撕掉旧简历：AI时代，金融圈需要“AI指挥官”，不是“数据搬运工”

以前找工作，金融行业的实习经历很重要。大家都觉得，去中金、中信这些大券商实习，简历才好看。这些实习的核心，其实就是做很多基础工作。比如，从Wind或者Bloomberg下载数据，然后用Excel整理。或者用PPT画图，一页一页地做。这些活很累，也很重复。但是，过去这是进大公司的“门票”。

（一）“实习经历”的幻觉，当AI成为不知疲倦的超级实习生

现在这张“门票”正在贬值。因为AI可以更快地做完这些事。过去实习生一周才能做完的数据整理，AI可能几分钟就搞定了。摩根大通就有一个内部的AI工具，可以自动看财报和新闻，然后写出摘要。高盛也在用AI写研究报告的初稿。所以，简历上写的“协助研究员完成报告”，含金量就下降了。招聘的人也知道，这些工作的技术门槛变低了。

而且，招聘的逻辑也变了。公司现在不缺能加班、会用Excel的人。因为AI就是个完美的“员工”，它不会累，也不会出错，成本还低。公司现在更需要能用好AI工具的人。问题不再是你会不会做PPT，而是你能不能告诉AI，你需要一份什么样的PPT。问题也不再是你能不能找到数据，而是你能不能根据数据，提出一个好问题，然后让AI帮你验证。

单纯靠堆砌实习经历，已经不够了。如果你简历上的优势，正在被技术淘汰，那就要小心了。

（二）从“执行者”到“设计者”，金融新人类的能力象限

以前的金融人才像个手艺人，靠经验干活。现在的金融人才更像个建筑师，负责设计图纸，而不是自己去搬砖。所以，你需要建立一套新的能力。

1. 怎么像AI一样思考问题

这个跟会不会写代码关系不大。它是一种思维方式。拿到一个金融问题，别先想着自己一步步怎么做。你应该先想：这个任务能不能拆开？哪些部分可以让AI做？

举个例子，要做一个投资决策。

• 传统思路：第一步，我自己去网上找资料。第二步，我把数据下载下来，整理到Excel里。第三步，我搭建模型分析。第四步，我写成报告。
• 新思路：第一步，我设计一个工作流程。第二步，我让AI助手去帮我搜集信息、清洗数据、做初步的模型。第三步，我把主要精力放在判断和决策上。

要做到这一点，你不仅要懂金融知识，还要大概了解AI是怎么工作的。比如，你要知道什么样的问题适合让AI处理，用什么工具效果更好。这种感觉，需要你在实际项目中慢慢练习。

2. 怎么跟AI有效沟通

以后，很多金融团队里都会有“提示词工程师”这样的角色。简单说，就是专门负责和AI沟通的人。你要学会怎么问问题。问得好，AI才能给你有用的答案。

一个好的问题，应该是清晰、具体、有条理的。

• 一个不好的问题：“帮我分析一下A股市场。” 这种问题太模糊了，AI不知道从哪下手，只能给你一堆通用信息。
• 一个好的问题：“请分析过去五年，所有发布了ESG报告的A股制造业公司。找出它们在报告发布后一个月内的股价变化。再结合当时的宏观政策，分析一下两者有没有关系。”

你看，好的问题包含了具体的范围（过去五年）、对象（发了ESG报告的制造业公司）、任务（分析股价变化和政策关系）。AI拿到这种指令，才能给你精准的分析结果。现在很多量化基金都在用类似的方法，甚至一些个人投资者也在用Kimi这样的国产模型来辅助自己做决策。如果你对AI的用法还停留在写邮件、改文章，那真的就落后了。

