AI 工程師履歷怎麼寫?模型、LLM 應用與面試題目整理
也叫:AI Engineer、機器學習工程師、Machine Learning Engineer、ML Engineer、Applied AI Engineer、LLM 應用工程師
AI 工程師在不同公司指的工作差很多:有的偏研究,訓練和改進模型;有的偏機器學習工程,把模型部署上線並持續監控;近兩年最多的是 LLM 應用,用現成的大型語言模型做檢索問答、客服或內部工具。投之前先看清楚職缺屬於哪一種,履歷的重點跟著調整。
不管哪一種,用人主管都想確認同一件事:你的模型或 AI 功能在真實環境帶來什麼改變,以及你怎麼證明它真的變好。這頁整理履歷寫法、改寫前後對照、外商職缺常見技能和面試題;範例裡的數字都是示意,請換成你自己的。
HR 和用人主管先看什麼
上線成效,不只離線分數
準確率、F1、AUC 只是起點。主管更想知道上線後的業務指標:點擊率、轉換率、人工處理量減少多少,以及你有沒有做 A/B 測試或線上評估。
資料處理能力
寫出資料量、資料來源、標註方式和清理流程。實務上多數時間花在資料,能處理髒資料、類別不平衡和資料洩漏的人很搶手。
LLM 應用的評估方法
做 RAG 或 Agent 的人,要寫出你怎麼建立評估集、用什麼指標衡量答案品質與幻覺,以及成本和延遲的取捨。只寫「串接大型語言模型 API」沒有辨識度。
部署與維運(MLOps)
模型版本管理、訓練與推論流水線、資料漂移監控、回滾機制。能把模型穩定放上線並持續更新,是研究背景和工程背景的分水嶺。
論文、實驗與開源
有論文、比賽或開源專案就附上連結並說明你的貢獻。碩博士生把研究寫成問題、方法、結果,而不是只列論文標題。
AI 工程師履歷改寫前後對照
範例的情境與數字都是虛構示意,請換成你自己的真實經歷;沒有的成果不要寫。
- 推薦模型改寫前負責推薦系統模型開發,提升準確率。改寫後把商品推薦從單一 LightGBM 排序改成「雙塔模型召回+排序模型」兩階段架構,離線 Recall@50 從 0.31 提高到 0.42;兩週 A/B 測試首頁點擊率提升 6%,推論延遲控制在 40 毫秒內。
寫出模型怎麼改、離線指標和線上 A/B 結果,以及延遲限制,面試官看得出你懂得模型要在產品裡跑得動。
- RAG 問答改寫前使用 LLM 開發智慧客服機器人。改寫後用 RAG 架構做客服知識問答,整理 1,200 篇產品文件、調整切段方式並加入關鍵字與向量的混合檢索,建立 300 題評估集追蹤答對率與引用正確率,答對率從 62% 提升到 85%,上線後轉人工的比例下降 30%。
LLM 專案最常被問「你怎麼知道變好了」;寫出評估集、改了什麼和上線後的影響,就先回答了這個問題。
- MLOps改寫前負責模型部署。改寫後把每月手動重訓的詐欺偵測模型改成自動化流水線(Airflow 排程、MLflow 管理版本),加上特徵分布漂移監控與一鍵回滾,重訓週期從一個月縮短到一週,模型更新不再需要停機。
部署的難處在可重複、可回復;寫出流程、工具和更新頻率的改善,比「負責部署」更能證明你能長期維運模型。
- 研究經歷改寫前碩士論文:基於深度學習之影像分類研究。改寫後碩士研究工廠瑕疵檢測的少樣本學習:每類只有 20 張標註影像,用預訓練模型微調搭配資料增強,F1 從 0.71 提高到 0.86;程式與實驗設定公開在 GitHub,可以重現結果。
論文標題看不出你做了什麼;改寫成問題、限制、方法和量化結果,業界主管也能很快判斷研究和職缺的關聯。
不確定自己的履歷哪幾句該改?放進免費履歷健檢,會標出最關鍵的問題和逐句改寫建議。
免費履歷健檢AI 工程師技能清單
機器學習基礎
- 監督式與非監督式學習
- 過擬合、正則化與交叉驗證
- 評估指標(Precision、Recall、F1、AUC)
- 特徵工程與類別不平衡處理
- 深度學習(CNN、Transformer)
- 機率統計與線性代數基礎
LLM 應用
- 提示設計與結構化輸出
- RAG:切段、向量檢索、混合檢索、重新排序
- 工具呼叫(Function Calling)與 Agent 流程
- 評估集與自動評分(LLM-as-a-judge)
- 微調(LoRA 等)與何時不需要微調
- 成本、延遲與提示注入防護
工程與 MLOps
- Python、PyTorch
- 資料處理(pandas、SQL、Spark)
- 實驗追蹤與模型版本(MLflow、Weights & Biases)
- 模型服務化(FastAPI、Triton、vLLM)
- Docker、Kubernetes 與 GPU 資源管理
- 資料與模型監控(漂移、品質)
研究與溝通
- 讀論文並重現結果
- 實驗設計與消融實驗
- 把模型結果講給非技術主管聽
- 英文技術寫作
外商職缺最常提到
統計 82 筆近兩週的相關外商職缺(台灣 6 筆、遠端 24 筆、其他國家 52 筆),依職稱、中文重點與職缺內文計算提到的筆數。
AI 工程師面試常見問題與回答方向
模型在訓練集表現很好,測試集卻差很多,你會怎麼處理?
