面试表达
面试时怎么讲
一句话：我围绕「AI Python 岗技能矩阵（2026）」做过从问题拆解、方案设计、工程落地到效果验证的闭环。
追问重点：为什么这么设计、指标怎么验证、失败案例如何定位、上线后怎么观测和回滚。
证据建议：准备 README、架构图、关键代码片段、评测表和 2 个坏例复盘。
基于简历样本与市场岗位要求整理：普遍要求、AI加分项、面试可讲能力。
本地学习进度
只保存在当前浏览器，不上传服务器。
学习产出
进阶能力，P1。阅读时尽量把知识点转成可演示项目、面试回答和简历证据。
能回答
这张表怎么用 / 若目标为「南京 · AI 应用 / AI Python（偏工程交付）」——只补 3 个缺口 / 普遍要求（多数 JD 会出现）
能交付
整理一页项目笔记，记录问题、方案、指标和取舍
下一步
把本篇总结成 90 秒面试讲述
面试表达
一句话：我围绕「AI Python 岗技能矩阵（2026）」做过从问题拆解、方案设计、工程落地到效果验证的闭环。
追问重点：为什么这么设计、指标怎么验证、失败案例如何定位、上线后怎么观测和回滚。
证据建议：准备 README、架构图、关键代码片段、评测表和 2 个坏例复盘。
简历表达
围绕 AI Python 岗技能矩阵（2026） 场景，完成「基于简历样本与市场岗位要求整理：普遍要求、AI加分项、面试可讲能力。」相关能力建设，沉淀可复用工程方案、测试样本和面试表达材料。
把每一项打成 0~3 分：未接触 / 概念 / 实操 / 可面试讲项目。
每周只推进 1~2 项到更高分，避免广度焦虑。
下面假设你已经能讲清 Agent（LangGraph）+ RAG + FastAPI 的主线；若自评这三块仍低于 2 分，请先回到三角底座，不要先啃下面三条。
原则：不新开平行大课，只在已有主题里加厚到「能演示、能讲清取舍、能量化」。
| 优先级 | 缺口（面试里常被追问） | 去这里补 | 最小验收（做到任意一条即可打满 3 分） |
|---|---|---|---|
| ① | 异步任务 + MQ 语义：重试、幂等键、死信、至少一次 vs 恰好一次在业务里怎么选 | middleware-for-ai-backend | 画一张「请求 → 写库 → 发 MQ → 消费 → 回调/通知」序列图；口述 什么情况下会重复消费、你如何防重复写 |
| ② | Docker / Compose 可交付：别人 git clone 后一条命令能起全套依赖（含 Redis/MQ/DB 占位） | docker-compose-basics | 仓库里提供 compose.yaml + .env.example；README 写清 端口、健康检查、常见排障一条 |
| ③ | 模型路由与成本降级：多模型切换、失败 fallback、token/延迟预算、何时不用最强模型 | model-calling-and-prompt-engineering（可与 llmops-observability-evaluation 交叉记笔记） | 一页表：场景 → 主模型 → 降级模型 → 触发条件 → 观测字段；能举 1 个线上或压测里的真实数字（哪怕是本地压测） |
四周节奏建议（仍只动这 3 块）
llmops 里补一条 trace 或成本日志字段。/jobs 当周高频词微调措辞。若你的目标变成「偏算法 / 训练 / 大模型研发」，上面 ①② 仍保留，③ 可更多切到 model-serving-and-inference 与 fine-tuning-distillation，把本节的「模型路由」换成「推理与服务化指标」即可。
| 能力 | 面试官期待你讲什么 | 本平台主题 |
|---|---|---|
| Python 工程化 | 异步、测试、日志、性能 | python-core-for-ai-engineer |
| Web 框架 | REST、依赖注入、流式响应 | fastapi |
| 数据与中间件 | MySQL/Redis/MQ 分工 | middleware-for-ai-backend |
| 容器与交付 | 镜像、Compose、配置 | docker-compose-basics |
| 可观测 | 指标、日志、trace | llmops-observability-evaluation |
| 模型调用 | 路由、成本、结构化输出 | model-calling-and-prompt-engineering |
| 能力 | 区分度来源 | 本平台主题 |
|---|---|---|
| Agent 编排 | 状态图、工具、人在回路 | langchain-langgraph |
| 系统架构 | Harness、记忆、子 Agent | agent-architecture |
| RAG 全链路 | 改写、混合检索、重排、评测 | rag-engineering |
| 向量库 | 索引、过滤、运维 | vector-databases |
| 协议与工具 | MCP 集成与治理 | mcp-acp-protocols |
| 推理与服务化 | TTFT、批处理、量化 | model-serving-and-inference |
| 低代码平台 | 平台 vs 自研决策 | low-code-platforms |
| 方向 | 何时学 | 主题 |
|---|---|---|
| 多模态 | 岗位或项目需要 | multimodal-basics |
| 微调/蒸馏 | 有数据与算力再深入 | fine-tuning-distillation |
| 系统设计 | 面大厂/后端交叉 | backend-system-design-for-ai |
| 求职闭环 | 持续 | job-market-tracking、resume-project-storytelling、interview-question-bank-ai-python |
langchain-langgraph + fastapi + rag-engineeringpython-core-for-ai-engineer + middleware-for-ai-backend + docker-compose-basicsmodel-calling-and-prompt-engineering + vector-databasesagent-architecture + llmops-observability-evaluation + mcp-acp-protocolsmodel-serving-and-inference、multimodal-basics、fine-tuning-distillation、low-code-platforms| 周次 | 主攻（80% 时间） | 辅攻（20%） |
|---|---|---|
| 1~2 | LangChain/LangGraph | Python 异步小练习 |
| 3~4 | FastAPI 服务化 | Docker Compose |
| 5~6 | RAG + 向量库 | 提示词与结构化输出 |
| 7~8 | 中间件与任务系统 | 系统设计笔记 |
| 9~10 | LLMOps + Agent 架构 | MCP 接入 |
| 11~12 | 简历项目叙事 + 面试题库 | 岗位周报 /jobs |
/jobs 周报连续 4 周，技能矩阵分数有更新content/market/nanjing-weekly.md 与 /jobs 页面为准，按周更新。