3. 怎么判断AI的答案

AI给的答案不一定全对。模型本身可能有问题，用的数据也可能有错。AI帮你提高了找答案的效率。但你的价值，就体现在“提对问题”和“审查答案”上。

未来的金融人才，需要懂很多领域的知识。你要懂金融，也要懂点计算机。甚至要懂点社会学，这样才能发现技术背后可能存在的问题。

比如，一个AI模型建议你做空某只股票。你不能直接就信了。你应该去思考：

• 这个建议是基于什么数据得出的？数据来源可靠吗？
• 模型有没有可能没考虑到一些突发事件？比如公司突然换了CEO。
• 这个模型的设计本身，有没有什么缺陷？

这种批判性思维，是机器没法替代的。也是你比机器更有价值的地方。

（三）重塑你的简历，一份通往未来的金融新模版

那么，一份能打动现在招聘官的简历，应该怎么写？它不应该是实习经历的列表。它应该是一份份具体的“项目说明书”。

1. 用“项目经历”代替“实习经历”

重点不是你“在哪里”实习过。重点是你“做了什么”项目，解决了什么问题。

旧的写法：

• XX证券研究所，行业研究岗
• 协助研究员收集数据，写报告。

新的写法：

项目一：开发A股财报风险预警模型

• 目标： 我想做一个模型，能提前发现上市公司潜在的财务风险。
• 做法：
  1. 先用Python，从网上爬了800家公司过去五年的财报和公告。
  2. 然后，我把这些数据清洗干净，选出了50多个财务指标和文本特征。
  3. 最后，我用XGBoost这个算法建了一个分类模型。
• 成果： 这个模型在测试的时候，准确率达到了88%。它成功预测出了好几个后来真的出现债务违约的公司。
• 体现的技能： 数据处理、机器学习、金融工程、Python编程。

项目二：做一个价值投资策略的AI研究助手

• 目标： 我想做一个工具，能自动帮我处理价值投资需要的信息。
• 做法：
  1. 我用了DeepSeek的API接口。
  2. 我设计了一套复杂的提问逻辑，也就是提示词链。
  3. 这个工具能自动抓取目标公司的财报、券商研报和新闻，然后进行总结分析。
• 成果： 原来研究一家公司，平均需要10个小时。用这个工具后，时间缩短到了1.5个小时。而且它能自动生成一份包含核心观点和风险提示的摘要报告。
• 体现的技能： 提示词工程、AI应用、信息整合、金融分析。

2. 技能清单要具体

“熟练使用Excel”这种话就别写了。必须写得具体，让人知道你到底会做什么。

数据与计算能力：

• 会用Python的Pandas和NumPy库处理数据，会用Scikit-learn库建模型。
• 会用SQL进行数据库查询。
• 会用Tableau做数据可视化图表。

AI与模型应用：

• 能针对具体的金融研究任务，设计高效的AI工作流。
• 有微调语言模型的经验，比如让模型更懂信贷审批的逻辑。
• 了解主流的AI开源工具和国内的大模型平台。

现代金融技能：

• 会把传统的DCF估值模型，和Python的蒙特卡洛模拟结合起来，做更全面的情景分析。
• 了解量化交易策略的开发和回测流程。

3. 突出你的“人性”优势

在简历上，要专门写一些AI做不到的事情。

• 领导力和沟通： 我之前带一个5人的跨专业团队，参加了“挑战杯”比赛。项目是金融科技方向的。我负责设计商业模式和路演答辩。我们和好几个投资人聊过，最后拿了全国银奖。这个例子能说明你的领导力、沟通能力和解决问题的能力。
• 批判性思维和学习能力： 我一直在关注AI伦理和算法偏见方面的研究。我在校内期刊上发过一篇文章，讨论AI在金融领域应用的风险。这能说明你爱思考，并且能主动学习新东西。

总的来说，这不是简单地改改简历格式。这是一种思路上的转变。以前，大家比的是谁能成为金融这部大机器里，最标准的那颗螺丝钉。以后，大家比的是谁能设计和操作这台越来越智能的机器。

陆家嘴的大楼还在那里。但是，走进去的路已经变了。旧的地图不管用了。你需要自己画一张新的地图。第一步，就是更新你的简历。