收到录用通知的时候，我盯着“月薪18K”看了好几遍。

北京，AI大模型应用开发岗。

几个月前，我投出去的简历还经常没有下文。那时候的我怎么也想不到，自己最后能靠几个真正做完整的大模型项目，拿到一家科技型大厂的Offer。

我是双一流高校电子信息专业的硕士应届生。

听起来学历不算差，也会使用Python和PyTorch，研究生期间还跟着导师做过科研任务。但真正进入校招以后，我才发现：

学历能让我获得一些关注，却不能替我回答“你到底做过什么”。

读研期间，我的大部分时间都花在科研任务上。

做实验、整理数据、阅读论文，这些经历让我积累了一定的理论基础。但当我开始看AI岗位的招聘要求时，还是明显感觉到，自己与企业真正需要的人之间存在一段距离。

不少大模型应用开发岗位都会要求求职者熟悉RAG、Agent、大模型应用开发，并且具备完整的项目落地经验。

这些技术名词我并不是完全没听过，但真正被问到时，我很难讲出一个足够完整的项目。

比如：

为什么采用这种检索方案？

多智能体之间是怎样协作的？

任务执行中断以后，系统如何恢复？

RAG系统的效果应该如何评估？

这些问题不是看几篇文章、跑几个Demo就能回答的。

我投过不少简历，但收到的回应并不多。偶尔获得面试机会，聊到工程实现和项目细节时，我也很难证明自己具备企业需要的实际开发能力。

那段时间我才意识到，我的问题并不是学历不够，也不是完全没有技术基础，而是自己的经历还停留在校园和实验室里，没有形成企业能够理解和认可的项目能力。

2025年春季，为了补上大模型项目实战这块短板，我参加了近屿智能的大模型应用开发特训营。

和以前自己在网上看零散教程不同，这次我把重点放在了真正能运行、能讲清楚、能继续优化的项目上。

课程覆盖了Prompt工程、LangChain、LlamaIndex、RAG检索增强、Agent智能体开发和模型微调等内容。每学完一个模块，都需要继续完成对应的代码练习和实战任务，而不是听完课程就算结束。

整个学习过程中，对我帮助最大的，是完成了三个相对完整的企业级项目。

第一个项目是基于AutoGen的多智能体文献分析系统。

我在项目中设计了“分析—审计—修正”的协作流程，并引入Chain-of-Verification策略，用来减少模型在生成内容时可能出现的错误和幻觉。

以前我理解的Agent，更多是让几个智能体一起对话。

真正开始做项目以后，我才发现，多智能体系统最难的地方，不是让它们能够交流，而是明确每个智能体负责什么、结果如何传递，以及输出出现问题后如何进行校验和修正。

这个项目让我第一次真正理解，Agent并不只是一个看起来很新潮的概念，它背后涉及完整的流程设计、角色分工和异常处理逻辑。

第二个项目是基于LangGraph的数据分析智能体。

这个项目让我真正理解了状态机的作用。

面对执行链路比较长的任务，如果中间某个环节失败，系统不能每次都从头开始运行。我通过状态管理和反思机制，处理了长链路任务中断后的恢复问题。

这个细节后来在面试中也被反复追问。

因为相比于“调用了什么模型”，企业更关心的是：系统运行失败以后怎么办，任务能不能继续，整个流程是否稳定。

在近屿智能学习期间，我逐渐发现，企业级项目和普通Demo最大的区别，就在于不仅要考虑功能能不能实现，还要考虑异常、性能、稳定性和后续维护。

第三个项目是图文混排场景下的智能问答系统。

在这个项目里，我接触了多模态理解、混合检索和重排序等技术。

它并不是简单地把文档扔进知识库，然后连接一个大模型就结束了。实际开发时，还需要考虑不同类型的信息如何解析、检索结果如何排序，以及最终答案是否真正引用到了有效内容。

