG、Agent、Prompt Engineering、向量检索、微调——这些大模型方向的核心技能一个都没写。
问题5："了解机器学习基本算法"没有价值
这句话等于没说。什么算法？了解到什么程度？如果只是上过课，不如不写。
# 项目一：RAG项目——教程复读
问题1：项目描述太泛
"基于RAG的智能问答系统"——面向谁？什么场景？多大规模？跟网上教程跑出来的Demo有什么区别？面试官看不出来。
问题2：全是操作步骤，没有技术决策
"使用LangChain搭建RAG流程""使用Milvus作为向量数据库""调用OpenAI API"——这些是操作步骤，不是个人工作。面试官想看的是：你做了什么决策？为什么选Milvus不选Chroma？检索策略怎么设计的？效果怎么样？
问题3：没有任何量化指标
5条个人工作，没有一个数字。准确率多少？延迟多少？幻觉率多少？没有指标，面试官不知道你做的有没有用。
问题4：没有项目难点
做RAG项目不可能没踩过坑——检索不准、幻觉严重、Chunk切分不合理——这些你遇到过吗？怎么解决的？不写难点，面试官会觉得你只是跑了个Demo。
问题5：没有个人收获
项目做完了，你学到了什么？能力提升了什么？不写收获，这个项目在简历上就是一个孤立的条目，没有成长感。
问题6："支持多轮对话"是废话
多轮对话是调API的默认功能，写出来等于没写。
# 项目二：BERT文本分类——方向不对
问题1：和大模型应用开发关系不大
BERT文本分类是NLP基础任务，不是大模型应用开发。如果你投的是大模型应用岗，这个项目的相关性很低。
问题2：太学术
"在IMDB数据集上达到93%准确率"——这是学术论文的写法。简历要写的是你解决了什么工程问题，不是你在公开数据集上跑了多少分。
问题3：没有工程化
只有训练，没有部署、没有优化、没有实际应用场景。面试官会觉得这就是一个课程作业。
# 修改后的简历
先看修改前后对比图：
技能栏
- 熟悉Python开发，有FastAPI/Flask Web服务开发经验
- 熟悉RAG工程化落地，实践过混合检索（向量+BM25）、Rerank重排序与Prompt优化
- 熟悉向量数据库（Milvus），了解HNSW索引原理与参数调优
- 了解Agent开发流程，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
改了什么：去掉了和大模型无关的泛泛描述（MySQL/Redis/Docker），换成大模型方向的核心技能，每条都写了具体能力而不是框架名。
项目一：基于RAG架构的课程知识库问答系统（课程项目，独立扩展）
面向本校计算机专业课程资料检索场景，支持PDF/Markdown文档解析、语义检索与智能问答
个人工作：
- 课程要求搭建基础RAG流程，在此基础上独立扩展：设计向量+BM25混合检索策略，准确率从72%提升至88%
- 引入BGE-Reranker重排序，Top5召回率提升17%
- 设计递归切分+overlap策略，针对PDF课件的标题/段落结构优化切分逻辑，解析准确率从70%提升至91%
- 封装动态Prompt模板，引入检索结果相关性过滤，幻觉率降低约35%
项目难点：
- 课件PDF格式不统一（有扫描版、有文字版、有混合版），通过OCR+文字提取双通道解析，覆盖率从60%提升至95%
- 向量检索对专业术语召回差（如"B+树""哈希冲突"），引入BM25关键词检索补充，专业术语召回率提升30%
个人收获：
- 深入理解RAG检索链路优化，积累了混合检索与Rerank的工程经验
改了什么：
- 项目描述加了场景（"本校计算机专业课程资料"）和定位（"课程项目，独立扩展"）
- 个人工作从操作步骤改成了技术决策+量化结果
- 补了项目难点——PDF格式不统一、专业术语召回差，都是真实会遇到的问题
- 补了个人收获
项目二：基于Agent架构的智能学习助手（个人项目）
面向编程学习场景，支持代码解释、错误诊断与学习路径推荐
个人工作：
- 设计3类Function Calling工具（代码分析/错误诊断/资料推荐），工具调用成功率92%
- 实现ReAct推理循环+错误恢复机制，工具调用失败后自动重试，任务完成率从65%提升至85%
- 设计结构化Prompt约束输出格式，JSON解析成功率从70%提升至96%
项目难点：
- 工具调用偶发参数格式错误，引入Schema校验+自动修复机制
- 多轮对话中上下文丢失导致推荐偏移，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
改了什么：把BERT文本分类换成了Agent项目——和大模型应用开发直接相关，而且能体现工程化能力。如果你确实没做过Agent项目，花一周时间做一个，比在简历上写一个不相关的BERT项目强100倍。
# 这份简历改完，核心变化是什么
- 技能栏从"框架清单"变成了"能力描述"——面试官一眼知道你会什么、到什么程度
- 项目从"操作步骤"变成了"技术决策+量化结果"——每条都能经住追问
- 补了难点和收获——四要素齐全，信息量翻倍
- 两个项目方向互补——一个RAG一个Agent，覆盖大模型应用开发最核心的两个方向
简历写好了只是第一步，面试还要准备。RAG方向的面试追问看RAG大厂面试题汇总，Agent方向看Agent大厂面试题汇总。
校招简历最核心的问题不是项目不够大，是写法太浅。 同样的项目，换一种写法，信息量差3倍。
评论
验证登录状态...