简历与作品集

简历与作品集：AI 产品经理怎么准备

简历是「能不能过筛」，作品集是「能不能被记住」。AI 产品经理岗位竞争激烈，很多候选人背景相似——都会写 PRD、都「用过 AI 工具」——拉开差距的，往往是两件事：简历里有没有可量化的项目结果，以及作品集里有没有能证明你思考深度的材料。

本文从简历和作品集两部分展开：先讲简历怎么写（模块结构、量化方法、AI 项目怎么讲、ATS 匹配、一页原则、常见雷区），再讲作品集怎么做（形态、评测报告、承载方式、面试官视角），最后给出虚构但真实感的示例片段与准备节奏。

时效性

本文信息截至 2026-08。求职材料写法与招聘筛选规则变化较快，请结合目标公司的最新 JD 与招聘流程判断。

简历：让项目经历「可量化、可追问」

简历的目标不是「把经历都写上」，而是在有限的篇幅里，让面试官产生三个判断：你做过相关的事、你带来了可验证的结果、你讲得出细节。围绕这三点，简历的每个模块都服务同一个目的。

模块结构

一份 AI PM 简历通常由四块构成，按「与目标岗位的相关性」排序：

工作经历：公司、岗位、时间段，每段写「背景 → 我的动作 → 结果（量化）」，而不是职责流水账。社招的筛选和面试几乎都围绕它展开，社招面经里有更细的写法。
项目经历：AI PM 简历的核心。把 1-3 个最有代表性的项目单独展开，每个项目写清场景、方案、评测、上线效果。作品集与项目经历一一对应，面试官会沿着简历深挖。
技能：分「产品技能（需求分析、数据分析、PRD）」「AI 相关技能（RAG、Agent、评测、Prompt 工程）」「工具（Figma、SQL、评测平台）」三组。分组写比一条条堆关键词更易读，也让面试官一眼看到你的能力结构。
教育：学校、专业、时间段。应届生放最前；社招放最后，一行带过即可。

没有正式 AI PM 经历怎么办

转岗或应届的候选人，可用「类 AI 项目」补位：实习中做的 AI 功能、个人做的 demo、课程项目、甚至用 AI 工具提效的案例。重点是讲出「需求 → 方案 → 评测 → 结果」的完整链路，而不是「做过没有」。参见入行感悟里「技能切入」的路径。

工作经历：每段写「五要素」

每段工作经历建议覆盖五个要素，缺一个都不完整：

背景：这家公司/这条业务线当时在解决什么问题（一句话）
职责：你的岗位定位，负责什么范围（不是岗位 JD 复述）
动作：你做的关键决策与取舍，「为什么这么做」比「做了什么」重要
结果：量化结果 + 客观归因，哪些来自你的决策、哪些是外部因素
成长：这一段经历让你沉淀了什么可复用的方法（可写可不写，写了加分）

五要素不是五条都要写满，而是提醒你：只写「负责 XX」的工作经历没有信息量。

项目经历：每个项目写「四行结构」

单个项目控制在 3-5 行，按「场景 → 方案 → 评测 → 结果」展开：

第一行：项目一句话定位（给谁、解决什么问题、AI 还是非 AI）
第二行：你的角色 + 关键方案与选型理由
第三行：你怎么验证效果（评测集、指标、迭代方式）
第四行：结果（量化）+ 一句话沉淀

这样写出来的项目经历，本身就是面试讲项目的提词器，和AI 产品经理面试指南里的 STAR 框架一一对应。

技能：分组 + 按 JD 排序

技能模块的写法有两个原则：

分组展示：分成「产品 / AI / 工具」三组，让面试官快速建立能力画像；混在一起堆关键词等于没写
按 JD 排序：把目标 JD 里最看重的技能提到最前。投 Agent 岗就把 Agent、工作流放前面，投 RAG 岗就把 RAG、检索评估放前面

