AI Engineer简历+面试视频课

第一章：企业到底在招聘什么样的AI Engineer

• AI Engineer、Software Engineer、ML Engineer与Data Scientist的岗位区别

• 企业真正需要的AI工程能力

• 从AI Demo到Production系统的能力差距

• AI Engineer应具备的产品、工程、成本与安全意识

• 如何判断自己的能力是否达到目标岗位要求

第二章：AI Engineer简历结构与ATS规则

• 招聘官如何快速扫描一份技术简历

• AI Engineer简历五大核心Section

• Header、Title及联系方式的正确写法

• Skills、Experience、Projects与Education的排列顺序

• 图片、表格、头像及复杂设计为什么可能影响ATS解析

• LinkedIn、GitHub及Portfolio如何与简历保持一致

• AI Engineer简历常见扣分项

第三章：重构AI Engineer技术栈

系统整理AI Engineer简历应该展示的技术方向：

• Programming与Full Stack基础

• Prompt Engineering与Structured Output

• Context Engineering与Memory

• Embedding、Vector Database及Reranker

• RAG Pipeline与RAG Evaluation

• Function Calling与MCP

• Agent与Multi-Agent

• Model Fine-tuning与Inference

• LLMOps、Observability及Cloud Deployment

• AI Safety、Guardrail与Prompt Injection防护

• Claude Code、Codex CLI等AI Coding工具

帮助学员避免使用“AI Tools”“熟悉RAG”“使用过Claude”等缺少辨识度的模糊表达。

第四章：把AI项目经历写得更值钱

掌握AI项目经历改写公式：

工程动作 + 具体技术栈 + 业务目标 + 量化成果

课程将通过RAG客服系统、Multi-Agent自动化等案例，讲解如何在简历中体现：

• 数据及文档规模

• Embedding与Vector Database选型

• Hybrid Search与Reranker

• RAGAS及Golden Dataset评测

• Response Latency与TTFT

• Token及Cost per Query

• Cache Hit Rate

• 用户量与Query数量

• Accuracy、Recall及Faithfulness

• 节省工时、降低成本及客服分流效果

让每段项目经历都有技术依据、业务价值和数据证明。

第五章：没有正式AI工作经验，项目从哪里来

• 企业级AI实战项目

• 公司内部AI PoC

• Open-source Contribution

• Hackathon及技术比赛

• Side Project与个人AI产品

• GitHub Repo、在线Demo及Demo Video

• 架构图、Eval Dashboard及真实使用数据

• 如何判断一个项目能不能写进简历

• 如何避免项目包装过度和虚构经验

第六章：根据目标JD定制简历

• 从JD中提取Must-have与Nice-to-have技能

• 使用LinkedIn调查目标公司的AI团队

• 从公司技术博客及GitHub判断真实技术栈

• 建立目标岗位关键词矩阵

• 根据关键词调整Skills与Projects

• 一份主简历如何生成多个岗位版本

• AI润色后的简历为什么不能直接使用

• 如何删除套话、补充工具名和量化指标

第七章：AI Engineer面试流程与自我介绍

• Recruiter Screening

• Hiring Manager Interview

• Technical Interview

• Project Deep Dive

• AI System Design

• Coding Assessment

• Behavioral Interview

• Reference Check与Offer阶段

学习使用以下结构完成60秒自我介绍：

职业定位 + 核心技术 + 代表项目 + 量化成果 + 岗位关联

避免从学校、专业和“我正在寻找机会”开始流水账式介绍，让面试官快速记住你的核心优势。

第八章：产品公司与咨询公司的面试区别

• 产品公司关注的Scale、Cost、用户体验及长期迭代

• 咨询及服务公司关注的交付速度、技术广度和客户沟通

• 如何判断目标企业属于甲方还是乙方

• 不同企业应该使用怎样的项目叙事

• 面试前如何调查团队真实使用的模型、框架与Cloud平台

第九章：如何回答“你平时怎么使用AI写代码”

• Claude Code、Codex CLI与Coding Agent

• Ask、Explore、Plan、Code、Verify开发流程

• Context Engineering与项目文档

• CLAUDE.md、Rules及Design System

• 主Agent与Sub-agent任务分工

• MCP Server与内部工具连接

• Test、CI、Code Review及自动化Gate

• 如何评估Agent任务成功率、Token消耗与开发效率

• 为什么只回答“我使用Copilot补全代码”还不够

第十章：AI Engineer高频技术面试题

重点覆盖：

• 如何设计一套RAG Architecture

• 为什么使用Hybrid Search

• 如何确定Chunk Size

• 如何选择Embedding Model

• 如何选择Vector Database

• Reranker如何提升检索质量

• 如何使用RAGAS评测RAG

• 如何降低Hallucination

• Function Calling与文本解析的区别

• 如何管理Long Context与Memory

• Single Agent与Multi-Agent如何选择

• MCP解决了什么问题

• 如何Debug Agent Loop

• 如何降低LLM成本与响应延迟

• 如何将AI系统安全上线

每道题采用“先讲框架—再讲具体技术—最后结合个人项目”的三段式回答方法。

第十一章：RAG面试连续追问

• Fixed、Semantic与Hierarchical Chunking

• Dense Search与BM25

• Hybrid Search与RRF

• Cohere Rerank与BGE Reranker

• Query Rewriting、HyDE与Multi-query

• Context Compression

• Golden Dataset与LLM-as-judge

• Context Recall、Faithfulness与Answer Relevance

• RAG Cost、Latency及Production Monitoring

• 面试官如何从基础问题一直追问到Senior深度

第十二章：AI System Design面试

掌握AI System Design的标准答题结构：

1. 澄清用户、业务和系统规模

2. 设计模型、数据及服务架构

3. 选择RAG、Agent与Memory方案

4. 估算Token成本、QPS及Latency

5. 设计Eval、Monitoring及Fallback

6. 制定Shadow、Canary及A/B上线方案

实战案例包括：

• 百万级Query的AI客服系统

• 企业内部RAG文档问答平台

• 具有共享记忆的Multi-Agent系统

• 类似Cursor的AI Coding Assistant

第十三章：项目Deep Dive与Behavioral Interview

• 如何完整讲解最有挑战的AI项目

• 项目架构和技术选型如何表达

• 如何解释没有采用某项技术的原因

• 如何说明Trade-off与关键决策

• 如何展示GitHub、Demo、架构图和Eval指标

• 如何诚实讲解模型错误、系统故障和失败经历

• 使用STAR框架回答团队协作、意见冲突和线上事故

• 面试结束时应该向企业反问什么