大模型简历技能栏怎么写？别再堆热词了，分层写法附模板

昨天在知识星球 (opens new window)里，一个录友把简历发给我看，技能栏这么写的：

• 熟悉大模型
• 熟悉RAG
• 熟悉LangChain
• 熟悉Prompt Engineering

我问他："你说熟悉RAG，你用的什么Embedding模型？混合检索怎么做的？"

他说："Carl哥，我就是在项目里调了LangChain的RAG模块……"

这不叫熟悉，这叫用过。

然后我又翻了星球里最近一周的简历，技能栏几乎全是这个路子——一堆热词堆上去，面试官看完根本不知道你到底会什么、会到什么程度。

今天就把这个事讲清楚。

技能栏最大的问题：没有层次

"熟悉"两个字，能表达什么？

我熟悉Python，你也熟悉Python。我写了十年Python，你跟着教程跑了两周——我们都写"熟悉Python"。

大模型方向的技能栏，必须分层写。 同一个技术，你到什么程度，得让面试官一眼看出来。

怎么分？就两层：了解和熟悉。

了解：知道是什么、能干什么、大致原理。能跟人聊，但没在生产环境用过。

熟悉：在项目中实际用过，踩过坑，能独立完成相关任务。面试官往深了问，你能展开讲。

就这两层。别整花活。

---

四个方向的技能词汇 + 分层写法

下面按RAG、Agent、微调、部署四个方向，给出技能栏的写法。

RAG 方向

了解：

• 了解RAG架构原理，理解向量检索、Embedding、Rerank基本流程

熟悉：

• 熟悉RAG工程化落地，有向量数据库（Milvus/Weaviate）调优经验，实践过混合检索（向量+BM25）策略，检索准确率从72%提升至91%

常见的坑：写"熟悉RAG"就完了。RAG的坑在检索策略、在幻觉处理、在延迟优化，你得把这些写出来，面试官才知道你真做过。

Agent 方向

了解：

• 了解Agent架构，理解工具调用（Function Calling）、ReAct循环的基本原理

熟悉：

• 熟悉Agent开发，实践过Function Calling工具编排与MCP协议接入，处理过多步推理中的幻觉与错误恢复

常见的坑：写"熟悉LangChain"。LangChain是个框架，不是技能。面试官想看的是你用框架做了什么、解决了什么问题，不是你会不会import。

微调方向

了解：

• 了解SFT/RLHF/LoRA等微调方法的基本原理与适用场景

熟悉：

• 熟悉大模型微调流程，有LoRA/QLoRA微调7B模型经验，掌握训练数据构造与超参调优，模型在垂直任务上BLEU提升15%

常见的坑：写"对XX模型进行了微调"。微调了什么？数据怎么构造的？效果提升多少？指标呢？没有这些，等于没写。

部署方向

了解：

• 了解大模型部署方案，理解vLLM、TensorRT-LLM等推理加速框架的基本原理

熟悉：

• 熟悉大模型部署与推理优化，有vLLM部署与KV Cache优化经验，实践过模型量化（GPTQ/AWQ）降低推理成本

常见的坑：只写"熟悉Docker/K8s"。这是通用运维技能，不是大模型部署技能。面试官想看的是你有没有处理过大模型的显存管理、并发推理、成本控制这些特定问题。

---

投什么岗位，重点写什么方向

不是每个方向都要写，投什么岗位，就重点写什么方向。

简单说：

• 算法工程师：微调是命根子，部署也得会，RAG和Agent了解即可。重点在动手训练 + 指标提升
• LLM应用工程师：RAG和Agent是主力，微调也得了解——但你的重点是选型判断（什么时候用RAG什么时候微调），不是亲手训模型
• 传统开发 + LLM：本职技术栈为主，大模型技能放后面两三条当加分项

---

技能栏模板：直接套用

按你投的方向，从下面挑着写，别全抄，挑你真会的。

投算法工程师：

• 熟悉大模型微调与对齐（SFT/RLHF/DPO），有LoRA/QLoRA微调7B/14B模型经验
• 熟悉训练数据构造与质量评估，掌握数据清洗、去重、多样性筛选方法
• 熟悉模型评测体系（BLEU/ROUGE/人工评测），有对比实验设计经验
• 了解分布式训练（DeepSpeed/FSDP），理解ZeRO优化与梯度检查点
• 了解大模型推理加速（vLLM/Flash Attention），理解KV Cache优化原理

投LLM应用工程师：

• 熟悉RAG工程化落地，实践过混合检索（向量+BM25）与Rerank策略优化
• 熟悉Agent开发，有Function Calling工具编排与MCP协议接入经验
• 熟悉Prompt Engineering，掌握结构化Prompt设计与输出约束方法
• 熟悉向量数据库（Milvus/Weaviate），有索引调优与检索性能优化经验
• 了解大模型微调流程（SFT/LoRA），理解微调与RAG的选型边界

投Java/Go/C++开发（LLM加分）：

• 熟悉Java后端开发，有Spring Boot/MyBatis项目经验
• 熟悉MySQL、Redis，有分库分表与缓存优化经验
• 熟悉RAG工程化落地，实践过向量检索与Prompt优化
• 了解大模型微调流程（SFT/LoRA），理解微调与RAG的选型边界

---

技能栏不是许愿池

你写上去的每一个技能，面试官都可能往深了问。"熟悉RAG"→ 你用的什么Embedding模型？为什么？检索不准怎么调的？"熟悉Agent"→ 多步推理出错了怎么恢复？工具调用不稳定怎么办？

答不上来，比不写还惨。

就一条原则：你能在面试中展开讲的，才写上去。

下一篇，我会把大模型项目经历最常见的三种烂写法拿出来，一篇一篇改给你看。