技能列表里的每项都要「经得起三连问」：这是什么、你用它做了什么、效果如何。写进技能但不进项目经历的技能，面试官会单独追问。

怎么用数字与结果量化项目

量化的本质是把「我做了事」翻译成「我的决策带来了什么变化」。AI PM 最常见的量化维度有四类：

维度	例子
模型指标	评测集准确率从 71% 提到 83%；badcase 率下降 40%
评测分数	人工抽检通过率 95%；答案引用准确率 89%
成本	token 成本下降 62%；单次问答成本从 0.08 元降到 0.03 元
业务结果	客服人工介入率从 45% 降到 18%；首响延迟从 4s 降到 1.2s

量化写作的句式是「动词 + 动作 + 数字 + 结果」：

❌ 负责 AI 客服机器人的优化，提升了用户体验
✅ 负责 AI 客服机器人效果优化，通过 RAG 召回调优 + badcase 回流迭代，评测集准确率从 71% 提升到 83%，客服人工介入率下降 27%

数字的选择要「可验证、有对比」：尽量给「从 X 到 Y」的区间或百分比，而不是孤立的「提升了 80%」；无法用数字衡量的部分，用「0 → 1 上线」「覆盖 XX 条数据」这类可感知的量替代。切忌编造数据——简历上的每个数字都要能讲出出处，面试官追问「数据从哪来」是高频动作。

「AI 项目」怎么讲

AI 项目的讲述结构和普通项目不同，面试官更想听的是你在不确定性中怎么做判断。一个 AI 项目至少要覆盖三个层次：

模型选型：为什么选这个方案（RAG、微调、Agent、还是干脆不引入模型）？效果、成本、延迟、合规之间怎么权衡？这体现的是技术判断力，AI 产品开发生命周期（CC/CD）里「先验证再设计」的思路可以帮你组织。
评测：你建了什么评测集、定了什么指标、怎么把 badcase 回流到迭代？「我用 200 条种子评测集每周回归」比「我持续优化效果」可信得多。评估与评测是 AI PM 讲好项目的基础。
上线效果：上线后数据怎么变化、出了错怎么兜底、有没有人工接管？主动讲兜底设计，是 AI PM 与普通 PM 的分水岭。

项目的一句话结构

场景（解决什么问题）→ 方案（怎么做、为什么这么选）→ 评测（怎么验证）→ 结果（量化 + 归因）。

这条结构同时就是面试讲项目的骨架，AI 产品经理面试指南里「讲一次你用数据推动决策的经历」可以直接复用。写简历时把每个项目按这个结构压缩成四行，面试准备时再把它展开成 3 分钟的故事，一份材料两头用。

三种候选人的差异化写法

校招 / 应届：没有正式项目时，用实习、课程设计、个人 demo 补位，突出「学习能力 + 完整走完一个链路」；技能与教育模块占比可以更高
转岗：把上一段经历里「与 AI 相关」的部分提炼出来——用 AI 工具提效、推动过 AI 功能、自学过评测——并用「类 AI 项目」证明可迁移能力
社招：结果与增量优先，弱相关的早期经历压缩；每段经历都经得起深挖，因为社招面试就是沿着简历逐个追问

关键词与 ATS 匹配

很多公司用 ATS（招聘管理系统，Applicant Tracking System）做第一轮筛选，机器会按关键词匹配度筛简历。应对思路是「从 JD 反向提取关键词，自然地写进简历」：

JD 出现「RAG」「Agent」「评测」「提示词工程」等能力词，你的简历里要有对应关键词，且最好出现在项目经历的动词和成果里，而不是技能清单的孤零零列表
岗位方向词（对话产品、企业级 AI、Agent 产品）要在简历里有所体现，与 JD 对齐
技术工具（SQL、Figma、评测平台）按 JD 要求排序，最匹配的放最前

