02-简历原则与实践

简历绝非你的个人自传，而是一份精准的产品说明书。在招聘的博弈中，HR 留给一份简历的平均注意力窗口仅有短短 15 秒，你必须在这转瞬即逝的时间里，证明自己值得一张面试入场券。

2.1 简历的核心原则

简历筛选的残酷现实

求职过程往往比想象中更为残酷，它像是一个层层过滤的漏斗。

graph LR
    A[100份简历] --> B{ATS系统初筛}
    B -->|关键词匹配| C[40份通过]
    B -->|不匹配| D[60份被拒]

    C --> E{HR 15秒扫描}
    E -->|有亮点| F[15份进入细看]
    E -->|平庸| G[25份被拒]

    F --> H{HR 3分钟细读}
    H -->|符合要求| I[5-8份获得面试]
    H -->|不够匹配| J[7-10份被拒]

    I --> K[面试邀约]

    style D fill:#e74c3c,stroke:#c0392b
    style G fill:#e74c3c,stroke:#c0392b
    style J fill:#e74c3c,stroke:#c0392b
    style K fill:#2ecc71,stroke:#27ae60

数据警告：让我们看一组令人警醒的数据：

大公司平均每个热门岗位会收到 200-500 份简历；
ATS（招聘管理系统）会自动筛掉 60-75% 关键词不匹配的简历；
HR 在每份简历上的平均停留时间仅为 6-15 秒；
最终只有 5-8% 的简历能成功转化为面试机会。

这意味着，你的简历必须连续闯过三道关卡：

ATS 系统（机器筛选）：关键词是否精准匹配？
HR 初筛（15 秒）：是否瞬间抓住了眼球？
HR 细读（3 分钟）：能力是否真正与岗位契合？

原则一：一页原则——信息密度与可读性

一页简历不是简单的压缩，而是精华的提炼。

为什么必须一页？

HR 的真实心理往往是这样的：

” 写了两页？说明这个人缺乏总结重点的能力。”
” 写了三页？太啰嗦了，直接 Pass。”
” 排版混乱？恐怕他工作起来也是一团糟。”

例外情况（可以写 2 页）：

拥有 10 年以上经验的资深工程师；
有大量开源贡献或学术论文发表；
申请研究型（Research）岗位。

但在 99% 的情况下，一页纸足以承载你的核心价值。

一页简历如何做到高信息密度？

核心在于删除无用信息，保留高价值干货。

❌ 应该果断删除的：

自我评价（如 ” 本人性格开朗、责任心强 “——这些主观描述毫无意义）；
证件照（除非 HR 明确要求，否则只会占用宝贵空间）；
详细的兴趣爱好（如 ” 喜欢看电影、旅游 “——没人在此刻关心你的人生话题）；
小学/初中经历（那是遥远的过去）；
无关证书（如 ” 计算机二级 “——对于专业工程师来说，这是多余的）；
过于详细的项目描述（没人有耐心读完 3 行以上的纯文字描述）。

✅ 应该重点保留的：

教育背景（学校 + 专业 + 时间，一行搞定）；
工作经历（公司 + 职位 + 时间 + 核心成就）；
项目经验（精选 2-3 个最具代表性的）；
技能清单（技术栈 + 工具链）；
开源贡献/技术博客（这是极佳的加分项）。

信息密度优化对比：

低密度版本	高密度版本
2019 年 7 月 -2022 年 3 月，我在 XX 公司担任后端工程师，主要负责…	2019.07-2022.03
项目描述：这是一个电商平台的订单系统，我负责了整个系统的开发…	订单系统：Go+MySQL，日处理 10 万单，优化查询性能提升 60%
技术栈：我熟练掌握 Python、Java、JavaScript 等编程语言…	Python · Django · PostgreSQL · Redis · Docker · AWS

核心技巧：

善用符号代替文字（如 · | → 等）；
剔除冗余词汇（如 ” 我 ”、” 主要 ”、” 负责 ”）；
数据量化（用 ” 性能提升 60%” 代替 ” 显著提升 ”）；
并列信息使用分隔符，而非完整的句子。

原则二：数据驱动——用数据说话的艺术

没有数据的描述，往往苍白无力。

为什么数据如此重要？

HR 每天要浏览几十份简历，每个人都在说自己 ” 优化了性能 ”、” 提升了体验 ”、” 解决了问题 ”。

区别在于：有数据支撑的人看起来像是在陈述事实，而没有数据的人看起来像是在吹牛。

如何数据化你的成就？

我们可以参考以下的数据化框架：

mindmap
  root((数据化成就))
    性能类
      响应时间优化
      吞吐量提升
      资源消耗降低
      并发能力增强
    业务类
      用户增长
      转化率提升
      收入贡献
      成本节省
    质量类
      Bug减少
      测试覆盖率
      代码审查通过率
      故障恢复时间
    效率类
      开发时间缩短
      部署频率提升
      人力成本节省
      自动化程度

案例对比：无数据 vs 有数据

案例 1：性能优化

❌ 无数据版：

优化了系统性能，显著提升了用户体验。

✅ 有数据版：

通过 SQL 优化 + Redis 缓存，将 API 响应时间从 800ms 降至 120ms，P99 延迟降低 70%。

案例 2：业务成果

❌ 无数据版：

负责开发用户增长功能，取得了不错的效果。

✅ 有数据版：

开发推荐系统（基于协同过滤），使新用户 7 日留存率从 35% 提升至 52%，带来日均 5000+ 新增用户。

案例 3：技术能力

❌ 无数据版：

熟练使用 Docker 和 Kubernetes 进行容器化部署。

✅ 有数据版：

搭建 K8s 集群（20+ 节点），管理 100+ 微服务，部署频率从周发布提升至日发布。

案例 4：AI 项目（新增）

❌ 无数据版：

使用大语言模型开发了智能客服系统。

✅ 有数据版：

基于 GPT-4 开发智能客服（RAG 架构），回答准确率达 89%，人工客服介入率从 70% 降至 15%，API 成本优化至 $0.02/对话。

如何找到你的数据？

如果你不记得具体数据怎么办？

回忆关键指标：
- 之前的系统有多慢？现在有多快？
- 之前的 Bug 有多少？现在还有多少？
- 之前的用户量级是多少？现在增长到了多少？
用范围代替精确值：
- 写 “10 万 +” 而不是 ” 我忘了具体数字 ”；
- 写 ” 提升 50%+” 而不是模糊的 ” 提升了很多 ”；
- 写 ” 节省 30% 成本 ” 而不是泛泛的 ” 节省了成本 ”。
相对数据同样有价值：
- ” 团队唯一一个…”
- ” 较上一版本提升 3 倍 ”
- ” 达到行业平均水平的 2 倍 ”

