简介：为什么同样做 AI Agent 方向，有人简历被反复邀约，有人却总是已读不回？本文从面试官视角拆解 AI Agent 项目简历中的高频失分点，对比“功能堆砌式写法”与“决策驱动式写法”的核心差异，帮助开发者理解检索、微调、强化学习等关键技术选型背后的追问逻辑，从而更准确地呈现项目含金量与个人技术判断力。
AI Agent 是当前技术招聘中热度极高、同时同质化也极严重的方向之一。很多简历会不约而同地出现类似描述：
这些描述本身没有问题，问题在于：当面试官连续看到几十份写法相近的简历时，很难从中判断谁真正做过技术决策，谁只是复用了常见教程里的默认方案。
这背后的原因在于，AI Agent 与传统的增删改查类业务开发不同，它并没有一个完全标准化的“正确答案”。传统业务系统里，选择关系型数据库还是缓存中间件，通常有比较明确的工程惯例。但 AI Agent 场景中，检索、微调、强化学习等技术环节，每一种都存在多个可行解，并且这些可行解会随着数据规模、任务复杂度、响应时延、成本约束等条件发生变化。
因此，面试官真正想看的，不是简历上写了多少技术名词，而是候选人是否具备面对开放问题时进行判断和取舍的能力。从这个角度看，简历的本质不是“功能清单”，而是“决策记录”。
为了更清楚地说明问题，我们可以把 AI Agent 方向的简历写法大致分为两类：
这类写法通常表现为：
例如简历中出现“使用 BM25 做检索”，却没有解释为什么不用向量检索。面试官看到这句话时，会产生一连串疑问：数据规模多大？文档长度如何？是否需要语义泛化？是否有低延迟要求？如果没有这些背景信息，BM25 这个选择就只是一个孤立的技术名词，无法证明候选人的判断力。
同理，“使用 DoRA 微调”也只是一个结论。如果简历没有说明为什么不用全量 LoRA，面试官就无法判断候选人是否理解参数效率、训练稳定性、显存约束以及模型适配能力之间的权衡。
决策驱动式写法并不要求在简历中长篇大论，而是通过精炼的语言，让每一个技术选择都携带“条件信息”。它的核心特征是：
举例来说，同样的项目，如果写成：
“在知识库检索模块中，考虑到文档平均长度较短、用户问题中专业术语占比较高、上线初期对检索延迟要求严格，优先采用 BM25 作为召回基础方案，并将向量检索作为后续语义泛化阶段的补充策略。”
这段描述并没有多写太多字，但面试官能够立刻抓住候选人的判断依据。这样的简历，被约面的概率会显著提高。
下面以 AI Agent 项目中最常出现的三类技术选择为例，进一步说明决策驱动式写法与功能堆砌式写法之间的差异。
| 对比维度 | BM25 | 向量检索 |
|---|---|---|
| 匹配原理 | 基于词频和逆文档频率的统计匹配 | 基于语义向量相似度计算 |
| 对罕见词的敏感度 | 较高，适合术语密集场景 | 中等，效果依赖向量模型质量 |
| 对同义表达的支持 | 弱，需要词典或同义扩展 | 强，语义泛化能力较好 |
| 检索延迟 | 通常较低，计算复杂度可控 | 依赖索引结构和向量维度，可能出现较高延迟 |
| 冷启动成本 | 低，无需训练向量模型 | 中高，需要选择或训练嵌入模型 |
| 可解释性 | 较强，匹配词可回溯 | 较弱，相似度分数不易直接解释 |
面试官追问“为什么选 BM25 而不是向量检索”时，关注的不是 BM25 本身好不好，而是候选人是否理解两者在匹配机制、延迟表现、冷启动成本、可解释性等方面的差异，以及这些差异是否与当前业务条件匹配。
一个高质量的答案通常包含以下结构：
这种回答能够证明候选人不是背答案，而是具备以条件为驱动的技术判断能力。
不少 AI Agent 项目会涉及微调。常见的写法是“使用 LoRA 微调模型”，稍微进阶一点会写“使用 DoRA 进行微调”。面试官看到 DoRA 后，很可能会问：“为什么不直接用全量 LoRA？”
这里涉及几个关键概念：
面试官追问这个问题的目的，不是考概念背诵，而是希望听到候选人对以下内容的判断：
如果候选人在简历中只写“使用 DoRA 微调”，却没有说明选择理由，面试官会倾向于认为这个选择可能是照搬教程，难以区分是真正理解还是被动跟随。
在 Agent 的策略优化环节，强化学习是高频技术点。DPO 和 GRPO 是两种不同思路的优化方法。
| 对比维度 | DPO | GRPO |
|---|---|---|
| 优化对象 | 直接基于偏好数据优化策略 | 通常结合分组采样和相对优势估计进行策略优化 |
