在北美求职时，许多留学生开始投递大模型方向的岗位，包括LLM相关的研发、应用工程、数据处理等。这类职位通常要求扎实的工程能力和对当前AI系统生态的理解。一份好的简历，既要展现技术深度，也要体现项目的实际价值。相比套话和堆叠关键词，雇主更关注你“做过什么”、“解决了什么问题”、“用了什么方法”，以及“是否能落地”。
简历整体建议控制在一页，格式清晰，模块分明。开头的Summary部分可以简单介绍背景，例如硕士在读、主修方向、熟悉的框架与平台，不必写太多愿景性语言。核心部分是项目经历。大模型方向，最常见的项目包括模型微调、推理优化、训练数据处理、RAG系统构建等。比如，如果你用LoRA或QLoRA对LLaMA-2或Mistral做过微调，可以写明数据量、训练方法、工具链和结果改进。要避免简单写“fine-tuned model”，而是具体到“Applied QLoRA to fine-tune LLaMA-2-7B on domain-specific data (200k samples), achieving a 15% BLEU improvement with 40% lower memory usage。”
有些同学做过RAG、embedding检索或agent系统，也要具体写你用了哪些框架，比如FAISS、LangChain、Weaviate等；是否处理了embedding缓存、分片部署、文档清洗等问题。这些细节体现你是否真正理解整个pipeline，也展现了你的工程能力。
技能栏建议分门别类，比如“Modeling: Transformers, LoRA, PEFT”、“Frameworks: PyTorch, Hugging Face, DeepSpeed”、“Infra: Docker, Kubernetes, AWS, GCP”。这样便于HR快速理解你的能力结构。此外，如果你做过开源项目、有GitHub链接、有实际上线经验，也可以适当加到项目描述中，但不要放太多无关链接。
对于留学生来说，语言表述上要尽量使用清晰简练的动词，避免中式表达。重点不在夸张修饰，而在真实、准确地表达自己在团队或项目中做了什么。大模型方向岗位技术要求高，但机会也多，只要内容表达得当，简历就能成为你敲门的第一步。