数据来源清单：

监控系统（Prometheus、Grafana）
业务数据（Google Analytics、用户增长曲线）
代码统计（GitHub 贡献、代码行数）
测试报告（覆盖率、Bug 数量）
成本数据（云服务账单、人力成本）
团队绩效（OKR 达成情况）

记住：30% 的真实数据，胜过 100% 的华丽辞藻。

原则三：关键词优化——ATS 系统与人工筛选

你的简历需要同时取悦机器和人类。

ATS 系统如何工作？

ATS (Applicant Tracking System)，即简历筛选机器人，是你的第一位面试官。

graph LR
    A[你的简历] --> B[ATS解析]
    B --> C{关键词匹配}
    C -->|匹配度>60%| D[进入HR视野]
    C -->|匹配度<60%| E[直接拒绝]

    D --> F{HR审查}
    F -->|通过| G[面试邀约]
    F -->|拒绝| E

    style E fill:#e74c3c,stroke:#c0392b
    style G fill:#2ecc71,stroke:#27ae60

ATS 会做四件事：

解析内容（这也是为什么排版不能太花哨）；
提取关键词（技术栈、技能、职位名称）；
匹配 JD（Job Description，岗位描述）；
打分排序（匹配度高的简历会被优先推送）。

真实案例：某大厂后端岗位 JD 要求 “Go、MySQL、Redis、Docker、Kubernetes”。一位候选人简历写的是 “Golang、数据库、缓存、容器化 “，结果惨遭 ATS 淘汰。

为什么？ 因为机器很笨，它不知道 “Golang = Go”，也不知道 ” 缓存 ” 一定是指 “Redis”。

关键词优化策略

1. 精确匹配 JD 中的技术栈名称

JD 要求	❌ 错误写法	✅ 正确写法
React	前端框架	React
PostgreSQL	数据库	PostgreSQL
AWS	云服务	AWS (Amazon Web Services)
LLM	AI	LLM (Large Language Model)

2. 使用行业标准术语

用 “RESTful API” 而不用 ” 接口 ”；
用 “CI/CD” 而不用 ” 持续集成持续部署 ”；
用 “Microservices” 而不用 ” 微服务架构 ”；
用 “RAG” 而不用 ” 检索增强生成 ”。

3. 技能清单覆盖 JD 的 80%+

假设 JD 要求：

熟悉 Python、Django、PostgreSQL、Redis、Docker、AWS、Git

你的技能清单应包含：

编程语言: Python · JavaScript · SQL
后端框架: Django · Flask · FastAPI
数据库: PostgreSQL · MySQL · Redis
DevOps: Docker · Kubernetes · Jenkins · AWS
版本控制: Git · GitHub Actions

覆盖率 = 匹配数 / JD 要求数 × 100% 上例覆盖率 = 7/7 × 100% = 100%（完美）。

4. 动态调整简历

一份简历走天下是大忌。

针对不同岗位，必须微调关键词：

申请 AI 岗位：突出 “LLM、RAG、Prompt Engineering”；
申请 后端岗位：突出 ” 分布式系统、高并发、数据库优化 ”；
申请 全栈岗位：突出 “React、Node.js、全栈开发 ”。

工具推荐：

用 Word/Notion 维护多个版本；
用 AI 工具（如 ChatGPT）对比 JD 和简历，找出缺失的关键词。

ATS 友好格式

✅ ATS 喜欢的格式：

PDF 或 Word (.docx)；
标准字体（宋体、Arial、Times New Roman）；
清晰的章节标题（教育背景、工作经历、项目经验）；
纯文本，少用图片和表格；
简单的符号（· | -）。

❌ ATS 讨厌的格式：

图片形式的简历（ATS 无法解析文字）；
复杂的表格（容易解析错误）；
艺术字体；
文本框；
将重要信息放在页眉页脚。

测试方法：把你的简历内容复制到纯文本编辑器（如记事本）中，如果排版乱作一团，说明 ATS 解析时也会遇到同样的问题。

原则四：针对性定制——一份简历走天下是大忌

为什么要定制简历？

因为不同公司、不同岗位，关注的焦点截然不同：

岗位类型	关注重点	简历侧重
大厂后端	高并发、分布式、稳定性	性能优化案例、大规模系统经验
创业公司全栈	快速交付、多面手	全栈项目、快速迭代能力
AI 公司 LLM 岗位	LLM 应用、RAG、Prompt	AI 项目经验、模型调优
外企	英文能力、国际化视野	英文简历、跨文化协作

定制策略：

1. 调整项目顺序

假设你有 3 个项目：

A 项目：电商系统（高并发）
B 项目：AI 客服（LLM）
C 项目：管理后台（CRUD）

申请 后端岗位：A → C → B 申请 AI 岗位：B → A → C

2. 调整描述侧重

同一个项目，可以有不同的描述方式：

项目：智能推荐系统

申请 后端岗位 的描述：

设计并实现推荐系统后端架构，日处理 500 万请求，P99 延迟 <50ms。采用 Redis 缓存 + 异步队列，性能提升 3 倍。

申请 AI 岗位 的描述：

开发基于 LLM 的推荐系统，使用 Embedding 相似度计算 + GPT-4 生成推荐理由，点击率提升 40%，用户满意度 89%。

3. 技能清单重排序

把最匹配岗位的技能放在最前面。

申请 后端岗位：

后端: Go · Python · Node.js
数据库: PostgreSQL · MongoDB · Redis

申请 AI 岗位：

AI/ML: LLM · RAG · Prompt Engineering · LangChain
后端: Python · FastAPI · PostgreSQL

时间成本：

首次撰写简历：4-8 小时
针对不同岗位微调：15-30 分钟

投入 30 分钟微调，换来面试通过率提升 50%，这笔投资绝对值得。

2.2 IT 类简历的结构设计

标准 IT 简历结构（从上到下）

graph TD
    A[个人信息] --> B[教育背景]
    B --> C[工作经历]
    C --> D[项目经验]
    D --> E[技能清单]
    E --> F[开源贡献/技术博客]

    style A fill:#3498db,stroke:#2980b9
    style C fill:#e74c3c,stroke:#c0392b
    style D fill:#e74c3c,stroke:#c0392b
    style E fill:#f39c12,stroke:#e67e22

权重分配：

工作经历 + 项目经验：60-70%（核心）
技能清单：15-20%
教育背景：10-15%
其他：5-10%

模块一：个人信息（精简有效）

必需信息：

张三 | 后端工程师
手机: 138****8888 | 邮箱: zhangsan@example.com
GitHub: [github.com/zhangsan](https://github.com/zhangsan) | 博客: blog.zhangsan.com
期望岗位: Go后端工程师 | 期望薪资: 25-30K

