跳至主要内容
简历写“精通大模型”,为什么我先减分

简历写“精通大模型”,为什么我先减分

简历上出现“精通大模型”这五个字,我的第一反应不是加分,是把它标成一个待验证的强断言,先往下压一档,再看后面的项目经历能不能把它捞回来。捞得回来的不到一半。

强断言的麻烦不在于它可能是假的,而在于它没法被证伪。你没法追问“精通到什么程度”,因为写的人已经替你把上限封死了。招聘方读简历本质上是在做一次定位:这个人能接哪一层的活,接到什么颗粒度。而“精通大模型”这句话,把定位的成本全部转移给了读的人。

“精通”在大模型这条栈上,指向不了任何具体能力

大模型不是一项技能,是一摞东西叠在一起。往下数:数据清洗与配比、继续预训练、SFT(监督微调)、偏好对齐、评测集设计、推理部署与量化、检索与上下文链路、成本与延迟控制、内容安全。每一层往下钻,都够一个人做上几年,而且层与层之间并不通用。会调推理框架的并发参数,不代表知道验证集怎么防泄漏;能写出一套好用的 prompt 模板,不代表看得懂 loss 曲线上的异常。

所以“精通大模型”实际表达的是:我在某个未指明的层级上,有未指明的深度。这不是谦虚或吹嘘的问题,是信息量为零的问题。

我筛简历的时候,手里通常几十份,每份停留一两分钟。这一两分钟要判断的是“能不能进技术面”,不是“帮候选人做职业定位”。一份写着“精通大模型”的简历,需要我从后面的项目里自己拼出他在哪一层,拼不出来就跳过。反过来,一份写着“做过千级样本的 SFT,用两百条人工评测拦住了模型在长尾意图上的退化”的简历,量级由我估,方向由他给,我只需要验证。这两句话的可信度也许一样,但第二句可查,第一句不可查。

这个词流行起来也不难理解:招聘 JD 里堆满了这些词,候选人对着 JD 写简历,是最省力的对齐方式。问题在于 JD 里那句“精通”是给岗位画像用的,简历里那句“精通”是要被人拿来出题的,两者承担的东西完全不同。

踩过坑的人,写出来的东西都带代价

真上线过的人写简历,有一个很难伪装的共同点:他们习惯写代价。

不是“我做了 RAG”,而是“上了 RAG,长尾 query 召回是主要瓶颈,加了查询改写和结构化抽取各补一部分,延迟从一秒出头涨到接近三秒,最后按业务分渠道做了两套链路”。

这里面每个数字都可以被追问,也每个都能撑住追问,因为它来自真实的取舍。没上线过的人写不出代价,因为在他的想象里方案没有成本:加个重排就准了,换个更大的模型就好了,上个 Agent 就自动了。

一个常见场景:简历上写“优化了检索效果”,面试官问优化了多少、怎么衡量、有没有副作用,答不上来。这不是表达能力问题,是他确实没做过那次权衡,没在指标涨了几个点、延迟翻了一倍的那个下午做过决定。

减分写法 同一件事的可验证写法
精通大模型微调 跑过 SFT 全流程,样本量级万条,踩过验证集同源泄漏
精通 RAG 上过线的检索链路,瓶颈在长尾召回和表格解析,各自用了什么补
精通 Prompt 工程 维护过几十个模板,按输出形状分版本,改版有回归对照
熟悉模型部署 做过量化与批处理调参,显存和延迟各让了多少

右边一列没有一句比左边更“厉害”,但它们都能引出下一句对话。简历的作用不是让人惊叹,是让人有得问。

说了精通之后,追问就不会停在你会的边界内

这是我更在意的一点,也是过度承诺真正的代价。

面试官看到“精通”,会把出题难度锚定在这个词上。而“精通”没有边界,所以问题会一路问到你不会的地方,然后只剩两条路:当场划界,或者硬编。

划界的人显得前后不一致:前面说精通,现在说这块没深入过。硬编的人撑不过三个追问。无论哪条路,面试官得到的结论都不是“他这块弱”,而是他的自我描述不可靠。前者可以培养,后者会污染整份简历的可信度,后面每句真话都要打折。

flowchart TD
    A[简历写精通] --> B[面试官上调难度]
    B --> C[撞到能力边界]
    C --> D[当场划界]
    C --> E[硬编过去]
    E --> F[三个追问后崩]
    D --> G[描述前后不一致]
    F --> H[整份简历打折]
    G --> H