要注意，ATS 匹配的前提是可解析的文本：导出 PDF 时避免把整块文字变成图片、避免表格嵌套过深、避免用特殊字体导致文字无法被提取。具体岗位的硬门槛与关键词解读见 AI 产品经理岗位解读。

关键词匹配 ≠ 堆砌关键词

ATS 匹配是「相关性的信号」，不是「词频竞赛」。在项目经历里自然带出关键词，比在技能栏堆 30 个术语更有效；堆砌被真人面试官看到反而减分。

一页原则

「一页原则」的本意是信息密度，不是机械地限制页数：

应届与 3 年内经验：尽量一页。把与目标岗位最相关的内容放最前，弱相关经历压缩成一行
资深候选人：可以两页，但每页都要有「非你不可」的内容，第二页通常放项目深度细节或获奖/专利
压缩技巧：删掉「精通 Office」「性格开朗」这类无效内容；每个项目控制在 3-5 行，写不出结果的经历直接砍

判断标准只有一个：删掉任何一行，剩下的内容是否依然成立？ 如果删掉无关紧要，就说明那一行没有信息量。排版上保持「模块边界清晰、时间线连续、无错别字」——AI PM 的简历本身就是一份「文档能力」的样本。

常见雷区

项目罗列无结果：只写「负责 XX 功能」不写「带来 XX 变化」。这是最普遍的问题，面试官看简历时只找结果
术语堆砌：RAG、Agent、微调、对齐、幻觉满天飞，但问细节答不出。用术语的前提是能讲清权衡，参考产品经理黑话速查确认每个词的准确含义
把团队成果全揽到自己身上：面试官最反感这个，追问两句就露馅。写「推动」「牵头」「与 XX 协作」比模糊的「负责」更可信
每一条都经不起追问：简历是面试提纲，写上去的任何数字和结论都要能展开讲 3 分钟。这是社招面经反复强调的硬要求
时间线断裂：空窗期、离职与入职时间衔接不上，会让面试官怀疑简历的真实性；社招尤其要注意口径统一
格式问题：错别字、中英混排不规范、页边距混乱。AI PM 的简历出现这些低级错误，会直接影响「文档能力」的判断

简历自查清单

投递前把简历逐项过一遍：

第一屏能否在 10 秒内看到「目标岗位相关 + 量化结果」，而不是个人信息占了大半页
每个项目经历是否都覆盖「场景 → 方案 → 评测 → 结果」四要素，且结果有数字或可感知的量
有没有一个「术语」是你不确定能讲清 3 分钟的（有就去掉或补课）
关键词是否与目标 JD 对齐，且自然出现在项目经历里，而不是只在技能栏堆叠
时间线是否连续、无空窗或口径矛盾
导出 PDF 后文字可复制（没有把内容做成图片）
是否已对 3 个目标岗位各定制一版（而不是一份投到底）
版式、错别字、中英混排是否经过二次校对

作品集：让能力「可见、可带走」

作品集 vs 简历的分工

简历是一页摘要，回答「你做过什么、结果如何」；作品集是深度证据，回答「你是怎么做的、思考过程是什么、细节是否经得起追问」。两者配合使用：

简历负责过筛：关键词匹配、量化结果、一页原则，目标是让 HR 和面试官愿意约你
作品集负责建立信任：面试官在面试前或面试中会翻看，用来设计追问、验证简历上的说法
分工原则：简历里的每个「亮点项目」，作品集里都要有对应的完整材料；作品集里没有支撑的简历亮点，等于给自己埋雷