可选信息：

LinkedIn 主页（外企非常重视）；
个人网站/作品集；
技术社区主页（掘金、V2EX 等）。

❌ 不要放的信息：

身份证号；
详细家庭住址（只写城市即可）；
婚姻状况（除非 HR 明确要求）；
政治面貌；
微信号（有手机号就够了）。

模块二：教育背景（如何突出优势）

基础格式：

2015.09 - 2019.06 | 某某大学 | 计算机科学与技术 | 本科 | GPA 3.7/4.0

如何突出优势？

1. 如果是名校：

清华大学 | 计算机科学与技术 | 本科 | GPA 3.9/4.0

学校名字放最前面，并加粗。

2. 如果是普通学校但有亮点：

某某大学 | 计算机科学与技术 | 本科 | GPA 3.8/4.0
- 国家奖学金获得者（专业前 3%）
- ACM 区域赛银牌

3. 如果是非科班：

某某大学 | 电子信息工程 | 本科 | GPA 3.5/4.0
- 自学计算机课程，完成 Coursera 机器学习专项课程
- 个人项目: GitHub 2000+ stars

位置策略：

应届生/1-2 年经验：教育背景放工作经历之前；
3 年以上经验：教育背景放简历后半部分，因为工作经验更重要。

模块三：工作经历（STAR 法则应用）

这是简历的灵魂部分。

STAR 法则在简历中的应用

STAR = Situation（背景）+ Task（任务）+ Action（行动）+ Result（结果）

完整格式：

2021.07 - 2024.03 | XX科技 | 后端工程师 | 电商团队
 
核心职责:
- 负责订单系统后端开发与维护，支撑日均 10 万订单处理
- 参与系统架构设计与性能优化，保障大促期间系统稳定性
 
关键成就:
1. [性能优化] 重构订单查询模块，通过引入 Redis 缓存 + SQL 优化，响应时间从 800ms 降至 120ms，P99 延迟降低 70%
2. [稳定性] 设计并实现订单熔断机制，在流量异常时自动降级，将大促期间系统可用性从 99.5% 提升至 99.95%
3. [技术升级] 主导订单系统微服务化改造（Go+gRPC），服务解耦后部署频率从月发布提升至周发布

写工作经历的常见错误

❌ 错误 1：只写职责，不写成就

负责订单系统开发
负责Bug修复
参与技术评审

HR 看了只会想：所以你到底做出了什么贡献？

✅ 正确做法：

开发订单系统核心模块，支撑日均 10 万订单，系统稳定性达 99.9%
修复关键 Bug 30+，单月故障率降低 60%
主导技术评审，推动 3 项架构优化落地

❌ 错误 2：没有量化数据

优化了系统性能
提升了用户体验
解决了技术难题

✅ 正确做法：

优化 API 响应时间降低 70%（800ms → 120ms）
提升转化率 15%（5% → 5.75%）
解决高并发场景下的数据一致性问题（日均处理 100 万事务）

❌ 错误 3：技术细节不足

使用 Python 开发了一个系统

✅ 正确做法：

使用 Django + Celery + PostgreSQL + Redis 开发异步任务系统，支持 20+ 任务类型，日处理任务 50 万+

工作经历自查清单

每份工作都有时间、公司、职位；
有明确的职责描述（1-2 条）；
有量化的成就（2-4 条）；
每条成就都有数据支撑；
技术栈清晰可见；
体现了你的独特价值（不仅仅是打杂）。

模块四：项目经验（技术栈 + 成果展示）

项目经验是技术能力的直接证明场。

项目描述模板

项目名称 | 时间 | 角色 | 技术栈
[项目背景] 1-2句话说明项目是什么
[技术方案] 2-3句话说明技术架构和关键技术
[个人贡献] 3-4条具体工作和成果
[项目成果] 数据化的业务/技术指标

完整案例：传统后端项目

电商订单系统 | 2023.06-2024.03 | 后端负责人 | Go · PostgreSQL · Redis · RabbitMQ
 
[背景] 为大促场景设计的高并发订单系统，支撑千万级用户同时下单。
 
[技术方案]
- 采用 Go + 微服务架构，订单拆单、支付、物流等服务独立部署
- 使用 Redis 作为缓存层，RabbitMQ 作为消息队列，保障系统解耦
- 实现分布式事务（Saga 模式），保证订单状态最终一致性
 
[个人贡献]
- 设计并实现订单核心模块，包括订单创建、状态流转、超时关单等功能
- 优化数据库查询，通过索引优化 + 分库分表，查询性能提升 5 倍
- 搭建监控告警系统（Prometheus + Grafana），故障响应时间从 30 分钟缩短至 5 分钟
- 编写技术文档 20+ 篇，培训新人 5 名
 
[项目成果]
支撑双 11 大促日均 100 万订单，系统可用性 99.95%，P99 延迟 <200ms

完整案例：AI 项目（新增）

智能客服系统 | 2024.01-2024.09 | AI工程师 | Python · LangChain · GPT-4 · PostgreSQL · Qdrant
 
[背景] 基于 LLM 的智能客服系统，支持售前咨询、订单查询、售后服务等场景。
 
[技术方案]
- 采用 RAG 架构，结合向量检索（Qdrant）和 LLM 生成（GPT-4）
- 实现多轮对话管理，支持上下文记忆和意图识别
- 使用 LangChain 框架，集成多个 Agent（订单查询、物流跟踪、退款处理）
- Prompt 工程优化，通过 Few-shot Learning 提升回答准确率
 
[个人贡献]
- 设计并实现 RAG Pipeline，包括文档解析、Chunk 策略、向量化、检索重排序
- 开发 Prompt 模板库，覆盖 20+ 业务场景，回答准确率从 72% 提升至 89%
- 优化 API 调用成本，通过缓存 + 模型选择策略，成本降低 60%（$0.05 → $0.02/对话）
- 搭建评估体系，包括准确率、响应时间、用户满意度等指标
 
[项目成果]
日均处理对话 5000+，回答准确率 89%，人工介入率从 70% 降至 15%，用户满意度 4.5/5.0

如何选择放哪些项目？

选择标准：

相关性（60% 权重）：与目标岗位最相关的项目；
复杂度（20% 权重）：技术难度高、有挑战性的项目；
成果（20% 权重）：有明显业务价值或技术突破的项目。

项目数量：

应届生/1-2 年：2-3 个项目
3-5 年：3-4 个项目
5 年以上：3-4 个最有代表性的项目

项目顺序：

最相关的项目放最前面；
最近的项目一般也放前面；
成就最大的项目可以打破时间顺序。

模块五：技能清单（AI 时代版）

技能清单是关键词匹配的核心区域，也是 ATS 的必争之地。

AI 时代的技能分类

mindmap
  root((技能体系))
    编程语言
      Python
      Go/Java/JavaScript
      SQL
      TypeScript
    后端框架
      Django/Flask/FastAPI
      Spring Boot
      Gin/Echo
    前端技术
      React/Vue
      Next.js
      TailwindCSS
    数据库
      PostgreSQL/MySQL
      MongoDB
      Redis
    AI/ML技术
      LLM应用开发
      RAG系统设计
      Prompt Engineering
      LangChain/LlamaIndex
      Vector Database
    DevOps
      Docker/Kubernetes
      CI/CD
      AWS/GCP/Azure
      Terraform
    工具链
      Git/GitHub Actions
      Jira/Confluence
      Postman
      Grafana/Prometheus

