关注「软件测试就业联盟」公众号，陪你走好校招求职的每一步

目录
一、现象：同样的学历，两份简历，一个15k一个32k
二、本质变化：面试官不再相信“我会”，只看“我做过什么”
三、核心机制拆解：一个AIGC作品集应该长什么样
四、典型案例对比：两份作品集，差在哪
五、工程落地启示：从零搭一个能拿出手的作品集
六、最后一个问题

去年校招季，我帮一个朋友筛简历。两份都是211硕，专业都是计算机。

简历A：GPA 3.8，两段中厂后端实习，项目栏写“电商秒杀系统”“RPC框架实现”，技能栏写“熟悉Java/Python/MySQL/Redis”。很标准的优秀简历。

简历B：GPA 3.4，没有大厂实习。项目栏写“基于RAG的个人知识库问答系统”“LLM自动化测试平台”“提示词优化工具链”。每个项目附了一个GitHub链接和一个在线demo地址。

我朋友当时就拍板：B进面试，A待定。最后B拿到的offer总包比A高出一倍不止。

不是说A不行。是 B的简历上，写满了2026年企业真正在招的东西。

很多人已经开始意识到了：光靠刷LeetCode和背八股文，已经拿不到高薪offer了。大模型相关的岗位，薪资普遍高出30%-100%，但要求的东西学校不教，培训班也还没跟上。

那怎么办？答案很简单，也很有操作性：做一个AIGC作品集。

一、现象：同样的学历，两份简历，一个15k一个32k

先看几个真实数据。

2026届校招，某大厂“LLM应用开发”岗，白菜价32k16，还不算签字费。同一家公司“后端开发”岗，白菜价21k15。接近50%的差距。

“大模型评测工程师”起薪28k，要求里写着“有LLM相关项目经验优先”。什么样的项目经验？不需要发论文，不需要自己训练模型。只需要你 用大模型API搭过一个能跑通的东西。

我翻过牛客网上的面经。一个拿到字节“AI测试开发”offer的同学，面经里写：面试官全程没问八股，只问了两个东西——你GitHub上那个RAG项目怎么设计的，你那个自动化评测脚本怎么处理模型输出不稳定的。

这就是现状。学历和基础能力变成了门槛，而 作品集变成了决定天花板的东西。

二、本质变化：面试官不再相信“我会”，只看“我做过什么”

过去的技术面试，有一个默认的信任链条：
好学校 → 好基础 → 应该会写代码 → 面试考几道题验证一下。

现在这个链条断了。原因是 大模型相关的技能，没有标准化的教育体系来背书。

你说你“熟悉提示词工程”，怎么证明？没有证书。没有课设。面试官只能问你：“你写过最长的提示词是什么？为了解决什么问题？你怎么调试的？”

你能回答上来，说明你真的做过。回答不上来，就是简历上凑数的。

核心在于：大模型应用开发的门槛极低（调个API就能跑），但做好极难（需要处理无数工程细节）。 这个特性决定了，面试官唯一能相信的，就是你自己动手搭过的项目。

一个运行在线的demo，比一百句“熟练掌握”都有用。因为在线demo意味着你解决了部署问题、API key管理、成本控制、异常处理——这些才是岗位真正需要的工程能力。