职业发展感悟把作品集定义为「可带走、不依赖特定平台的能力资产」——它是给未来的雇主看的，也是给自己复盘成长用的。

AI PM 作品集的形态

AI PM 的作品集不限于设计稿，五种形态按「AI PM 特色」排序：

产品拆解：按拆解框架把一个产品还原成决策过程。这是成本最低、上手最快的形态，框架与案例见产品拆解。适合展示「产品 sense」
评测报告：最有 AI PM 特色的形态。把一个模型/方案/产品做一次系统评测，记录评测集构建、指标对比、badcase 分析。这是「数据说话」能力最直接的证明
Prompt 案例集：结构化 prompt + 迭代记录 + 效果对比。注意别只贴 prompt 文本，要展示为什么这么设计、改了什么、效果怎么变化
Agent 工作流 demo：可演示的自动化流程，含任务边界、确认节点、失败兜底。适合展示「把 AI 落地到真实任务」的能力
数据复盘：一个项目上线后的复盘文档，含数据变化、归因分析、下一步计划。适合有真实项目经验的候选人

不需要五种都做

作品集重质不重量。2-3 个深度作品，胜过 10 个浅尝辄止的合集。选 1-2 种你最擅长、最贴合目标岗位的形态深耕，比面面俱到更能建立记忆点。

每种形态怎么做

产品拆解：选一个你真用过、说得清细节的 AI 产品，按定位 → 任务场景 → 技术方案 → 交互体验 → 商业 → 成败归因的框架写 800-1500 字；每部分给「一句话判断 + 一个证据」。直接复用产品拆解的框架
评测报告：见下一节「把评测报告做成作品」的完整流程
Prompt 案例集：选一个真实任务（如「把会议纪要整理成结构化待办」），记录 v1 → v2 → v3 的 prompt 演进、每次改了什么、效果怎么变（用 5-10 条测试输入对比输出）。核心是展示「把 prompt 当代码管理」的工程意识
Agent 工作流 demo：录一段 3-5 分钟的操作演示 + 一页说明（任务边界、工具、确认节点、兜底策略）。重点是讲清「哪里需要人工确认、失败了怎么办」，而不是展示「多智能体有多炫」
数据复盘：选一个做过/拆解过的项目，写上线后的数据变化、归因分析、踩坑记录、下一步计划；没有真实项目就写对公开产品/论文数据的二次分析

怎么组织作品集

首页 / 简介页：你是谁、目标岗位、3-5 个关键词、作品索引（一句话介绍每个作品）
每个作品一页：背景 → 我的角色 → 方案 → 证据（数据/截图/链接）→ 复盘；控制在 10 分钟内能读完
按目标岗位排序：投 Agent 岗把 Agent demo 放最前，投评测岗把评测报告放最前
标注日期与版本：每个作品标注完成时间与所涉模型/工具版本，让「可验证性」可见

怎么把「评测报告」做成作品

评测报告是 AI PM 作品集里最「差异化」的一类，也是面试官最愿意花时间看的。一份合格的评测报告至少包含三层：

评测集构建：数据从哪来、怎么抽样、怎么标注、覆盖哪些场景。给出「从真实客服日志抽取 200 条问题、覆盖 6 大意图分类、双人标注 + 仲裁」这类细节，比「我建了一个评测集」有说服力得多
指标对比：定 3-5 个指标（答案正确率、引用准确率、badcase 率、首响延迟、单次成本），把不同方案/模型/版本放一起横评。用表格呈现，每个指标给出读得懂的结论
badcase 分析：挑 3-5 个典型 badcase，逐个分析根因（检索召回不精准、上下文截断、幻觉），并给出改进方向。这一步是评测报告的「灵魂」，体现的不只是执行，更是归因能力

评测报告的五步制作流程

定目标：这份评测想回答什么问题？（对比两个模型？验证 RAG 改造效果？）先写下一句话结论，再倒推数据
建评测集：从真实场景收集问题，覆盖典型与长尾；双人标注标准答案，不一致仲裁；记录标注一致性
跑指标：定好 3-5 个指标，逐一跑分；记录模型版本、参数、日期，保证可复现
badcase 归因：把失败样本归类、找根因，而不是笼统说「效果不好」
写结论：每个指标一句话结论 + 一个证据；最后给出「建议采用哪个方案 + 为什么」

