TOPIC 07

AI作品集专题：用工程证据替代工具清单

AI作品集应证明问题定义、数据处理、基线、评测、失败分析、部署和复盘。专题适合没有论文或昂贵GPU的求职者，用小范围但可复现的项目建立可信证据。

METHOD

专题方法

阅读顺序建议从问题定义开始，再进入任务拆解、技术环节、验证方法和职业证据。不同企业的岗位名称与职责会变化，本专题不发布未经核查的实时职位、薪资或招聘数量。

专题检查线问题 → 任务 → AI能力 → 人工判断 → 验证 → 作品证据

READING PATH

代码生成降低了样板代码成本，却让问题定义、架构选择、调试、测试、安全和复盘更重要。优秀作品集应该说明AI参与了哪里、哪些输出经过人工检查、发现过什么错误，以及为什么选择当前实现。代码数量仍可描述规模，但不应替代工程判断的证据。

从窄问题、公开数据和简单基线开始，比复制复杂Demo更能证明能力。本文围绕问题定义、基线、评测、复盘拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

作品集可以通过数据、评测、系统集成和部署证明研发能力，不必假装研究成果。本文围绕数据、评测、系统、部署拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

README应解释问题、数据、方法、评测、运行方式、局限和AI工具参与范围。本文围绕问题、运行、评测、局限拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

许多应用、评测、RAG、数据和小模型项目可以用有限资源完成，重点是范围和实验设计。本文围绕资源约束、小模型、API、实验设计拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

ACTION