AI 项目作品集：从业务问题到可展示成果
有效的 AI 项目作品集不是功能截图的集合，而是一条可验证的证据链：真实业务问题、明确需求边界、可解释技术决策、量化验收结果，以及能复现成功与失败场景的演示。本 Hub 用同一套框架连接项目建设、工程验收和求职表达。
适合谁
- 已经学过 RAG、Agent 或模型 API，需要完成第一个可展示项目的开发者。
- 有现成 Demo，但说不清业务价值、个人职责、指标和技术取舍的求职者。
- 需要把后端、前端、测试、客户端或运维经验迁移到 AI 项目中的工程师。
如果尚未确定岗位方向和项目在转型中的位置，先阅读程序员转 AI 主路线。
学习顺序
- 从 AI 项目需求与验收开始，定义业务目标、用户角色、非目标和验收指标。
- 补齐 AI 工程化基础，把模型调用升级为可测试、可观测、可降级的系统。
- 选择一个主项目：优先完成企业级 RAG 知识库或 AI 面试官 Agent。
- 使用离线评估、线上反馈、日志和失败案例形成结果证据。
- 回到程序员转 AI 主路线，把项目证据转化为简历条目与面试表达。
核心文章
- AI 项目需求、角色与验收：先回答为什么做、为谁做、做到什么程度。
- AI 工程化专题：建立模型接入、可靠性、成本和上线能力。
- Agent 运行机制：理解工具、状态、编排与停止条件。
- RAG 知识库：掌握数据加载、切分、检索、评估和部署链路。
项目连接
- 企业级 RAG 知识库：适合展示数据治理、混合检索、权限过滤、引用和评估。
- AI 面试官 Agent：适合展示状态管理、工具调用、权限控制和异常恢复。
- Go 实战项目库：用于补充服务治理、并发、存储和部署能力。
只选一个主项目做深，再用一个小项目证明能力迁移；不要堆叠多个只有聊天界面的同质 Demo。
求职连接
作品集中的每个主张都应能被追问：业务指标如何定义、基线是什么、失败样本如何处理、你负责哪一段、上线后如何观测。通过程序员转 AI 主路线确定求职阶段，并准备代码仓库、架构图、演示脚本、评估报告和复盘记录五类证据。