评测方法论可以参考评估与评测，它同时也是面试概念题的常考内容。写评测报告时记得标注日期与模型版本——AI 能力变化快，没有日期的评测报告是不可验证的。

承载方式

GitHub：适合技术向内容——评测脚本、数据样例、可复现的 demo。注意 README 要写得像产品说明，别只有代码
博客：适合长文复盘与产品拆解。写作本身也是沉淀，参见案例与资源的投稿方式
Notion / 飞书文档：适合结构化整理，面试时可以直接共享屏幕。重点是把目录组织得清晰，让面试官 10 分钟内能找到重点
PDF 作品集：适合面试现场携带或邮件附件，内容要自洽、能独立阅读

承载形态不重要，重要的是三件事：能打开、能讲、有日期。打不开的链接等于没有；讲不出细节的内容反而减分；没有日期的数据无法验证。

给谁看：面试官评审视角

面试官看作品集时，脑子里在跑三个问题：

这是你做的吗：会追问细节——评测集怎么建的、badcase 为什么这么归类、数据从哪来的。作品集里任何内容都要能展开讲
你有判断力吗：比起「做了什么」，更在意「为什么这么做、为什么不做另一个方案」。作品集里主动写「权衡与取舍」的段落最加分
你能落地吗：是不是只停留在「想法」层面？有没有上线、有没有数据、有没有兜底设计？「0 → 1 上线 + 数据复盘」比「概念设计」更有说服力

对应的，做作品集时要刻意做到：每个作品给一句话结论（放在开头）、每个结论给一个证据（数据/截图/链接）、每个证据给一个细节（怎么来的）。这正好与产品拆解的框架同构。

作品集自查清单

每个作品开头是否有一句话结论，让面试官 30 秒内知道「你在讲什么」
每个结论是否有证据（数据、截图、链接、可运行的 demo），而不是只有观点
是否标注了日期与模型/工具版本，让内容「可验证」
是否主动写了「权衡与取舍」，而不是只报喜不报忧
是否有 1-2 个 badcase / 失败案例的分析，体现归因能力
链接是否都能打开、demo 是否能跑、截图是否清晰
是否按目标岗位排序，把最相关作品放最前
自己能否对着作品集讲满 10 分钟而不跑题

示例片段

以下示例为虚构，仅展示写法，供对照参考。

简历项目经历片段

项目经历 · 某在线教育公司 · AI 产品经理　2024.03 - 2025.08
AI 课程智能问答助手（从 0 到 1，RAG 方案）
负责需求定义与模型选型：对比 GPT-4o 与两款国产开源模型在评测集上的准确率、成本与延迟，选定「开源模型 + RAG」组合方案，单次成本降为闭源方案的 ¼
搭建 200 条种子评测集，建立「答案正确率 + 引用准确率 + badcase 率」三指标评估体系，每周回归迭代
上线后客服人工介入率从 45% 降至 18%，首响延迟从 4s 降到 1.2s，token 成本下降 62%
沉淀评测方法论并在部门推广，成为后续 3 个 AI 项目的评测基线

这段片段同时覆盖了：模型选型（为什么这么选）、评测（怎么建、怎么迭代）、上线效果（三个量化结果）、方法论沉淀（影响力）。面试官可以沿着任意一条追问，都有内容可讲。

应届 / 转岗简历片段

项目经历 · 个人项目 · 2025.10 - 2026.01
「二手书估价」AI 助手（独立完成，从 0 到 1）
用公开数据整理 800 条二手书交易记录作为评测集，双人标注「估价合理 / 偏高 / 偏低」三档标签，标注一致性 88%
对比「纯 Prompt + 规则提取」与「RAG + 图书数据库检索」两套方案：RAG 方案估价准确率 79% vs 纯 Prompt 方案 61%，badcase 率下降一半
用 Gradio 搭建可交互 demo，录制 3 分钟演示视频，整理成 1500 字复盘发布在个人博客
收获：完整走通「需求 → 方案 → 评测 → 上线」链路，学会用评测数据而不是感觉做判断

