AI Engineer 求职市场的现实
2026 年的现实：
- 岗位数暴增：澳洲 Seek 上"AI Engineer" 关键词岗位 2026 Q1 比 2024 Q1 涨了 4 倍
- 要求越来越高：2024 年"会用 ChatGPT API"就能拿 offer，2026 年面试官问 RAG 架构、agent 设计、cost 优化、eval 体系
- 本地候选人少：CS 毕业生大多直接奔 AI Engineer 方向，但有真实 production 经验的少
- Visa sponsor 比传统 dev 友好：因为本地供给少
意味着：有真正项目作品 + 能讲清楚 trade-off 的候选人非常有竞争力，无论你之前是 backend / frontend / data engineer 转过来的。
简历怎么写
致命误区
❌ "熟练使用 ChatGPT，能用 prompt 解决问题"
❌ "了解 LangChain / LlamaIndex 等 AI 框架"
❌ "对大语言模型有浓厚兴趣"
这些 HR 看了立刻丢——空话、套话、零信号。
高信号写法
把每个项目按 STAR + 数字 结构写：
✅ 设计并上线匠人内部知识库 RAG 系统（Claude Sonnet + pgvector + Cohere rerank）：
- 把 1200 份内部文档接入向量检索，每天处理 800+ 查询
- 用 hybrid search + reranker 把准确率从 71% (naive) 提到 92%
- Prompt caching + Haiku routing 把月度成本从 $580 降到 $145
- 完整 observability：用 Langfuse 追每个调用的 latency / cost / 准确率
- 数字：1200 份、800 query/天、71→92%、$580→$145
- 技术栈：Claude Sonnet / pgvector / Cohere rerank / Langfuse
- Tradeoff：accuracy ↑ + cost ↓ 同时优化（不只是"做出来"）
HR / 工程经理一看就知道你做过 production。
简历技能栏
按"我能立刻产出 vs 我了解概念" 分两栏：
Production-Ready：
• LLM API: Anthropic SDK, OpenAI SDK
• RAG: pgvector / MongoDB Atlas Vector Search
• Embedding: OpenAI text-embedding-3, Voyage
• Tool Use / MCP: 写过 5+ MCP servers
• Prompt Engineering: 版本管理 + eval-driven 改进
• Observability: Langfuse, traces 配置
• Production: rate limiting, PII redaction, prompt caching
Familiar：
• Multi-Agent: CrewAI / LangGraph 写过 demo
• Fine-tuning: 跑过 OpenAI fine-tune + 本地 Llama LoRA
• Vision: GPT-4V / Claude Vision 简单使用
诚实分两栏比所有都列在一起信号高。面试官最讨厌候选人把"看过教程"和"做过项目"混为一谈。
项目做什么
至少 3 个项目，按"复杂度递增" 顺序
项目 1：RAG 应用（必做，所有 AI Engineer 入门项目）
例子：把某个垂直领域的 PDF / 网站爬下来，做一个可问答的助手。
展示能力：
- 切片 / embedding / vector DB 全链路
- Hybrid search + reranker
- 简单 frontend（Next.js / Streamlit）
- 部署（Vercel / Railway）
亮点写法：
"为澳洲税法（2025 ATO 公开手册，~600 页）做的 RAG 助手。手动评估 50 个真实 query，命中率 88%。开源在 GitHub，500+ stars。"
为什么用税法不用"通用聊天机器人"？领域越垂直越能体现你能读懂业务 + 能 eval 准确率。
项目 2：Agent + Tool Use（中级）
例子：让 LLM 帮你管理日常事务（日历 / 邮件 / 任务）。
展示能力：
- Multi-step tool use loop
- 错误处理 + retry
- Human-in-the-loop（高风险动作要确认）
- MCP server 写一个
亮点写法：
"Personal AI assistant，接 Google Calendar / Gmail / Notion MCP，能跨系统协调（'下周二有时间和 X 见面吗，发邀请')。Multi-step loop 平均 5.3 步完成。开源 + demo 视频。"
项目 3：生产级特性（高级，offer 杀手锏）
挑前两个项目其中一个，加上：
- 完整 observability（Langfuse trace + cost dashboard）
- Eval CI（每次改 prompt 自动跑 50 case golden set）
- Cost optimization（混合模型 router + caching）
- Safety (PII redaction + moderation)
- Rate limiting + auth
亮点写法：
"把项目 1 升级成 production 系统：加 Langfuse trace 监控每次调用 latency/cost；CI 集成 eval（PR 改 prompt 自动跑 baseline）；混合模型 router 把月度 LLM 账单降 64%。文档 + 部署脚本完整，可一键复现。"
这种项目放简历上直接面试通过率翻倍。原因：HR 一看就知道你"在公司里做过 production"，不是只会跑 demo。
不要做的项目
- ❌ "克隆 ChatGPT" 类——零差异化，面试官见过 1000 个
- ❌ 完全 hardcoded prompts、没 eval、没 observability 的——做了也别写简历
- ❌ "用 Langchain 拼起来" 但没自己写过 prompt / 没调过 retrieval——面试一聊就穿帮
面试准备
技术面试常问题
1. RAG 系统设计
"你给一个法律 SaaS 设计 RAG 系统，每天处理 5000 query，文档 50G。怎么设计？"
考察点：
- 切片策略（结合法律文档结构）
- vector DB 选型（5000 QPD 不算大，pgvector 够）