技能清单模板（AI 时代版）

【编程语言】Python · Go · JavaScript · TypeScript · SQL
【后端框架】Django · FastAPI · Gin · Node.js
【数据库】PostgreSQL · MySQL · Redis · MongoDB
【AI/ML】LLM应用开发 · RAG系统设计 · Prompt Engineering · LangChain · OpenAI API
【前端技术】React · Next.js · TailwindCSS · HTML/CSS
【DevOps】Docker · Kubernetes · Jenkins · AWS · GitHub Actions
【工具链】Git · Postman · Jira · Grafana · Prometheus
【语言能力】英语 CET-6（能够阅读英文技术文档）

技能等级如何标注？

请放弃使用 ” 精通 ”、” 熟练 ”、” 了解 ” 这些词——它们太过主观，无法衡量。

用事实说话：

❌ 主观描述	✅ 事实描述
精通 Python	Python（5 年，完成 20+ 项目）
熟悉 React	React（3 年，开发过 5 个 SPA 应用）
了解 AI	LLM 应用开发（1 年，完成 3 个 RAG 项目）

或者干脆不标注等级，只列技术栈，在项目经验中体现深度。

AI 技能如何展示？（2024 关键）

如果你有 AI 经验：

把 AI 技能单独列出来，放在显眼位置：

【AI/ML技能】
- LLM应用开发：基于 OpenAI/Claude API 开发智能应用，Prompt 优化经验丰富
- RAG系统：熟悉文档解析、向量检索、重排序等技术，使用 Qdrant/Pinecone
- Agent开发：开发过多 Agent 协作系统，使用 LangChain/AutoGPT
- 成本优化：通过缓存、模型选择等策略，API 成本优化 60%+

如果你没有 AI 经验但想进 AI 领域：

也可以列出来，但要诚实：

【AI/ML学习】
- 完成 Andrew Ng 机器学习课程，了解基本原理
- 个人项目：使用 LangChain 开发了个人知识库（GitHub 100+ stars）
- 正在学习 RAG 技术，阅读了 10+ 篇论文和开源项目

记住：有 AI 技能不代表一定能拿 AI 岗位，但没有 AI 技能连门槛都进不去。

模块六：开源贡献与个人品牌（可选但加分）

为什么重要？

HR 看简历时会想：” 这个人真的热爱技术吗？还是只是为了工资？” 开源贡献和技术博客是对此最好的回应。

开源贡献如何写？

如果你有知名项目的 Contributor：

【开源贡献】
- Kubernetes Contributor：提交 3 个 PR，修复调度器 Bug，被 1.28 版本采纳
- Django Contributor：贡献文档改进和测试用例
- 个人开源项目：xxx（GitHub 2000+ stars, 100+ forks）

如果你只有小项目：

【GitHub】[github.com/yourname](https://github.com/yourname) (500+ contributions, 10+ repos)
- 项目 A：描述（200 stars）
- 项目 B：描述（150 stars）

技术博客如何写？

【技术博客】blog.yourname.com（累计访问 10 万+）
- 《深入理解 Go 并发模型》（阅读 5000+）
- 《RAG 系统设计实践》（阅读 3000+）
- 《从零搭建 CI/CD Pipeline》（阅读 2000+）

数据很重要：Stars 数、访问量、阅读量都是加分项。

如果你什么都没有？

最快的方案（花 1-2 周）：

在 GitHub 上做一个有实际价值的小项目；
写 3-5 篇技术博客（掘金、Medium、个人博客）；
在技术社区（Stack Overflow、V2EX）回答问题。

这些都是你 ” 热爱技术 ” 的铁证。

2.3 AI 时代的简历升级

如何展示 AI 技能？

AI 技能已经从 ” 加分项 ” 变成了 ” 必选项 ”。

根据 LinkedIn 2024 数据：

80% 的技术岗位 JD 提到 AI 相关技能；
有 AI 项目经验的候选人，薪资溢价 15-30%；
AI 岗位空缺数同比增长 200%+。

不展示 AI 技能，等于主动放弃 20-30% 的岗位机会。

如果你有 AI 项目经验

完整项目描述（参考 2.2 节模板）：

RAG知识库系统 | 2024.03-2024.09 | AI工程师 | Python · LangChain · GPT-4 · Qdrant
 
[背景] 为内部文档管理开发的智能问答系统，支持 20+ 部门，文档量 50000+
 
[技术方案]
- 文档处理：支持 PDF/Word/Markdown，Chunk 策略优化（滑动窗口 500 token，重叠 50 token）
- 向量检索：使用 text-embedding-ada-002，Qdrant 作为向量数据库，检索召回率 92%
- 重排序：使用 cohere rerank，将 Top20 召回精排至 Top3，准确率提升 25%
- 生成优化：Prompt 工程 + Few-shot，减少幻觉，准确率 89%
 
[个人贡献]
- 设计并实现完整的 RAG Pipeline，从文档解析到答案生成
- 优化成本：通过缓存策略 + 模型选择，API 成本从 $0.15/query 降至 $0.04/query（降低 73%）
- 搭建评估系统：人工标注 500 组问答对，建立 RAGAS 评估指标
- 编写技术文档，分享 RAG 最佳实践，团队内部培训 20+ 人
 
[成果]
准确率 89%，用户满意度 4.6/5.0，日均查询 5000+，节省人工查询时间 60%

如果你没有 AI 项目经验但在学习

也要写出来：

方式 1：在技能清单中体现

【AI/ML学习】
- 完成 DeepLearning.AI 的 LangChain 课程，了解 RAG/Agent 基础
- 个人项目：基于 GPT-4 的代码审查工具（GitHub 50 stars）
- 阅读论文：Retrieval-Augmented Generation, ReAct 等 10+ 篇

方式 2：做一个 AI 项目放到项目经验

个人AI项目：智能代码审查助手 | 2024.08-2024.09 | Python · OpenAI API · GitHub Actions
 
[项目说明]
基于 GPT-4 的自动化代码审查工具，集成到 GitHub PR 流程，自动检查代码质量和潜在 Bug
 
[技术实现]
- 使用 OpenAI API 分析代码 diff，识别潜在问题
- Prompt 工程：设计了针对 Python/Go 的专门审查模板
- 集成 GitHub Actions，PR 提交后自动触发审查
 