- 面試官想知道
- 最基本的過擬合題,看你會不會先診斷再對症下藥。
- 回答方向
- 先看學習曲線確認是不是過擬合,也要排除資料問題:訓練和測試分布不同,或資料洩漏讓訓練分數虛高。對策依原因選:增加資料或資料增強、正則化(L2、Dropout)、降低模型複雜度、提早停止、用交叉驗證選超參數。最後說明你怎麼確認改善不是運氣,例如換幾個隨機種子重跑。
什麼是資料洩漏?你遇過嗎?怎麼預防?
- 面試官想知道
- 看你有沒有實戰經驗,這是離線分數漂亮、上線就失準最常見的原因。
- 回答方向
- 資料洩漏是訓練時用到預測當下拿不到的資訊。常見例子:先用全部資料做標準化才切訓練和測試集、時間序列隨機切分讓模型看到未來、特徵裡藏著答案(例如用「是否退款」預測詐欺)、同一位使用者同時出現在訓練和測試集。預防:先切資料再做前處理、時間資料依時間切、依使用者分組切,並逐一確認每個特徵在預測時點拿得到。
Precision 和 Recall 怎麼取捨?請舉一個實際情境。
- 面試官想知道
- 確認你懂評估指標背後的業務意義,而不是只看準確率。
- 回答方向
- Precision 是預測為正的裡面有多少真的是正,Recall 是真正的正例有多少被找出來。類別不平衡時準確率會騙人:詐欺只佔 0.5%,全部猜正常就有 99.5% 準確率。取捨看錯誤成本:疾病篩檢漏掉代價高,偏重 Recall;垃圾信過濾誤刪重要信件代價高,偏重 Precision。實務上調整門檻、看 PR 曲線,並和業務方對齊能接受的誤判量。
RAG 系統答錯了,你會怎麼找出問題在哪一段?
- 面試官想知道
- LLM 應用最常見的題目,看你能不能把問題拆成檢索和生成兩段。
- 回答方向
- 先分段檢查:檢索有沒有撈到正確的文件(看 Recall@k),撈到了模型有沒有用對(答案是否忠於來源)。檢索端從切段大小、embedding 模型、加入關鍵字的混合檢索、重新排序(reranker)改善;生成端從提示、要求附上引用、找不到依據就回答不知道來改善。每次調整都在固定的評估集上比較前後,而不是挑幾題看感覺。
設計一個會呼叫外部工具的 AI 助理,要注意哪些風險?
- 面試官想知道
- 看你對工具呼叫與 Agent 的理解,以及安全意識。
- 回答方向
- 先說流程:模型決定呼叫哪個工具和參數,程式執行後把結果交回模型再產生回答。風險與對策:參數一律驗證、權限最小化;會改資料或花錢的動作要使用者確認;網頁、文件等外部內容可能夾帶提示注入,要當成資料而不是指令;設定步數與成本上限避免無限迴圈;每一步都記錄,方便除錯和稽核。
什麼時候該微調模型,什麼時候用提示或 RAG 就夠?
- 面試官想知道
- 看你的成本效益判斷,避免什麼都想自己訓練。
- 回答方向
- 先用提示加少量範例建立基準。需要最新或大量的事實資料、而且要附來源時,RAG 通常比微調可靠,資料更新也不用重訓。微調適合固定的輸出格式、語氣或特定任務,前提是有足夠的高品質標註資料;也能把大模型的能力轉移到小模型,降低成本與延遲。回答時帶入資料量、維護成本和評估結果。
模型上線三個月後效果變差,可能是什麼原因?