| 对奖励模型的需求 | 可绕过显式奖励模型，利用成对偏好数据 | 通常需要设计奖励函数或分组比较机制 |
| 样本利用方式 | 依赖标注好的偏好对 | 可利用同一提示下生成的一组样本进行比较 |
| 超参敏感度 | 对偏好数据质量和正则项设置较敏感 | 对分组策略和优势估计方式较敏感 |
| 适用场景 | 偏好数据清晰、比较目标明确的场景 | 需要更丰富探索或相对比较的场景 |
如果简历中写了“使用 GRPO 做强化学习”，面试官大概率会追问：“为什么不用 DPO？”这里的核心考量在于：
如果候选人能够说明自己评估过 DPO，但在当前任务中，偏好数据难以标注，或者需要模型在开放空间中进行更灵活的策略优化，因此选择 GRPO，那么这就是一个非常有说服力的技术判断。
为了更直观地展示差异，下面给出一个示意性对比：
功能堆砌式写法：
项目：企业知识库智能问答 Agent
技术栈：大模型、BM25、DoRA、GRPO、向量检索
职责：构建检索模块，完成模型微调，优化对话策略。
决策驱动式写法：
项目：企业知识库智能问答 Agent
职责与判断：
- 在知识库文档平均长度短、专业术语密度高、上线初期延迟要求严格的条件下，检索模块以 BM25 为召回基础方案，并将向量检索作为后续语义泛化的补充策略，避免冷启动阶段引入过高复杂度。
- 在微调阶段，由于训练数据规模有限且存在过拟合风险，采用 DoRA 替代全量 LoRA，在保证方向与幅度分离适配的同时控制训练复杂度。
- 在对话策略优化中，由于难以获得稳定的成对偏好标注数据，转而采用 GRPO 利用分组采样进行相对优势估计，以满足策略探索需求。
第二种写法并没有大幅增加字数，但面试官在阅读时会形成完全不同的印象。这其中的核心差异，就是“技术选择是否携带决策条件”。
从面试官的角度来看，AI Agent 方向的简历筛选通常关注三个层次：
候选人是否接触过 Agent 的核心模块，比如任务规划、工具调用、检索增强、模型微调、策略优化、评测反馈等。这是最基本的门槛。
候选人在面对多种可选方案时，是否能够结合场景条件做出合理判断。这一层决定了简历能不能从同质化竞争中跳出来。
候选人对所选方案的使用边界是否有清晰认识，是否能够在条件变化时调整方案。这一层决定了候选人进入面试后能不能经受住连续追问。
大多数 AI Agent 简历停留在第一层，少数能够到达第二层。而真正让面试官主动约面的简历，往往已经在第二层和第三层之间建立了清晰的表达。
对于已经有一定 AI Agent 项目经验的开发者来说，可以从以下角度重新审视和改写简历中的关键模块。
在描述技术方案时，避免只写名词，而是在同一句话或相邻句子中补上触发该选择的关键条件。条件可以是数据规模、延迟要求、资源限制、数据获取难度、维护成本等。
可以适度使用“在……条件下，选择……而非……”的句式。这种表达方式能够直接告诉面试官，候选人在做选择时经历过比较，而不是随手采用了默认方案。
AI Agent 项目通常会有效果评测，但如果不写清楚评测基准、对比对象和条件，具体数字很难产生说服力。与其只写“准确率提升 X%”，不如同时说明是在什么数据集、什么对比方案、什么评估口径下得出的结果。
一份简历中如果技术名词过多，反而会让面试官怀疑候选人是否在每个方向上都真正深入。与其罗列十几个方向，不如选择两三个自己最有判断力的技术点进行深入呈现。
简历上的“为什么”只有经得住追问，才算是真正成立。因此，在优化简历的同时，也需要同步准备面试中的论证链条。
一个简单的准备方法是：对简历中出现的每一个关键选择，准备以下四步说明：
这四步既能用于简历表达，也能直接转化为面试中的结构化回答。简历与面试的一致性，会让候选人的技术判断力显得更加可信。
AI Agent 方向的简历之所以难以脱颖而出，往往不是因为项目本身不够复杂，而是因为简历把重点放在了“技术名词覆盖度”上，忽略了“技术决策依据”的呈现。面试官在面对开放性问题时，真正想考察的是候选人的判断过程，而不是一个标准答案。
将简历从功能堆砌式写法转向决策驱动式写法，核心不是增加篇幅，而是让每一个技术选择都携带条件信息。BM25、DoRA、GRPO 这类技术名词本身不具备说服力，真正有说服力的是：在什么条件下，为什么选择它，而不是另一种方案。
对于开发者来说，这是一次从“我做过什么”到“我在什么条件下为什么这样做”的表达升级。它不仅能提高 AI Agent 方向简历的约面率，也能让后续面试中的技术讨论更加深入和可控。