[成果]
GitHub 50+ stars，发现并修复 15+ 个潜在 Bug

花 2 周时间做一个 AI 项目，绝对值得：

证明你的学习能力；
证明你关注技术趋势；
在面试中有话可说。

AI 技能的 4 个维度

无论你经验深浅，都可以从这 4 个维度展示 AI 能力：

1. LLM 应用开发经验

- OpenAI/Claude API 调用与错误处理
- 流式响应处理
- Token 计数与成本控制
- 多模态应用（文本+图片）

2. RAG/Agent 项目经验

- 文档解析与 Chunking 策略
- Embedding 与向量检索
- Prompt 工程与 Few-shot Learning
- Agent 工具调用与多轮对话

3. Prompt 工程能力

- 设计高质量 Prompt 模板
- Few-shot/Chain-of-Thought 技巧
- Prompt 版本管理与优化
- 降低幻觉、提升准确率

4. AI 工具使用深度

- Cursor/GitHub Copilot 辅助编程
- ChatGPT/Claude 辅助设计与 Review
- MidJourney/Stable Diffusion 图片生成
- AI 提效 50%+ 的具体案例

优先级：1 > 2 > 3 > 4 即使你只用过 AI 工具辅助编程（第 4 点），也比完全不提 AI 要好。

如何量化 AI 项目成果？

AI 项目的量化指标：

维度	量化指标示例
准确率	回答准确率 89%，召回率 92%，F1-score 90%
成本	API 成本 $0.04/query，较初版降低 73%
性能	响应时间 <2s，P99 延迟 <3s
用户满意度	用户满意度 4.5/5.0，NPS 45
业务价值	替代人工咨询 70%，节省成本 $50k/年
技术指标	检索召回率 92%，重排序后准确率提升 25%

案例对比：

❌ 无量化：

开发了一个智能客服系统，效果不错。

✅ 有量化：

开发智能客服系统（RAG 架构），回答准确率 89%，人工介入率从 70% 降至 15%，API 成本 $0.02/对话，用户满意度 4.5/5.0。

如何体现人机协作能力？

人机协作 = 用 AI 工具放大自己的能力。

展示方式 1：在项目描述中提及

[开发方式]
使用 Cursor 作为主力 IDE，结合 AI 辅助编程，开发效率提升 50%
- 代码生成：AI 生成基础代码框架，人工优化核心逻辑
- 代码审查：AI 静态分析 + 人工 Review，Bug 率降低 30%
- 测试编写：AI 生成单元测试，测试覆盖率 90%+

展示方式 2：在技能清单中体现

【AI工具】
- Cursor/GitHub Copilot：日常开发，代码生成效率提升 50%
- ChatGPT/Claude：技术方案讨论、代码审查、文档生成
- MidJourney：原型设计配图

展示方式 3：在成就中量化

关键成就：
- [效率提升] 通过 AI 辅助编程工具，项目交付周期从 8 周缩短至 5 周
- [质量提升] AI 辅助代码审查，上线后 Bug 率降低 40%
- [文档完善] 使用 AI 生成技术文档初稿，文档产出效率提升 3 倍

核心思想：你不是被 AI 替代，而是用 AI 武装自己，变得更强。

GitHub/技术博客的重要性提升

为什么重要性提升了？

AI 时代，技术迭代太快，公司更看重：

自学能力：能否持续学习？
技术热情：是真热爱还是只为工资？
个人品牌：在社区的影响力。

GitHub 和技术博客是最好的证明。

GitHub 优化策略

1. Profile README 优化

在你的 GitHub 主页（github.com/yourname）创建一个 README：

# Hi, I'm Zhang San 👋
 
## 🚀 About Me
Backend Engineer | Go & Python | AI Enthusiast
 
## 💻 Tech Stack
![Python](https://img.shields.io/badge/-Python-3776AB?logo=python&logoColor=white)
![Go](https://img.shields.io/badge/-Go-00ADD8?logo=go&logoColor=white)
![Docker](https://img.shields.io/badge/-Docker-2496ED?logo=docker&logoColor=white)
 
## 📊 GitHub Stats
![Your GitHub stats](https://github-readme-stats.vercel.app/api?username=yourname&show_icons=true)
 
## 🔥 Featured Projects
- [Project A](link): Description (200 stars)
- [Project B](link): Description (150 stars)
 
## 📝 Latest Blog Posts
- [深入理解Go并发](link)
- [RAG系统实践](link)

2. 项目 README 优化

每个项目都要有完善的 README：

项目介绍
技术栈
安装与使用
架构图（Mermaid）
效果展示（GIF/截图）
技术文档链接

3. 持续贡献

绿色的 Contribution Graph 很重要：

每周至少 2-3 次提交
不要有长时间空白期
质量 > 数量（不要为了绿而绿）

技术博客策略

1. 选对平台

平台	优点	适合人群
掘金	中文社区，流量大	国内求职
Medium	国际化，外企认可	外企求职
个人博客	完全自主，SEO 好	个人品牌
GitHub Pages	技术极客范	技术岗位

建议：先在掘金/Medium 积累流量，后期搭建个人博客。

2. 写什么？

优先级从高到低：

项目实践总结（最有价值）
- ” 从 0 到 1 搭建 RAG 系统 ”
- “Go 微服务架构实践 ”
- ” 性能优化实战：响应时间降低 70%”
技术深挖（体现深度）
- ” 深入理解 Go 调度器 ”
- “PostgreSQL 索引原理 ”
- “Transformer 架构详解 ”
踩坑记录（真实性高）
- ” 记一次生产环境 OOM 排查 ”
- “Docker 网络问题定位 ”
技术趋势分析（体现视野）
- “2024 年 AI 技术趋势 ”
- ” 大模型应用落地挑战 ”

3. 写作频率

求职期：每周 1 篇（持续 4-8 周）
日常：每月 2-4 篇

质量 > 数量：一篇深度好文，胜过 10 篇水文。

简历中如何体现？

【个人品牌】
- GitHub: [github.com/yourname](https://github.com/yourname) (800+ contributions, 15 repos, 500+ stars)
  - 热门项目：xxx (200 stars), yyy (150 stars)
 
- 技术博客: blog.yourname.com（累计访问 8 万+，粉丝 2000+）
  - 《深入理解 Go 并发模型》（5000+ 阅读）
  - 《RAG 系统设计实践》（3000+ 阅读）
  - 《从零搭建 K8s 集群》（2000+ 阅读）
 
- 技术社区：掘金 Level 4，Stack Overflow 500+ reputation

数据是关键：Stars 数、访问量、粉丝数都要写。

2.4 简历常见错误与优化

十大致命错误

错误 1：排版混乱，阅读体验差

❌ 表现：

字体五花八门（宋体、黑体、艺术字混用）；
行间距不一致；
颜色太多（红黄蓝绿）；
对齐方式混乱。

✅ 正确做法：

全文使用 1-2 种字体；
统一的行间距（1.2-1.5 倍）；
颜色不超过 3 种（黑 + 深灰 + 一个强调色）；
左对齐为主，关键信息加粗。

工具推荐：

超级简历（中文）；
Resumake（英文）；
Canva（有模板）。

错误 2：没有量化数据，全是空话

❌ 错误示例：

- 优化了系统性能
- 提升了用户体验
- 解决了技术难题
- 提高了团队效率

✅ 正确示例：

- 优化 API 响应时间从 800ms 降至 120ms，性能提升 6.7 倍
- 重构前端代码，首屏加载时间从 3.5s 降至 1.2s，跳出率降低 15%
- 解决高并发场景下的数据一致性问题，支撑日均 100 万笔交易
- 搭建 CI/CD 流程，部署时间从 2 小时缩短至 10 分钟，效率提升 12 倍

