AI工程師履歷怎麼寫？Role Attribution、Evidence Pack、Metrics與誠信邊界

AI工程師履歷最重要的不是堆疊模型與工具名稱，而是說清楚自己負責哪一層、在什麼限制下做了哪些決策，以及成果如何被驗證。使用API、建立RAG、做Eval、Fine-tuning、Serving和MLOps是不同工作，不能用「主導AI系統」含糊概括。

有力且誠實的履歷應同時包含Role Attribution和Evidence Pack：Led、Designed、Implemented、Integrated、Evaluated、Operated或Maintained代表不同責任；Repository、Demo、Architecture、Eval Report、PR與Postmortem則讓面試官能核對敘事。

重點快讀

• 先標示你做的是API、Workflow、RAG、Eval、Fine-tuning、Serving、MLOps或Agent Tooling。
• Led、Designed、Implemented、Integrated和Contributed不能互換。
• 每個成果要附Baseline、分母、期間和資料來源。
• Demo、PoC、Pilot和Production必須清楚區分。
• 作品證據可以是Repository、PR、Architecture、Eval、Decision Record和Incident。
• 私有專案可用Redacted Case Study與Synthetic Demo證明。
• 不要把團隊成果全部寫成個人主導。
• 招聘方應追問Failure、Trade-off、Review和Operation，不只看關鍵字。

先辨認技術層級

工具使用本身有價值。把工作層級寫清楚，反而能讓招聘方理解你的實際深度和可延伸能力。

Role Attribution

• 團隊規模和自己的Scope。
• 誰做最終Decision。
• 是否負責Production和On-call。
• 是否只做原型或一次性Demo。
• 哪些工作由供應商或其他團隊完成。

成果句型

在什麼背景與限制下，
負責哪一段，
使用什麼方法，
相較哪個Baseline，
在什麼期間，
產生什麼可核對結果。

例：在客服Email分類流程中，負責建立繁中Golden Set、RAG Citation與Shadow Eval；相較人工Baseline，在四週Pilot中把平均分流時間降低35%，Critical Misroute維持為零，最終由客服主管批准上線。

Metric要包含分母

• Sample Size。
• Time Range。
• Baseline和對照。
• 分母與Metric定義。
• 是否為Offline、Pilot或Production。
• Human Edit和例外。

Demo、PoC、Pilot與Production

把Demo寫成「企業部署」會在面試細節中快速被看穿。清楚標示階段，能讓成果更可信。

Evidence Pack

• Repository或Code Sample。
• 可操作Demo或錄影。
• Architecture Diagram。
• Task Contract和Requirement。
• Evaluation Report和Harness。
• Pull Request與Code Review。
• Decision Record和Trade-off。
• Release、Monitor和Dashboard。
• Incident、Rollback和Postmortem。
• 推薦人或可核對Reference。

evidence_pack:
  project: contract-review-agent
  role: evaluated_and_integrated
  artifacts:
    - architecture-redacted.pdf
    - eval-report.pdf
    - synthetic-demo.mp4
    - sample-pr.patch
  metrics:
    baseline: manual-review
    period: 6 weeks
  confidentiality: client data removed

Portfolio Case Study

1. Context與User。
2. Problem和Baseline。
3. 自己的Scope。
4. Data、Model和Tool選擇。
5. Constraint和Risk。
6. Evaluation與Failure。
7. Production或Pilot結果。
8. 學到什麼與下一步。

履歷負責快速索引，Case Study負責展示方法和證據。不要把完整專案細節塞進一頁履歷。

私有專案怎麼證明？

• 移除客戶名稱和敏感資料。
• 用Synthetic Data重建相同問題。
• 只展示Architecture和責任邊界。
• 公開不含Business Secret的Eval Method。
• 準備可由前主管核對的Scope。
• 遵守NDA，不用「面試需要」作為洩密理由。

AI關鍵字最常誇大在哪裡？

招聘方Verification Questions

• 你負責哪個Component和Decision？
• 最重要的Failure是什麼？
• Dataset如何建立和分割？
• 為何選這個Model而不是另一個？
• 如何測Hallucination、Citation和Critical Error？
• Production如何Monitor和Rollback？
• 成本和Latency如何變化？
• 若重做一次會改什麼？

真正做過的人通常能說出失敗、限制和權衡；只背名詞的人較難回答細節。

誠信邊界

• 未參與的成果不寫成自己的。
• 團隊成果標示個人Scope。
• 估算數字不寫成實測。
• 學習專案不寫成商業Production。
• 職稱、任期和合作關係保持真實。
• 不偽造Repository、Reference和Offer。

履歷包裝是改善資訊結構；造假則改變事實。

AI Coding成本和產出可閱讀AI Coding工具成本怎麼算？；AI時代個人價值可閱讀AI時代人的價值在哪裡？。

常見問題

使用模型API可以寫AI工程師嗎？

可以依實際工作描述，例如AI應用、Workflow或Integration Engineer，但應說清楚沒有做Pretraining或模型研究。

沒有公開GitHub怎麼證明能力？

可用Redacted Architecture、Synthetic Demo、Eval Report、Code Sample和可核對Reference。

成果數字一定要很大嗎？

不必。小型但有清楚Baseline、Sample、限制和驗證的成果，比巨大但無法核對的數字更可信。

AI工程履歷的力量，來自每項敘事都能被追問和驗證。角色歸屬說清楚，證據能回到Artifact，限制和失敗也願意呈現，招聘方才看得到真正的工作能力。