这个片段展示了应届/转岗候选人如何用个人项目证明 AI PM 能力：没有公司资源，但评测集、方案对比、demo、复盘全链路完整，且每个结论都有数据支撑。

作品集片段（评测报告）

《RAG 知识库问答评测：3 类检索方案对比》（2026-06，评测对象为课程知识库问答助手）
评测集：从真实客服日志抽取 200 条问题，覆盖 6 大意图分类；双人标注标准答案，不一致项由第三人仲裁，标注一致性 92%
指标：答案正确率、引用准确率、badcase 率、首响延迟、单次成本
结论：BM25 + 向量混合检索在答案正确率上最优（较纯向量方案 +11%），纯向量方案在长尾问题上 badcase 更多；混合方案成本仅增加 8%
badcase 分析：3 个典型案例，定位「检索召回不精准」「上下文截断导致引用缺失」「模型对否定问句理解偏差」三类根因，并给出对应改进方向

这份报告把「评测集怎么来、指标怎么定、结论怎么得、坏例怎么归因」讲全了，是一份可验证、可追问的 AI PM 作品。

常见疑问

简历要不要放照片、年龄、籍贯？

国内简历没有统一强制要求，但与岗位能力无关的个人信息可以省。放不放照片看行业惯例与个人意愿；年龄、籍贯、婚姻状况等信息与能力评估无关，不写不影响筛选。把版面留给项目和结果，性价比更高。

要不要做英文简历？

取决于目标公司：外企、出海业务、有海外背景的团队通常需要英文简历；纯国内业务一般不需要。需要时建议中英两份分开维护，避免中英混杂。英文简历的量化表达与关键词匹配逻辑相同，只是语言不同。

作品集要不要做成独立网页？

不必。GitHub、博客、Notion、PDF 都行，关键还是「能打开、能讲、有日期」。独立网页在展示 demo 和排版上有优势，但制作成本高、维护麻烦；内容深度不够时，形式再漂亮也撑不住追问。

没有真实数据，评测报告怎么做？

用公开数据或脱敏数据：从公开数据集、评测榜单、社区案例中取材，做二次分析与复现评测；数据来源与处理方式在报告中如实标注。「没有真实项目」不等于「没有可做的评测」，关键在于把评测的完整流程走通并讲清楚。

准备节奏

先做作品，再写简历：没有可展示的项目时，先按产品拆解做 1-2 个拆解、按评估与评测做一次小评测，再动笔写简历——简历上的亮点需要有作品集支撑
简历按目标岗位定制：每轮投递前，对照目标 JD 调整关键词与项目排序，而不是一份简历投到底
投递时用上内推：简历过筛是概率游戏，内推能显著提高被看到的概率，渠道与注意事项见内推机制
面试前用简历做模拟：把简历上的每个项目按「场景 → 方案 → 评测 → 结果」讲一遍，对着面试指南查漏补缺
每半年更新一次作品集：把做完的项目沉淀成拆解或复盘，让作品集始终反映你当前的能力上限

按求职阶段的时间安排

准备期（2-4 周）：先补方法论（评测、AI 基础），做出 1 个作品集作品，同步整理简历初稿
打磨期（1-2 周）：简历针对 3-5 个目标岗位各定制一版；作品集按目标岗位排序、补齐「一句话结论」
投递期（持续）：边投边改，把面试中被追问的高频问题回填到简历和作品集里，越改越扎实
面试期：用面试指南的框架讲项目，作品集作为「证据库」随时取用

来源说明

本文为本站原创整理，基于公开的求职方法论与 AIPM Wiki 简历/作品集讨论（CC BY-NC-SA 4.0）的通用建议综合撰写，示例片段均为虚构。欢迎通过如何参与投稿更多简历与作品集经验。

发现错误？想一起完善？在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用

简历与作品集