具体到微调这个话题,一条常见的追问链是:数据怎么去重、loss 曲线长什么样、验证集怎么防同源泄漏、显存不够怎么切、效果不如 few-shot 时你怎么向老板汇报。前四问是知识题,翻文档能翻到;第五问是判断题,只有真的在评审会上被问过、真的做过“投入两周最后没上线”这个决定的人,才答得具体。

在这第五问上卡住的人不少。卡住的原因通常不是技术不行,是他真的没经历过那个场景。他的“精通”是从教程和开源项目里读来的,而读来的东西里没有汇报,没有放弃,没有“这个方案我砍了”。

过度承诺暴露的是校准能力,不是知识量

在大模型项目里,贵的不是知道多少,是知道自己不知道多少。这个能力有个词叫校准,我更愿意把它说成:敢在会议上说“这个我不确定”。

因为这条链路上的不确定性太多。模型行为在长尾上不可预测,评测集本身有偏,线上分布会漂,同一套 prompt 在两个模型版本上表现能差出一个档。一个不承认边界的人,会做出“这个方案应该能覆盖九成场景”这种承诺,然后在灰度时被数据打脸,全组一起返工。

所以面试官听到“精通”时的警觉,不是怀疑你的技术水平,是怀疑你评估自己水平的方法。技术水平可以在三个月里补,评估方法错了,会持续制造错误的排期和错误的承诺。

有个判断方法可以直接用:描述自己的时候,看动词落在哪一组。落在“读过、了解、搭过 demo”,说明积累还在输入侧;落在“交付过、修过、砍过”,说明有过一次具体的失败。后一组词都不好听,但它们都带着场景。

完全不写也有问题:关键词那一关得先过

这里得说清边界。“精通大模型”是减分项,不等于相关词一个都别写。很多公司的简历先过一轮关键词筛选,技术面试官根本看不到没写这些词的简历。完全回避,等于在门口就被拦下。

做法不是删掉,是换掉:保留名词,换掉形容词,补上量级和结局。

TEXT8 行
1
2
3
4
5
6
7
8
改前:
- 精通大模型应用开发,熟悉 RAG、Agent、微调。

改后:
- 负责内部知识问答的检索链路:文档量级万份,主要失败模式是表格和跨段落指代,
分别用结构化抽取和查询改写补了一部分,人工抽检准确率从个位数提到两位数。
- 做过一次 SFT:样本量级千条到万条,验证集与训练集同源导致指标虚高,
按文档重新切分后回落,最终没有上线,改用 few-shot。

第二条写了没做成。这在简历里是加分项,因为失败自带细节,而细节不容易编。写十句“精通”,不如写一次“我们试过,没成,原因是这个”。

还有一种担心是写具体了会不会显得格局小。不会。筛简历的人关心的不是你做得多大,是你做的事有没有边界。一个写着“负责整体架构”的人,往往不如一个写着“这块我做的,那块不是我做的”的人可信,因为后者知道自己站在哪。

什么情况下写“精通”不算减分

窄的时候。

如果你在某一个具体组件上有真正的深度,写“精通”是合理的,因为它可验证:推理引擎里某个 kernel 的实现、某类模型的量化误差分析、某个框架的分布式切分策略。这些词的共同点是,追问有底,三轮之后还有东西可讲。

宽度越大越危险。“精通大模型”是最大的一档,几乎等于没说;“精通 LangChain”小一点,但仍然太空,因为那是个胶水层,真正难的部分在它下面;“熟悉某个推理框架里 PagedAttention 的实现”就基本可验证,问下去要么会要么不会,没有中间地带。

一条可以直接用的判据:你的“精通”后面接的是领域名词,减分;接的是具体机制或具体产物,不减分。接“大模型”“AI”“算法”,等于告诉对方你没给自己定位过;接“某类检索的打分融合”“某种量化方案的精度损失”,对方立刻知道该问你什么。

回到开头那个动作。下次改简历,先把“精通”两个字全部删掉,再读一遍剩下的句子。撑得住的地方留着,撑不住的地方,就是面试第一个追问会落地的地方。

那些地方有两个选择:现在补上,或者老实写成“用过,知道坑在哪,没做过端到端”。后一句听起来弱,但它不会在第三轮面试里塌掉。

关于本文

由 Lu's Blog 撰写,采用 CC BY-NC 4.0 许可协议。

#大模型 #招聘 #简历

评论