面试官最烦的两类人：一是「我负责了整个项目」但说不清自己干了啥；二是背了一堆技术名词但没落地。我的办法是——用 STAR 框架讲，但把重心压在「我解决了什么具体问题」上。下面拿我博客里的 5 个真实作品当模板。

模板：不要说「我做了」，要说「我解决了」

  • ❌ 我搭建了一个 RAG 系统。
  • ✅ 我搭 RAG 时遇到检索到了但模型不用的问题，于是加了重排序 + 引用约束，准确率从 X 提到 Y。

差别在于后者有问题、动作、结果三件套，面试官能顺着追问。

作品 1：NInfer 27B 本地部署（量化/部署）

  • 一句话亮点：在单张 12G 显存消费卡上跑通 27B 推理。
  • 可深挖：显存怎么算的、KV-cache 占多少、为什么选这个量化方案、工具模式 vs 聊天模式怎么切。
  • 对应文章：NInfer 27B 本地部署实战、大模型部署。

作品 2：RAGFlow 实战四部曲（RAG/工程）

  • 一句话亮点：从部署、切片、检索调参到 API 自动化，把一套开源 RAG 框架摸透了。
  • 可深挖：不同文档类型怎么选切块策略、中文长文本检索权重怎么调、软失败（返回 200 但没结果）怎么排查。
  • 对应文章：RAGFlow 四部曲（源码解析一/二、实战三/四）。

作品 3：AI 短剧生产线（多模态/工程化）

  • 一句话亮点：把小说自动变成可生成的分镜 + 图片/视频提示词，串成一条创作流水线。
  • 可深挖：相邻关键帧构图不能跳变怎么约束、人物一致性怎么用参考图保、生成成本怎么控。
  • 对应文章：短剧创作体系、客观审片 OpenCV 判据。

作品 4：公众号全自动流水线（自动化）

  • 一句话亮点：从文本到公众号草稿全自动，踩过 12 个坑并逐一解决。
  • 可深挖：Playwright 抓取 + 排版 + 多平台分发怎么串、哪 12 个坑最致命。
  • 对应文章：公众号全自动流水线。

作品 5：可点击教学网页 / AI 面试知识地图（前端/方法论）

  • 一句话亮点：用单文件前端做成可多层点击的知识地图，自己和面试都能用。
  • 可深挖：为什么选单文件（零依赖、好分发）、交互状态怎么管理、内容怎么组织成体系。
  • 对应文章：可点击教学网页。

避坑清单

  1. 别堆名词：「用了 Transformer、RAG、Agent」不如「用 RAG 解决了知识更新问题」。
  2. 准备一个翻车故事：每个作品至少备一个真实失败+复盘，比成功案例更可信。
  3. 数字要经得起追问：准确率提升、延迟下降，面试官一定会问怎么测的。
  4. 留钩子：结尾抛一个「我还做了 XX 没细讲」，把主动权拿回来。

这套方法我自己用下来，最大的变化是——不再怕「你具体做了什么」，因为每篇博客都是一份写实的证据链。