几个项目做完以后，我才开始觉得，自己不再只是“学过RAG和Agent”，而是真的知道一个大模型应用应该怎样被拆解、开发和优化。

项目学习并没有想象中顺利。

有时候一个功能看起来逻辑很清楚，真正运行时却会出现各种问题。

模型调用失败、检索结果不稳定、任务状态没有正确保存，或者不同模块组合以后产生新的错误。

刚开始遇到Bug，我很容易陷进细节里。

查资料、改代码、重新运行，折腾几个小时以后，可能最后才发现，只是一个参数或者配置没有处理好。

在近屿智能助教团队的答疑和项目指导下，我逐渐调整了自己处理问题的方式。

不再看到报错就到处修改，而是先判断问题属于数据、模型、检索还是流程编排，再结合日志逐层排查。

近五个月的学习结束后，我最大的变化，并不是多会用了几个框架，而是逐渐建立起了工程化思维。

以前做项目，我只关心“能不能跑起来”；后来我会继续考虑效果怎么样、异常怎么处理、系统是否稳定，以及为什么要选择当前的技术方案。

开始求职后，近屿智能的就业指导老师帮助我重新梳理了简历。

我原来的简历偏重学校、科研和课程经历，看起来内容不少，但与大模型应用开发岗位的匹配度并不高。

就业老师帮我把简历重构为以“项目成果和技术栈”为主线，把几个项目中真正有价值的内容提炼出来。

比如，不再只是简单写一句“完成RAG问答系统”，而是讲清楚：

使用了什么检索方案；

解决了什么具体问题；

怎样评估系统效果；

自己负责了哪些核心模块；

项目中遇到了哪些难点。

简历中也补充了RAGAS评测、性能优化、多智能体协同等能够继续被面试官追问的内容。

但简历写得越具体，就越意味着面试时不能只背一段项目介绍。

所以，近屿智能的就业老师又为我安排了多轮模拟面试，重点围绕LangGraph状态机、向量检索原理、多智能体协作和项目实现细节进行训练。

刚开始，我经常是知道答案，却不知道怎样讲清楚。

经过反复练习，我逐渐学会先说明项目背景，再讲方案选择、实现过程和最终效果。

相比于堆砌技术名词，这种表达方式更容易让面试官判断，我是否真正做过这个项目。

正式投递以后，我陆续收到了一些面试邀请。

在面试北京一家科技型大厂时，面试官对我的AutoGen多智能体文献分析项目表现出了浓厚兴趣。

他没有停留在“项目使用了什么框架”，而是继续追问CoVe验证策略如何实现、不同智能体怎样分工，以及这种设计最终产生了什么效果。

这些问题如果放在几个月前，我可能只能讲一些从网上看到的概念。

但因为项目中的代码和流程都是自己真正做过的，我能够顺着面试官的问题，把系统设计、实现逻辑和实际效果一步步讲清楚。

那场面试结束后，我第一次明显感觉到：

我不再只是在用学历和学校经历争取机会，而是在用真实的项目能力证明自己可以胜任这份工作。

最终，我通过了全部面试环节，拿到了北京AI大模型应用开发岗位的Offer，月薪18K。

从简历投出去回应寥寥，到真正拿到大厂入场券，这个过程并没有什么一步登天的情节。

我的学历没有突然改变，专业背景也没有改变。

真正发生变化的是，我在近屿智能完成了系统的大模型学习和项目训练，把“了解大模型”逐渐变成了“能够完成大模型项目”，也学会了把自己的技术思路和项目判断清楚地表达出来。

现在回头看，双一流硕士的身份确实给了我一定基础，但它不能直接换来Offer。

企业最终关注的，还是你有没有解决过具体问题，能不能解释自己的技术选择，以及进入岗位后能不能真正参与项目。

18K对我来说，不只是一个薪资数字。

它更像是对过去几个月学习和项目投入的一次回应。

拿到Offer也不代表已经学完了。大模型技术变化很快，进入岗位以后，依然需要继续积累工程经验和业务理解。

但至少这一次，我不再只是站在AI岗位的招聘要求外面，看着一串陌生的技术名词。

通过在近屿智能的系统学习和项目实战，我已经真正走进了这个方向。