所以，作品集不再是一个“加分项”，而是 入场券。没有它，你连证明自己的机会都没有。

三、核心机制拆解：一个AIGC作品集应该长什么样

很多人听到“作品集”，第一反应是放几个Jupyter Notebook，或者把调用OpenAI API的脚本扔到GitHub。这种不加分。

一个能打动面试官的AIGC作品集，必须包含三个要素：完整性、工程性、差异性。

下面我拆开讲。

完整性：不是一个脚本，而是一个最小可用的产品

面试官想看到的是：你能够端到端地解决一个问题。

反面例子：一个叫gpt_demo.ipynb的文件，里面几行代码调用chat.completions，打印输出。

正面例子：一个“会议纪要生成器”。

• 输入：录音文件或文字笔记

• 处理：调用Whisper转写 → 调用GPT提取要点 → 格式化输出

• 输出：Markdown格式的会议纪要，包含决策、待办事项、风险点

• 附带：一个简单的Streamlit界面，或者一个README教别人怎么跑

这叫“完整”。它证明你理解了输入、处理、输出全链路，而不仅仅是会调API。

工程性：考虑了真实环境里会出问题的地方

真实的大模型应用，不稳定是常态。你的作品集如果能体现对这种不稳定的处理，面试官会高看你一眼。

具体来说，这几个点最容易体现工程性：

• 重试机制：API调用失败时自动重试，指数退避

• 输出解析：模型返回的JSON可能不完整，你做了try-catch和正则兜底

• 成本控制：限制了单次调用的最大tokens，或者做了缓存

• 评测：你写了一个简单的脚本，对比了不同提示词的效果

你不需要做得完美。只需要在README里写一句“考虑到API可能超时，我增加了3次重试”，就比90%的人强。

差异性：别再做“聊天机器人”了

现在GitHub上搜“chatbot”，能搜出几万个仓库。你做聊天机器人，面试官看都不会看。

什么叫有差异性？选一个具体的、小众的场景。

• 帮HR写JD的生成器（输入岗位名称，输出带公司特色的职位描述）

• 代码注释自动生成器（输入代码片段，输出中文注释）

• 测试用例生成器（输入需求描述，输出测试点列表）

• 论文摘要总结器（输入PDF，输出200字摘要+3个关键结论）

这些场景技术难度差不多，但看起来更像“解决问题”，而不是“交作业”。

下面这张图是一个典型的AIGC作品集架构，你可以照着搭：

把这个架构里的每一层都填上代码，就是一份满分的作品集。

四、典型案例对比：两份作品集，差在哪

我拿两个真实案例（脱敏）对比一下。

案例C：某985大四学生，想做LLM应用开发

作品集内容：

• 项目1：“GPT-3.5对话机器人”，Streamlit界面，能聊天，能记住上下文

• 项目2：“AI写诗”，调用API根据关键词生成七言绝句

• 项目3：一个Jupyter Notebook，展示了怎么用LangChain做简单的文档问答

面试反馈：技术还行，但项目太“课程作业感”，没有解决真实痛点。备选。

案例D：某双非大三学生，拿到了大模型公司实习

作品集内容：

• 项目1：“技术文档自动审查工具”。输入Markdown文档，自动检查：术语是否统一、链接是否失效、代码块是否有语言标注。输出修改建议。用了GPT-4做语义判断，但用正则做了第一轮过滤以降低成本。

• 项目2：“算法题面试模拟器”。用GPT模拟面试官，根据你的回答给出结构化评分（关键词、推理链）。自己写了一个简单的评分规则引擎。

• 项目3：一个工具函数库，封装了API重试、token计数、JSON修复等常用操作，放在GitHub上被19个人star了。

面试反馈：工程意识很强，知道怎么把大模型用到实际场景里。直接给了offer。

差在哪里？D的项目都不是“玩具”，而是“工具”。每个项目都在解决一个真实场景下的痛点，并且体现了对成本、稳定性、评测的思考。这才是面试官想看到的。

五、工程落地启示：从零搭一个能拿出手的作品集

如果你现在手里什么都没有，别慌。三个月足够做出一个高质量作品集。下面是路线图。

第一个月：选场景，搭骨架

• 不要想“做什么最酷”。想“我最近被什么重复性工作困扰”。
  比如：整理读书笔记太慢？写周报太痛苦代码review时找bug费劲？
  这些就是最好的选题。

• 用最快的方式搭出原型。Streamlit + OpenAI API，一下午就能跑通。
  目标是让“输入→输出”这条线通起来，哪怕输出不完美。

第二个月：填工程细节

• 加后处理：模型输出经常多出废话，用正则或字符串截断处理

• 加重试：用tenacity库或手写循环

• 加缓存：相同输入不重复调API，用字典或Redis

• 加简单的界面：让面试官能直接点进去试用，而不是读代码

• 写README：结构清晰，包含背景、架构图、怎么跑、效果示例。
  README是作品集的脸，很多人不重视，这是巨大的误区。

第三个月：差异化打磨 + 部署

• 选一个点做深。比如你的工具现在只支持英文，改成支持中英文混合。或者把准确率从70%提到85%。

• 部署到免费平台（Hugging Face Spaces、Streamlit Cloud）。
  一个能直接用的链接，比截图有说服力一百倍。

• 把代码push到GitHub，在知乎/掘金写一篇500字的“我做了个什么工具”，附上链接。
  面试官搜你名字的时候，这些东西会自动帮你背书。

六、最后一个问题

很多人看到这里会说：“我学校课业很重，没时间做这些。”

我理解。但现实是，大模型岗位的薪资翻倍期不会永远持续。当越来越多人开始做作品集，它的边际价值就会下降。现在正是窗口期——企业求贤若渴，但合格的候选人极少。一个像样的作品集，能让你从几百份简历里跳出来。

最后一个问题留给你思考：

如果你明天就要投简历，你拿得出手的、能直接点开让面试官体验的、完全由你自己完成的AIGC作品，是什么？如果答案是“没有”，你打算从哪个具体的小工具开始做？

---