- 面試官想知道
- 看你有沒有 MLOps 觀念:模型上線不是結束。
- 回答方向
- 可能是資料漂移(輸入分布改變,例如新客群、季節變化)、概念漂移(輸入和結果的關係變了,例如詐騙手法更新)、上游資料管線改了欄位或出錯,或訓練與推論時的特徵算法不一致。處理方式:監控輸入特徵與預測分布、持續收集標籤追蹤線上指標、建立定期或觸發式重訓,並保留舊版本隨時回滾。
請介紹一篇你最近讀的論文或做過的實驗。
- 面試官想知道
- 看你跟進新技術的習慣,以及能不能把複雜的東西講清楚。
- 回答方向
- 挑一篇真的讀懂、最好動手重現過的論文:它解決什麼問題、方法和過去的差別、實驗結果與限制,以及能不能用在這家公司的產品上。如果講自己的實驗,說明假設、對照組、消融實驗,以及失敗的嘗試學到什麼。不要挑只看過摘要的熱門論文,被追問細節很容易露餡。
AI 工程師履歷常見錯誤
- 只寫「模型準確率 95%」,沒寫資料集、基準線和評估方式,面試官無法判斷這個數字有沒有意義。
- 把串接大型語言模型 API 寫成「開發 AI 系統」,被追問評估方式、成本和失敗案例時答不出來。
- 研究背景的人只列論文標題和方法名稱,沒寫成果能用在什麼產品情境,業界主管看不出關聯。
- 作品只有入門資料集(鐵達尼號、房價預測、MNIST)照教學跑一遍,沒有自己定義問題、蒐集資料的專案。
AI 工程師薪資行情
| 受僱人數最多的行業 | 平均月薪 | 受僱人數 |
|---|---|---|
| 出版影音及資通訊業 | NT$80,088 | 71,293 |
| 製造業 | NT$76,442 | 32,407 |
| 金融及保險業 | NT$70,458 | 21,783 |
| 批發及零售業 | NT$71,105 | 12,633 |
勞動部職類別薪資調查(2025 年),職類「資訊及通訊專業人員(含系統分析、程式設計、資料庫及網路專業人員)」,各行業依受僱人數加權平均。這是同職類的整體行情,不是個人估價;實際薪資依公司、年資與談判而定。資料來源:勞動部「職類別薪資調查」「初任人員薪資」開放資料。
正在徵AI 工程師的外商
近兩週有開出相關職缺的公司,點進去看每一筆職缺,並連回公司官網投遞。
投AI 工程師之前,先做免費履歷健檢
總分、五個面向、最可能被略過的問題、同職類薪資行情,以及每一句該怎麼改。
用 Claude 證照補齊 LLM 應用架構
講義、測驗都免費,用 Job Pocket 帳號登入就能看,不用另外註冊。
AI 工程師常見問題
AI 工程師一定要碩士學歷嗎?
研究型職位(Research Scientist)多半要求碩博士與論文;應用型的機器學習工程師、LLM 應用工程師更看重實作。學士或轉職者可以用上線過的專案、比賽成績和開源貢獻證明能力,特別是 LLM 應用類職缺,工程能力常常比學歷重要。
AI 工程師和資料科學家有什麼不同?
界線因公司而異。一般來說,資料科學家偏分析與建模,回答業務問題、設計實驗;AI 工程師或機器學習工程師偏把模型做成產品,負責訓練流程、部署、效能與監控。看職缺內容判斷:要求 Docker、API、延遲的偏工程,要求統計、實驗與報告的偏資料科學。
沒有 GPU,怎麼做 AI 作品集?
很多題目不需要自己訓練大模型:用 API 做 RAG 或 Agent 應用並建立評估集、用 Colab 或 Kaggle 提供的免費 GPU 額度微調小模型、比較模型壓縮或推論加速的效果。重點是完整:問題定義、資料、評估、部署和限制都寫進 README。
LLM 應用工程師和機器學習工程師要準備的一樣嗎?
不完全一樣。機器學習工程師要熟悉特徵工程、模型訓練、評估指標和 MLOps;LLM 應用工程師較少從頭訓練模型,重點在提示與結構化輸出、RAG、工具呼叫、評估集,以及成本、延遲和安全。兩者都要會 Python、資料處理和部署。看職缺寫的是 PyTorch、特徵、訓練,還是 RAG、Agent、評估,就知道該補哪一邊。
相關職務
延伸閱讀
內容更新:。履歷範例與面試題由 Job Pocket 整理;外商職缺數依公司官方徵才頁每天更新;薪資來自勞動部開放資料。