对比表：

无数据版本	有数据版本	说服力
优化性能	性能提升 6.7 倍	⭐⭐⭐⭐⭐
提升体验	跳出率降低 15%	⭐⭐⭐⭐⭐
解决难题	支撑日均 100 万交易	⭐⭐⭐⭐⭐
提高效率	效率提升 12 倍	⭐⭐⭐⭐⭐

错误 3：项目描述太长，没有重点

❌ 错误示例（200 字的流水账）：

这个项目是我在 XX 公司负责的一个电商项目，主要是做订单系统的开发。我们使用了 Java 语言，SpringBoot 框架，MySQL 数据库，Redis 缓存，还有 RabbitMQ 消息队列。项目开发周期大概 3 个月，我负责了其中的订单模块，包括订单创建、订单查询、订单状态更新等功能。项目上线后运行比较稳定，用户反馈也不错...

✅ 正确示例（80 字精炼）：

电商订单系统 | 2023.06-2023.09 | Java · SpringBoot · MySQL · Redis
 
- 设计并实现订单核心模块，支撑日均 10 万订单
- 通过 Redis 缓存 + SQL 优化，订单查询性能提升 5 倍
- 使用 RabbitMQ 解耦服务，系统可用性从 99.5% 提升至 99.9%
- 编写单元测试 200+，覆盖率 85%

精炼技巧：

删除废话（” 我们 ”、” 主要 ”、” 大概 ”、” 比较 ”）；
用符号替代文字（· | → 等）；
突出关键数据；
每条 1-2 行，不要写长句。

错误 4：简历超过 2 页，冗长啰嗦

HR 的真实反馈：

” 两页简历我就已经不太想看了。”
” 三页简历？直接 Pass。”
” 为什么 5 年经验要写成小说？”

如何压缩到 1 页？

删减优先级（从高到低）：

删除自我评价（100% 无用）；
删除兴趣爱好（95% 无用）；
合并相似项目（只保留最具代表性的）；
压缩教育背景（除非应届生）；
精简项目描述（每个项目 4-6 行）。

前后对比：

元素	冗长版	精简版
自我评价	5 行	0 行（删除）
教育背景	10 行	2 行
每个项目	15 行	5 行
技能清单	20 行	6 行

错误 5：技能清单写 ” 精通 “，被面试官当场打脸

❌ 错误示例：

精通：Python、Java、Go、JavaScript、C++
熟练：React、Vue、Angular、Django、Flask、Spring
了解：所有主流技术栈

面试官的反应：

” 精通 5 门语言？我面试 20 年都不敢说精通 2 门。”
” 熟练 8 个框架？我不信。”
” 当场白板手撕代码，露馅了吧？”

✅ 正确做法：

方案 1：不标注等级，只列技术栈

Python · Go · JavaScript · Django · React · PostgreSQL · Docker

让项目经验说话，不要自己吹。

方案 2：用事实代替形容词

Python（5年，20+ 项目）· Go（3年，10+ 项目）· React（2年，5个 SPA）

记住：技能清单是你挖的坑，面试时面试官会往死里问。

错误 6：频繁跳槽且没有合理解释

HR 看到这样的简历：

2018.07-2019.03 | 公司 A | 后端工程师
2019.04-2019.12 | 公司 B | 后端工程师
2020.01-2020.09 | 公司 C | 后端工程师
2020.10-2021.05 | 公司 D | 后端工程师
2021.06-2022.01 | 公司 E | 后端工程师

HR 的反应：

” 这人是不是有问题？平均 7 个月就换工作。”
” 招进来会不会干 3 个月就跑？”
” 直接 Pass，不想冒险。”

如何解释频繁跳槽？

1. 在简历中主动说明（如果有合理原因）

2020.01-2020.09 | 公司 C | 后端工程师
（注：公司业务调整，团队解散）

2. 合并短期经历 如果某段经历 <6 个月且没什么成就，干脆不写。

3. 突出长期稳定的经历

2021.06-2024.09 | 公司 E | 后端工程师（3年3个月）

如果有一段超过 2 年的经历，说明你不是 ” 问题员工 ”。

标准：

每份工作 <1 年：红旗 🚩
每份工作 1-2 年：正常
每份工作 2 年 +：稳定

错误 7：项目经验与岗位要求不匹配

案例：

应聘 AI 工程师 岗位，简历全是传统后端项目：

项目 1：电商订单系统（Java · MySQL）
项目 2：用户管理系统（Spring Boot）
项目 3：数据统计后台（Python · Django）

HR 的疑问：” 你有 AI 经验吗？为什么没体现？”

解决方案：

如果真的没有 AI 项目：

花 2 周做一个 AI 项目；
在现有项目中加入 AI 元素；
把学习经历写上。

如果有 AI 项目但没突出：把 AI 项目放最前面，调整描述侧重点。

项目相关性评估：

目标岗位	相关项目示例	不相关项目示例
AI 工程师	RAG 系统、LLM 应用、Agent	CRUD 后台、静态网站
后端工程师	高并发系统、分布式架构	前端组件、H5 页面
全栈工程师	包含前后端的完整项目	纯后端 API、纯前端页面

错误 8：错别字、语法错误、格式错误

常见错误：

” 负责 ” 写成 ” 付责 ”；
“PostgreSQL” 写成 “Postgre SQL”；
时间格式不统一（2023.06 vs 2023-06）；
标点符号中英文混用。

影响：

体现不了细心程度；
暴露了不专业；
HR 会质疑你的代码质量。

自查清单：

全文通读 3 遍，检查错别字；
技术名词拼写正确（React 不是 react）；
时间格式统一（建议用 2023.06）；
标点符号统一（全中文或全英文）；
用工具检查（Grammarly、搜狗输入法）。

错误 9：联系方式错误或缺失

真实案例：

手机号码写错一位数字；
邮箱地址拼写错误；
GitHub 链接打不开；
期望薪资没写。

后果：HR 想联系你都联系不上。

正确格式：

张三 | 后端工程师 | 5年经验
📱 138-1234-5678 | ✉️ zhangsan@example.com
🔗 GitHub: [github.com/zhangsan](https://github.com/zhangsan) | 博客: blog.zhangsan.com
💰 期望薪资: 25-30K | 📍 深圳 | 可立即到岗

