提示词工程师简历怎么写：写方法，不是写 prompt

先给结论：提示词工程师的简历赢在方法，而不是 prompt 本身。要写的是你搭的评测集、对照的基线、控住的成本和延迟，以及模型换版之后这套东西还活不活。把自己最得意的 prompt 原文贴进简历，是这个岗位上最常见的一个错——它展示的是你打了什么字，不是你懂什么。

岗位名本身就不稳定。同一摊活，招聘 JD 上可能写成提示词工程师、AI 工程师、大模型应用工程师、算法工程师（生成式方向），甚至就叫「AI 产品技术」。这对简历是个实际问题：对面可能根本没有这个岗位的心理模板，你没明说的东西，会被默认成没有。

面试官在这份简历里真正找什么

把国内外这类 JD 的要求归一归，大致是四块，其中只有一块和「prompt 怎么写」有关：

1. 评测闭环。 有没有标注集、通过率，以及一套能区分「真的变好了」和「这次抽样运气好」的办法。「提升了输出质量」而没有基线，读起来就是肉眼看的。
2. 上线约束。 单次请求的 Token 成本、p95 延迟、上下文长度。真正卡住上线的往往是这三项，不是效果。
3. 鲁棒性。 模型换版之后 prompt 还能不能用，遇到脏输入、恶意输入、和测试集长得不一样的真实流量会怎样。
4. 模型之外的工程。 检索、结构化输出、Schema 校验、兜底链路、护栏、人工复核分流。这个岗位大部分时间花在脚手架上，不是花在那串字符串上。

经历条目怎么写

结构和任何一条靠谱的工程经历一样——做了什么、多大规模、可量化的结果是什么——数字从下面这几个维度里挑。一定用真实数字；一时想不起来，先去评测日志或看板里翻出来再动笔，别顺手编一个看着合理的百分比。

• 评测集规模与构成： 多少条标注、怎么抽样、谁标的。
• 基线与增量： 通过率或准确率从多少到多少，以及你凭什么相信这个差异不是噪声。
• 成本与延迟： 单次请求的 Token 或费用、p95 响应时间，为此牺牲了什么。
• 人力开销： 省掉的人工复核或升级工单量——非技术方最在意的就是这个数。
• 耐久性： 回归测试、经历过的模型换版、出过的事故以及事后改了什么。

改完确实变长了，但多出来的每个词都是面试时对方能追问的事实——这正是目的：一条经历要给面试官留下可以往下挖的地方。这套「先给结果」的写法适用于每个模块，通用模板见简历工作成果怎么写。

技能栏：写工具名，但不能只写工具名

国内大厂和外企的简历筛选都按词匹配，所以具体名词必须出现：你真正上线过的模型家族、用过的编排与评测工具、检索和向量库、写胶水代码的语言。但一份只有工具名的技能栏，和其他所有投递者交上来的一模一样。

分组写，让这份清单自己说话：评测（标注集、回归测试、用大模型当裁判并说清它的局限）、可靠性（结构化输出、Schema 校验、护栏、兜底链路）、检索（切片、向量化、重排）、成本（Token 预算、缓存、模型路由）。分了组读起来像一套方法，平铺读起来就是个词云。

还没有这个岗位的 title 怎么办

投这类岗位的人大多是从别处转过来的——后端、数据、算法、产品、客服运营、语言学、内容。对一个这么新的岗位来说这很正常，不用藏。真正吃亏的是：简历上挂着旧 title，然后把「这和 AI 有什么关系」这道题留给读的人做。

1. 把大模型相关的工作放到那段经历的最前面，哪怕它只占你 20% 的工作量。顺序本身就是信号。
2. 用项目经历承接工作之外做的事：一套评测脚手架、一个上线过的 Agent、一次跑通的基准测试。写你测了什么，别写「做起来很有意思」。
3. 如实写旧 title。title 是「软件工程师」而实际在做大模型应用，就保留真实 title，让经历条目去完成重述——做法见转行简历怎么写。
4. 别做 prompt 集锦。一个带评测脚本和结果的仓库链接，比一页写得巧的 prompt 有用得多。

想看这些条目拼成一份完整简历是什么样，按岗位拆解的简历范例里有几个和这个 title 高度重叠的 AI 相关岗位。

格式：越无聊越安全

岗位再新，机器读简历的规矩没变：单栏、用真文字而不是图片里的文字、用标准小标题、日期格式统一、文件名带上你的名字。做 AI 的公司照样用市面上那几套通用简历筛选系统，双栏 + 技能放侧边栏，依然是解析丢掉半份简历最常见的原因。

篇幅看年限不看岗位：十年以内一页，再往上两页，两种都别拿废话凑——理由见简历写一页还是两页。

常见问题

简历里要不要附上 prompt 示例？

不要。prompt 原文很占地方，而且只展示了你思考的结果，没展示思考本身。写清楚问题、评测方法和可量化的结果即可。真想让人看到 prompt，就放进一个仓库链接，旁边配上证明它有效的评测脚本。

除了「提示词工程师」，还该搜哪些岗位名？

AI 工程师、大模型应用工程师、生成式 AI 工程师、AIGC 工程师、算法工程师（大模型方向）都可以一起搜。同一摊活在不同公司挂着不同名字，而且不少公司已经把独立的提示词工程师岗并进了更宽的 AI 工程岗。

没有算法背景能做这个岗位吗？

通常不要求训练模型的经验，但要求你对「测量」这件事不陌生：怎么抽样、基线是什么、什么时候该判定差异只是噪声。多数团队宁可招一个能把评测做诚实的人，也不缺一个能讲清 Transformer 内部结构的人。

数据受保密协议限制，成果怎么写？

保留形状、去掉可识别的细节：写相对变化（「人工升级量下降约三分之一」）而不是绝对量，行业写得泛一些（「某强监管行业的客服流程」）。含糊是问题，近似不是。