- 准确率怎么保证（hybrid + reranker）
- 权限隔离（不同律所看不同数据）
- Cost 估算
2. 幻觉怎么处理
"用户报告 AI 回答错误事实，怎么排查？"
考察点：
- 检查 retrieval：召回的 chunks 里有没有正确信息？
- 检查 prompt：是否给了"不知道时回复 X"的兜底？
- 检查 model 选型：太小的模型在长 context 容易幻觉
- 加 source attribution + post-check
3. Cost 优化案例
"你的 AI 月费 $5K，老板让降 50%，怎么搞？"
考察点：
- 先看账单分解（按 endpoint / model / user）
- 找最贵的 query 模式
- 选项：换 Haiku / 加 caching / batch API / 限制 max_tokens / mixed router
- 预期 trade-off（latency / quality 可能微降）
4. Eval 体系
"你怎么知道 prompt 改完是变好了？"
考察点：
- Golden set + LLM-as-judge
- 多维度（accuracy / completeness / cost / latency）
- Regression test 在 CI 里
- A/B test on production 流量
5. Production 故障
"凌晨 3 点告警，AI endpoint 时延突然飙到 30 秒，怎么排查？"
考察点：
- 看 trace 哪一步慢（embedding / vector search / LLM 自身？）
- 看上游：API rate limit？模型 provider 出问题？
- 看下游：vector DB 慢查询？
- 临时：限流保护剩余流量
- 长期：fallback 到备用模型
Behavioral Interview
澳洲面试 50% 考 STAR (Situation Task Action Result)：
- "讲一次你做的最难的 AI 项目，遇到什么问题怎么解决"
- "你的项目里 trade-off 怎么做的"
- "你说服 PM 改方案的经历"
核心：每个故事必须有数字 + tradeoff + 你的具体动作（不是团队的）。
LeetCode 还要不要刷
要。AI Engineer 岗位的 coding round 多数还是 LeetCode-style。重点：
- Top 100 medium 必须会
- 两道高频：相似度计算（cosine / dot product）+ 字符串处理（chunking 相关）
- 系统设计：RAG / chat 系统设计
哪里投
澳洲招 AI Engineer 的公司类型
| 类型 | 例子 | 特点 |
|---|---|---|
| Big 4 银行 / 保险 | CBA, ANZ, NAB, Westpac, Macquarie, Bupa, Medibank | sponsor 友好、流程慢但稳 |
| 本土 SaaS | Atlassian, Canva, SafetyCulture, Octopus Deploy | 技术 bar 高、面试严 |
| 海外 AI 独角兽澳洲分 | OpenAI, Anthropic, Cohere | 极少岗位但顶薪 |
| 咨询 | Deloitte, PwC, EY, KPMG (Digital practices) | 项目多样、acceleration 快 |
| AI startup | Leonardo.ai, Relevance AI 等 | 学得快、风险也高 |
找岗位渠道
- LinkedIn - 关注 "AI Engineer" 关键词，开 "actively looking"
- Seek - 澳洲本地一号求职平台
- AngelList / Wellfound - startup
- 公司直投：去公司官网 careers，绕过中介
- Referral：最有效的渠道。匠人 Bootcamp 学员有内推网络
简历要不要本地化
要。澳洲简历惯例：
- 1-2 页（不超过 2 页）
- 不放照片、不放年龄、性别、Visa status（可以 visa status 单独问询时再说）
- 用 Aussie spelling（"colour" 不是 "color"，但代码不用改）
详细见匠人 简历优化工具。
链匠人学院的产品矩阵
匠人不卖"包就业"承诺。我们提供学习材料、Bootcamp、面试准备工具，帮你做事；offer 是你自己拿的。
针对 AI Engineer 求职的相关产品：
学习材料（自学免费 / 部分会员）
- Learn / AI Engineer 方向 - 章节式 + 代码 + 习题
- LLM Engineer Lab - 8 章交互式 lab，含本地 fine-tune
- Prompt Master Lab - Prompt Engineering 实战
- Vibe Coding Lab - Cursor / Claude Code / 各 AI IDE 实战
Bootcamp（live cohort）
- AI Engineer Bootcamp - 4 周 cohort，含 RAG / Agent / 部署项目
- AI Engineer (RAG) - 自学版，专注 RAG
求职工具
- 求职匠 Job Hunter - 简历优化 + JD 匹配 + AI 面试模拟
- 面试问题库 - 各公司真实面经
认证
- AWS AI Practitioner / ML Engineer - 给你简历加客观信号
写在最后
AI Engineer 是 2026 年最热的岗位之一，但也是要求最快变化的。今天精通的工具半年后可能被替代。
不变的是：
- 写好 prompt 的能力
- 设计 RAG / agent 架构的能力
- 做 eval 的能力
- 控制 cost 和 latency 的能力
- 防住 abuse 和 PII 的能力
这本指南覆盖了这些会用 5-10 年的核心能力。具体工具（哪个 vector DB、哪个 framework）会变，原理不变。
下一步建议：
- 跑通本指南所有代码示例（约 1 周）
- 做项目 1（RAG 应用，约 2 周）
- 做项目 2（Agent，约 2 周）
- 升级成项目 3（生产级，约 2 周）
- 简历 + 投 50 家（持续）
7-8 周后你应该有 3 个 GitHub 项目 + 一份能看的简历 + 对面试基本框架熟悉。
剩下的就是坚持投简历 + 不停 iterate。澳洲 AI Engineer 求职现在是机会窗口期，进来了就稳。
祝你拿到下一份 offer。