测试方法：简历发出去之前，自己点一下所有链接，确保都能打开。

错误 10：使用过时的技术栈且不自知

案例：

2024 年的简历写：

技能：jQuery · PHP · JSP · Servlet · XML配置

HR 的反应：” 这人是不是 5 年没更新过技能了？”

过时技术清单（2024）：

前端：jQuery、AngularJS (1.x)、Backbone
后端：JSP、Servlet、Struts、EJB
配置：XML 配置（现在都用注解/代码配置）
工具：SVN（主流是 Git）

如果你真的还在用这些技术：

要么：

学习新技术，更新技能树；
找还在用老技术的公司（越来越少）。

要么：在简历中体现 ” 正在学习现代技术栈 “：

传统技能：PHP · MySQL · jQuery
正在学习：Go · React · Docker · K8s
个人项目：使用现代技术栈重构了 xxx 系统

优秀简历案例拆解

案例 1：3 年后端工程师（传统方向）

张三 | 后端工程师 | 3年经验
138-1234-5678 | zhangsan@example.com | GitHub: [github.com/zhangsan](https://github.com/zhangsan)
期望岗位: Go后端工程师 | 期望薪资: 20-25K | 深圳 | 可立即到岗
 
【教育背景】
2017.09-2021.06 | 某大学 | 计算机科学与技术 | 本科 | GPA 3.6/4.0
 
【工作经历】
2021.07-2024.09 | XX科技 | 后端工程师 | 电商团队
 
核心职责:
· 负责订单系统后端开发与维护，支撑日均 10 万订单处理
· 参与微服务架构设计，保障系统高可用和可扩展性
 
关键成就:
1. [性能优化] 重构订单查询模块，通过 Redis 缓存 + SQL 优化，响应时间从 800ms 降至 120ms，P99 延迟降低 70%
2. [稳定性] 设计熔断降级机制，大促期间系统可用性从 99.5% 提升至 99.95%
3. [架构升级] 主导订单系统微服务化（Go+gRPC），部署频率从月发布提升至周发布
4. [团队贡献] 编写技术文档 30+ 篇，Code Review 200+ 次，培训新人 5 名
 
【项目经验】
项目 1：订单系统 | 2022.06-2024.03 | 核心开发 | Go · PostgreSQL · Redis · RabbitMQ
 
[背景] 支撑千万级用户的电商订单系统，大促期间日均订单 100 万+
[技术方案] 采用微服务架构，订单拆单、支付、物流等服务独立部署；使用 Redis 缓存 + RabbitMQ 异步处理
[个人贡献]
· 设计并实现订单核心模块，包括创建、查询、状态流转、超时关单
· 优化数据库，通过索引优化 + 分库分表，查询性能提升 5 倍
· 实现分布式事务（Saga 模式），保证订单状态最终一致性
[成果] 支撑双 11 大促日均 100 万订单，系统可用性 99.95%，P99 延迟 <200ms
 
项目 2：用户画像系统 | 2021.09-2022.05 | 后端开发 | Python · Django · Elasticsearch
 
[背景] 为精准营销提供用户画像和推荐服务
[技术方案] 基于用户行为数据，构建多维度用户画像；使用 Elasticsearch 做实时检索
[个人贡献]
· 开发用户行为采集 SDK，日均采集事件 1000 万+
· 设计用户画像标签体系，包含 50+ 维度标签
· 实现实时推荐接口，P99 延迟 <100ms
[成果] 推荐点击率提升 35%，营销转化率提升 20%
 
【技能清单】
编程语言: Go · Python · SQL
后端框架: Gin · Echo · Django · FastAPI
数据库: PostgreSQL · MySQL · Redis · Elasticsearch
DevOps: Docker · Kubernetes · Jenkins · Prometheus
工具链: Git · Postman · Jira · Grafana
AI工具: Cursor · ChatGPT（日常辅助编程，效率提升 40%）
 
【开源贡献】
· GitHub: [github.com/zhangsan](https://github.com/zhangsan) (600+ contributions, 10+ repos, 300+ stars)
· 个人项目: go-cache（高性能缓存库，200 stars）
· 技术博客: blog.zhangsan.com（累计 5 万+访问）
  - 《深入理解 Go 并发模型》（3000+ 阅读）
  - 《微服务架构实践》（2000+ 阅读）

亮点分析：

✅ 一页简历，信息密度高；
✅ 每条成就都有量化数据；
✅ 项目描述清晰，技术栈匹配岗位；
✅ 开源贡献体现技术热情；
✅ AI 工具使用体现与时俱进。

案例 2：2 年 AI 工程师

李四 | AI工程师 | 2年经验
139-5678-1234 | lisi@example.com | GitHub: [github.com/lisi](https://github.com/lisi)
期望岗位: LLM应用工程师 | 期望薪资: 25-30K | 北京 | 可立即到岗
 
【教育背景】
2018.09-2022.06 | 某大学 | 人工智能 | 本科 | GPA 3.8/4.0
核心课程: 机器学习、深度学习、自然语言处理、计算机视觉
 
【工作经历】
2022.07-2024.09 | YY AI | AI工程师 | LLM应用团队
 
核心职责:
· 负责 LLM 应用开发，包括 RAG 系统、Agent、智能客服等场景
· 参与 Prompt 工程优化和模型成本控制
 
关键成就:
1. [RAG系统] 设计并实现企业知识库问答系统，准确率 89%，用户满意度 4.6/5.0
2. [成本优化] 通过缓存策略 + 模型选择，API 成本降低 65%（$0.15 → $0.05/query）
3. [Agent开发] 开发多 Agent 协作系统，自动化处理 80% 客户咨询，节省人力 50%
4. [技术沉淀] 搭建 Prompt 模板库（20+ 场景）和评估体系（RAGAS），团队复用率 90%
 
【项目经验】
项目 1：企业知识库 RAG 系统 | 2023.06-2024.09 | AI工程师 | Python · LangChain · GPT-4 · Qdrant
 
[背景] 为企业内部 50000+ 文档提供智能问答服务，覆盖 20+ 部门
[技术方案]
· 文档处理：支持 PDF/Word/Markdown，Chunk 策略优化（滑动窗口 500 token，重叠 50 token）
· 向量检索：text-embedding-ada-002 + Qdrant，检索召回率 92%
· 重排序：cohere rerank，Top20 → Top3，准确率提升 25%
· 生成优化：Few-shot + Chain-of-Thought，减少幻觉
[个人贡献]
· 设计完整 RAG Pipeline，从文档解析到答案生成
· 优化成本：缓存 + 模型选择，API 成本从 $0.15 降至 $0.04（降低 73%）
· 搭建评估体系：人工标注 500 组问答，RAGAS 评估
· 技术分享：内部培训 20+ 人，输出最佳实践文档
[成果] 准确率 89%，用户满意度 4.6/5.0，日均查询 5000+，节省人工查询时间 60%
 
