不少人准备 AI 求职或转型时，会在简历上写：熟练使用大模型、掌握 Prompt、了解 RAG、会搭智能体。

可到了面试，真正的问题通常是：

“你具体用它解决过什么问题？”

“为什么选择这个方案？”

“结果怎么验收？”

“如果再做一次，你会改什么？”

如果只能回答“我上过课”“跟着教程做过”，能力就很难被验证。

知识是输入，作品是过程，证据才是别人能够相信的结果。

一、为什么“学过”不能自动变成“会做”？

课程通常提供清晰材料、标准步骤和预期答案，真实工作却充满模糊目标、缺失信息、临时变化和质量要求。

跟着教程复现，能证明你理解了操作；独立面对一个问题，才会暴露任务拆解、工具选择、异常处理和结果验收能力。

这不是否定学习，而是提醒：课程结束后，还需要把知识迁移到一个没有标准答案的真实任务中。

二、什么才算有说服力的作品？

一个 AI 作品不一定复杂，也不必追求炫技。它至少应该讲清六件事：

1.  问题：为谁解决什么真实问题；

2.  约束：时间、数据、成本、隐私或质量有哪些限制；

3.  方案：为什么采用这套流程和工具；

4.  过程：你具体承担了哪些工作，遇到什么调整；

5.  验收：用什么标准判断结果可用；

6.  复盘：效果、局限和下一步改进是什么。

这些信息比“使用了多少个模型”更能体现能力。

三、没有正式 AI 工作经验，也能建立证据

可以从当前工作中的一个小问题开始：自动整理会议记录、建立资料检索流程、分析用户反馈、优化内容生产、制作数据复盘助手。

也可以使用公开材料完成模拟项目，但要明确标注项目性质，不把练习包装成客户案例。

关键是范围要小、过程完整、结果可验证。与其做一个宏大但无法运行的“AI 平台”，不如完成一个真正解决问题的小流程。

四、作品集最常见的四个问题

1. 只有截图，没有问题背景

别人看见界面，却不知道它为什么存在、为谁服务。

2. 只讲工具，不讲判断

工具名称很多，但看不出你为什么这样设计，也看不出个人贡献。

3. 只展示成功，不展示验收

没有测试标准、失败案例与改进过程，作品更像宣传页。

4. 数据和成果无法验证

为了显得亮眼而写虚构百分比，会直接伤害可信度。没有准确数据，可以呈现流程改进、样本反馈和明确限制。

五、把一个项目整理成证据链

你可以按这个顺序整理：

一句话问题定义 → 用户与场景 → 原始流程 → AI 参与环节 → 人工判断节点 → 验收方法 → 结果 → 局限与复盘。

如果涉及团队项目，还要清楚说明自己的职责，不把团队成果全部归为个人贡献。

作品也应注意隐私与保密。客户数据、内部文件、账号信息和未公开业务材料，需要脱敏或获得授权。