AI时代，研发工程师的简历”从夯到拉“指南（2026版）
最近经常被朋友问：想招个懂AI的研发，但不知道怎么评估。
于是我想把一个更具体的问题讲清楚：2026年了，一个研发工程师的简历里，AI相关的部分到底应该怎么写？招聘方又该看什么信号？
先说一个重要趋势：智能体编码正在成为分水岭
AI大神Karpathy最近分享了他的编程工作流变化：仅仅一个月时间（去年11月到12月），他从80%的手动+自动补全编码、20% 智能体编码（Agents），迅速变成了80%智能体编码、20% 修改和润色。他说”我现在基本上是在用英语编程，略显羞涩地用文字告诉大模型该写什么代码……虽然有点伤自尊，但这种能以‘任务为单位’对代码进行大刀阔斧改造的能力，效率实在太高了。这是我二十年编程生涯中，基础工作流发生的最大变化，而且是在几周内发生的。”
这意味着**”会用AI自动补全”和”会用AI智能体编码”之间，正在形成一道新的能力鸿沟。**简历评估的标准很可能也需要随之更新。
套用一下最近很火的”从夯到拉”分级来更生动地描述一下👇
（由于AI编程这里的变化太快，内容仅供参考，欢迎讨论和拍砖）
【夯】- 深度玩家 / AI架构师
AI深度集成：具备将‘声明式需求’转化为‘复杂架构实现’的能力，能基于Claude Code开发自定义Skills和MCP服务，实现AI与内部工具链（自动化测试部署、文档系统、需求管理）的深度打通。建立AI辅助的技术选型和架构评审流程，输出技术决策文档10+份。主导制定团队AI开发规范体系，覆盖编码、测试、文档、Review全流程，核心模块开发周期缩短xx%。
夯的信号：有自研扩展（MCP/Skills/智能体编排），有团队级规范输出和可验证的交付物。已经完成从”补全模式”到”智能体模式”的切换，习惯用自然语言下达复杂指令，让AI自主完成编码、测试、提交的完整闭环。能驾驭AI而非被AI驾驭，也就是知道什么时候该信AI，什么时候该人工介入。用命令行工具（如Claude Code）不觉得门槛高，反而觉得更可控。
【顶级】- 规范建设者 / 高级玩家
AI辅助开发：熟练使用Claude Code、Cursor等AI编程工具，具备Prompt工程能力。主导建立团队AI辅助开发规范，编写标准化Prompt模板库，推动AI工具在代码审查、技术文档生成环节的落地，团队整体开发效率提升xx%。
顶级的信号：能建规范、有Prompt工程沉淀，不只是自己用得好，还能推动团队落地。正在向智能体编码模式过渡，能让AI参与规划与交互，而不仅仅补全几行代码。会主动审查和修正AI输出，而不是无脑接受。
【人上人】- 熟练使用者
AI辅助开发：日常使用Cursor进行代码编写与重构，通过AI辅助生成单元测试和文档注释，个人代码产出效率提升约xx%，测试覆盖率从xx%提升至xx%。
人上人的信号：工具名准确（这是底线），有具体使用场景而不是泛泛而谈，量化具体可信，能说清楚是什么指标、从多少到多少。把AI使用融入项目经历，而不是单列一个”技能：Copilot”。虽然还是以补全模式为主，但已经开始探索智能体工具。
【NPC】- 糊弄派
熟练使用AI编程工具，了解Prompt工程。
或者：
AI辅助开发：熟练使用Codecx、GPT等工具，开发效率提升xx%。
NPC的特征：只有”熟练使用”四个字，没有场景、没有量化；工具名拼错（Codex写成Codecx）；把含糊的”精通Prompt Engineering”当技能卖点。
有个广为流传的段子：某公司JD要求”5-8年ChatGPT和Copilot使用经验”。开发者们纷纷调侃，让ChatGPT生成了一段履历来”满足”这个要求，因为ChatGPT面世到现在也还没满5年…
【拉完了】- 时代眼泪
（简历中完全没有提及任何AI工具使用经验）
不是说能力不行，但2026年完全不提AI，本身就值得在面试里追问一下。可能的情况是真的没用过，或者是“拒绝进化”。 这就像 2010 年的简历里写自己‘不习惯查 Google，更爱翻纸质手册’一样令人困惑。
附：2026 AI编程工具段位参考
开发者社区已经形成了一条非官方的鄙视链，核心分野在于：你是用AI做”智能体编码”还是”自动补全”？
| 段位 | 代表工具 | 模式 | 社区评价 |
|---|---|---|---|
| T0 | Claude Code | 智能体闭环 | 高阶玩家专属，能自主完成复杂任务的完整闭环，”用过就回不去了” |
| T1 | Cursor | 智能体+补全 | AI原生IDE的工业标准，有智能体模式，不够新奇但绝对好用 |
| T2 | GitHub Copilot | 补全为主 | 行业标准但不够酷，”只是高级自动补全”，”公司买什么我用什么” |
| T3 | 纯ChatGPT网页版 | 复制粘贴 | 上下文丢失严重，工作流割裂，效率最低 |
关于效率提升的量化：说几句实话
简历里写”效率提升X%”是加分项，但要把握分寸。
乐观派认为效率确实能成倍提高。Anthropic高层曾公开表示他们80-90%的代码都由AI完成，Karpathy也分享过类似体验。但从谨慎的角度来说，AI最擅长加速的是标准化、重复性工作（样板代码、生成测试用例），而很多开发任务（调试疑难bug、系统设计、复杂逻辑）无法简单提速。有资深程序员说：”大家高估了样板代码在日常工作中的比重。那些声称AI让自己变成10倍效率开发者的人，要么真有其事，要么就是他们的工作无聊到每天只写样板。”
量化建议：说清楚是什么指标提升了（代码产出？测试覆盖率？Review时间？），最好有对比基准（从X提升到Y），准备好被追问”这个数字怎么测算的”。
给招聘方的筛选清单
绿灯信号
工具名准确，且不只写一个 Copilot；
有具体场景描述，不是泛泛而谈；
量化合理且可解释，有统计窗口与口径；
覆盖面完整：不只写代码，还包括测试、文档、Review、技术决策；
有输出物证明：规则文件、模板库、PR记录、自动化验证链路；
能清楚描述边界：什么时候信AI，什么时候必须人工介入；
已经在用或尝试智能体闭环模式；
加分追问点：
是否维护项目级规则文件（例如某种长期指令文件）？
是否有团队级模板库与review清单？
是否做过工具链集成或扩展？
红灯信号
工具或模型名写错；
只写“熟练使用”没有任何场景；
数字夸张无支撑；
被问到底层原理只会说“我直接问工具，它知道就行”；
简历呈现明显AI生成腔调，缺少项目细节；
结语：2026年的隐藏考点
工具名称准确只是底线。
真正的分水岭是：候选人停留在“补全时代”，还是已经进入“智能体时代”。
未来一两年，招聘方最重要的判断点很可能就落在这里：你能否把AI从“个人效率工具”升级为“可验证、可复制、可控的工程能力”。
求职者可以对照看看自己在哪一档，往哪升级。招聘方也可以拿这份清单做初筛，绿灯红灯一目了然。