项目 2：多 Agent 客服系统 | 2022.09-2023.05 | AI工程师 | Python · LangChain · GPT-3.5
 
[背景] 智能客服系统，支持售前咨询、订单查询、售后处理
[技术方案]
· Agent 设计：意图识别 Agent + 订单查询 Agent + 物流 Agent + 退款 Agent
· Tool calling：集成订单系统、物流系统 API
· 多轮对话：上下文管理（最多 5 轮）
[个人贡献]
· 开发 Agent 框架，支持 Tool 动态注册
· Prompt 工程：设计 20+ 场景模板，准确率从 72% 提升至 85%
· 错误处理：兜底策略 + 人工转接
[成果] 自动化处理 80% 咨询，人工介入率从 70% 降至 20%，响应时间 <2s
 
【技能清单】
AI/ML: LLM应用开发 · RAG系统设计 · Prompt Engineering · Agent开发 · Fine-tuning
框架: LangChain · LlamaIndex · AutoGPT · Semantic Kernel
模型: GPT-4 · Claude · Llama2 · BGE · Cohere
向量数据库: Qdrant · Pinecone · Milvus
后端: Python · FastAPI · Django · PostgreSQL · Redis
DevOps: Docker · AWS · Grafana
AI工具: Cursor · ChatGPT · Claude（深度使用，效率提升 60%）
 
【开源贡献】
· GitHub: [github.com/lisi](https://github.com/lisi) (400+ contributions, 8 repos, 500+ stars)
· 开源项目: mini-rag（轻量级 RAG 框架，300 stars, 50 forks）
· 技术博客: blog.lisi.com（累计 8 万+访问）
  - 《RAG 系统设计最佳实践》（5000+ 阅读）
  - 《Prompt 工程实战指南》（4000+ 阅读）
  - 《LangChain 源码解析》（3000+ 阅读）
 
【论文与学习】
· 阅读论文 20+：RAG、ReAct、Tree of Thoughts 等
· 完成课程：DeepLearning.AI LangChain 专项课程、Prompt Engineering

亮点分析：

✅ AI 技能非常突出，技术栈匹配岗位；
✅ 项目描述详细，技术细节充分；
✅ 成本优化数据亮眼（ $0.15 \to$ 0.04）；
✅ 开源项目和博客证明技术热情；
✅ 论文阅读体现学习能力。

简历自查清单 (在投递前必查)

格式检查

内容检查

联系方式正确且可达；
期望岗位和薪资明确；
教育背景完整；
每份工作都有时间、公司、职位；
工作成就有量化数据；
项目描述包含背景、技术、贡献、成果；
技能清单匹配岗位要求；
无明显的职业空白期（或有说明）。

匹配度检查

技能清单覆盖 JD 的 80%+ 关键词；
项目经验与岗位要求相关；
技术栈不过时；
有 AI 相关技能（如果是 2024 年岗位）；
开源贡献或技术博客（加分项）。

ATS 友好检查

使用标准格式（PDF 或 Word）；
章节标题清晰；
少用图片和复杂表格；
技术名词拼写正确；
关键词与 JD 精确匹配。

最终检查

在纯文本编辑器中查看排版是否正常；
发给朋友审阅，收集反馈；
针对不同岗位微调关键词；
所有链接可点击且有效；
打印出来阅读一遍（发现问题的最好方式）。

章节回顾

核心要点

简历筛选现实：100 份简历只有 5-8 份能获得面试，竞争激烈；
四大核心原则：一页、数据驱动、关键词优化、针对性定制；
结构设计：个人信息 + 教育 + 工作 + 项目 + 技能 + 开源（可选）；
AI 时代升级：展示 LLM/RAG/Agent 经验，体现 AI 工具使用；
常见错误：无数据、啰嗦、不匹配、过时技术、频繁跳槽；
自查必做：格式、内容、匹配度、ATS 友好性。

简历优化 ROI

投入 2-3 天优化简历：

面试通过率提升 50-100%；
获得面试机会增加 2-3 倍；
薪资谈判空间扩大 20-30%。

记住：简历是你的产品说明书，不是自传。HR 只有 15 秒，你必须用最精炼的方式证明你的价值。

🪴 X·Eden

探索

博客

02-简历原则与实践

2.1 简历的核心原则

简历筛选的残酷现实

原则一：一页原则——信息密度与可读性

为什么必须一页？

一页简历如何做到高信息密度？

原则二：数据驱动——用数据说话的艺术

为什么数据如此重要？

如何数据化你的成就？

案例对比：无数据 vs 有数据

如何找到你的数据？

原则三：关键词优化——ATS 系统与人工筛选

ATS 系统如何工作？

关键词优化策略

ATS 友好格式

原则四：针对性定制——一份简历走天下是大忌

2.2 IT 类简历的结构设计

标准 IT 简历结构（从上到下）

模块一：个人信息（精简有效）

模块二：教育背景（如何突出优势）

模块三：工作经历（STAR 法则应用）

STAR 法则在简历中的应用

写工作经历的常见错误

工作经历自查清单

模块四：项目经验（技术栈 + 成果展示）

项目描述模板

完整案例：传统后端项目

完整案例：AI 项目（新增）

如何选择放哪些项目？

模块五：技能清单（AI 时代版）

AI 时代的技能分类

技能清单模板（AI 时代版）

技能等级如何标注？

AI 技能如何展示？（2024 关键）

模块六：开源贡献与个人品牌（可选但加分）

开源贡献如何写？

技术博客如何写？

如果你什么都没有？

2.3 AI 时代的简历升级

如何展示 AI 技能？

如果你有 AI 项目经验

如果你没有 AI 项目经验但在学习

AI 技能的 4 个维度

如何量化 AI 项目成果？

如何体现人机协作能力？

展示方式 1：在项目描述中提及

展示方式 2：在技能清单中体现

展示方式 3：在成就中量化

GitHub/技术博客的重要性提升

GitHub 优化策略

技术博客策略

简历中如何体现？

2.4 简历常见错误与优化

十大致命错误

错误 1：排版混乱，阅读体验差

错误 2：没有量化数据，全是空话

错误 3：项目描述太长，没有重点

错误 4：简历超过 2 页，冗长啰嗦

错误 5：技能清单写 ” 精通 “，被面试官当场打脸

错误 6：频繁跳槽且没有合理解释

错误 7：项目经验与岗位要求不匹配

错误 8：错别字、语法错误、格式错误

错误 9：联系方式错误或缺失

错误 10：使用过时的技术栈且不自知

优秀简历案例拆解

案例 1：3 年后端工程师（传统方向）

案例 2：2 年 AI 工程师

简历自查清单 (在投递前必查)

格式检查

内容检查

匹配度检查

ATS 友好检查

最终检查

章节回顾

核心要点

简历优化 ROI

关系图谱