CV-guide för prompt engineers: Så får du ett jobb som knappt existerade för två år sedan

Prompt engineering befinner sig i en ovanlig position på arbetsmarknaden. Det är verkligt — företag anställer aktivt för det, betalar konkurrenskraftiga löner och behandlar det som en distinkt teknisk kompetens. Det avfärdas också ofta — av teknologer som anser att det är en övergående färdighet som kommer att automatiseras bort, av HR-system som inte vet vilken jobfamilj den tillhör, och av rekryterare som inte alltid kan skilja genuin expertis från någon som har lekt med ChatGPT.

Resultatet är ett märkligt meritproblem. Prompt engineering har ingen etablerad universitetsexamen, ingen allmänt erkänd certifiering, ingen standardiserad jobbtitel och ingen konsensus om vad rollen faktiskt innebär. Du försöker få anställning för ett jobb som marknaden ännu inte har bestämt sig för hur man utvärderar — och gör det medan du konkurrerar mot en flod av människor som har lagt till "prompt engineer" i sin LinkedIn-rubrik efter en veckosluts experimentation.

Den här guiden täcker hur man skär igenom det bruset och presenterar ett CV som demonstrerar genuin prompt engineering-kompetens för de personer som faktiskt vet vad de letar efter.

Vad prompt engineering faktiskt är (och inte är)

Innan du skriver ett enda ord i ditt CV, var tydlig i ditt eget huvud om vad prompt engineering är som en professionell kompetens — för oklarheten i fältets definition är en väsentlig del av utmaningen.

I grunden är professionell prompt engineering praktiken att designa, testa och förfina språkmodellsindata för att tillförlitligt producera utdata som uppfyller specifika kvalitets- och prestandastandarder i ett produktionskontext. Betoningen på "produktion" och "tillförlitligt" och "specifika standarder" är vad som skiljer riktig prompt engineering från casual experimentation.

Riktig prompt engineering involverar:

• Att designa promptstrukturer (systemmeddelanden, few-shot-exempel, chain-of-thought-scaffolding, outputformatsbegränsningar) som producerar konsekventa utdata över ett brett spektrum av indata
• Att bygga och köra utvärderingsramverk för att mäta om promptändringar förbättrar eller försämrar prestanda på definierade metriker
• Att förstå och utnyttja modellspecifika beteenden, inklusive skillnader mellan modellfamiljer, finjusterade varianter och instruktionsinriktade modeller
• Promptversionering och systematisk iteration med korrekt ändringshantering
• Att designa för edge cases och adversariella indata som skulle orsaka promptmisslyckanden
• Kostnadsoptimering (tokeneffektivitet, cachningsstrategier, modellroutning för kostnads-/kvalitetsavvägningar)
• Integration i produktionssystem via API:er, function calling, verktygsanvändning och RAG-arkitekturer

Vad det inte är: att skriva intressanta frågor i ChatGPT, att använda AI-verktyg för personlig produktivitet eller att slutföra en kurs som lär ut "de 7 typerna av prompter."

Ditt CV måste demonstrera det förstnämnda och implicit ta avstånd från det sistnämnda.

Bevisproblemet och hur man löser det

Kärnumaningen med prompt engineering-CV:t är bevisproblemet: mycket av det bästa arbetet är osynligt. En bra prompt som tillförlitligt extraherar strukturerad data från ostrukturerade dokument producerar inte ett synligt artefakt på det sätt som en kodbas, en design eller en publicerad artikel gör. Arbetet lever i en promptmallfil som kan vara proprietär, i utvärderingskalkylblad som inte kan delas, och i produktionsmetriker som är konfidentiella.

Här är hur man skapar offentliga bevis på dina färdigheter:

Bygg offentliga verktyg. Ett offentligt tillgängligt verktyg som använder sofistikerat promptande för att göra något genuint användbart — och dokumentera det som en fallstudie — är det enskilt mest kraftfulla portföljstycket för en prompt engineer. Det behöver inte vara en produkt. Det kan vara ett Python-skript med ett offentligt GitHub-repo, ett Hugging Face-space eller en delad Colab-anteckningsbok. Det som spelar roll är att en intervjuare kan titta på det och se: den här personen förstår hur man designar prompter som fungerar tillförlitligt på varierade indata.

Skriv om din process offentligt. De tekniker du använder för att designa prompter, de utvärderingsramverk du har byggt, de fellägen du har lärt dig att förutse — dessa gör utmärkta tekniska skrivmaterial. Ett detaljerat inlägg om hur du förbättrade en prompts tillförlitlighet för en specifik extraktionsuppgift (även ett personligt projekt) demonstrerar tekniskt djup på ett sätt som en jobbtitel inte kan.

Bidra till öppen källkod AI-verktyg. Projekt som LangChain, DSPy, Instructor och relaterade bibliotek har aktiva gemenskaper och prompt-relaterade frågor och exempel. Att bidra demonstrerar både teknisk läskunnighet och engagemang med den professionella gemenskapen.

Tävla offentligt. Flera prompt engineering-tävlingar och utmaningar finns (PromptHero, olika Hugging Face-tävlingar, AI-hackathons). Att placera bra i någon av dessa är citerbart bevis.

CV-struktur för prompt engineers

Sammanfattningsavsnitt: Var specifik om de modellfamiljer du har arbetat med, de typer av uppgifter du har engineered prompter för och din utvärderingsmetod. "Erfarenhet av prompt engineering" är brus. "Två år av prompt engineering för informationsextraktions- och strukturerade datagenerationsuppgifter med GPT-4, Claude 3 och Mistral-varianter, med kvantifierade eval-ramverk i produktion" är signal.

Inkludera en länk till din portfölj (GitHub, personlig sida) om du har en. För prompt engineers är portföljlänken i CV-sammanfattningen ännu viktigare än i andra tekniska roller eftersom det inte finns något annat standardmeritering att peka på.

Erfarenhetsposter: För varje relevant roll, dokumentera prompt engineering-arbete specifikt, inte bara produktresultaten. Läsaren måste se både vad AI-systemet gjorde och hur du byggde promptinglagret som fick det att fungera.

Exempel på en svag erfarenhetspunkt: "Developed AI features for the customer support platform."

Exempel på en stark erfarenhetspunkt: "Designade och itererade den flerstegs-prompting-pipelinen för automatiserad biljettklassificering (avsikt + brådska + routningskategori), minskade mänsklig eskaleringsfrekvens från 34 % till 11 % över 4 månader genom systematisk promptutvärdering mot ett 2 000-exemplars märkt testset. Upprätthöll produktionsprestanda över två stora modelluppdateringar (GPT-4 → GPT-4o → GPT-4o mini) genom versionskontrollerad promptiteration."

Detaljerna här — metriken, utvärderingsmetoden, provstorleken, modellmigreringen — är alla bevis på professionellt arbete.

Färdighetsavsnitt: Inkludera specifika modellfamiljer (GPT-4 / GPT-4o, Claude 3 / Claude 3.5, Gemini, Mistral, Llama-varianter), ramverk (LangChain, LlamaIndex, DSPy, Instructor, Semantic Kernel), utvärderingsverktyg (RAGAS, LangSmith, anpassade eval-pipelines) och stödfärdigheter (Python, JSON-schema, vektordatabaser, inbäddningsmodeller).

Lägg inte till utfyllnad i färdighetsavsnittet med saker du bara har använt en gång. Allt du listar bör du kunna prata om i en teknisk intervju.

Tekniska kompetenser att demonstrera

Rekryterare som utvärderar prompt engineer-kandidater letar efter bevis på specifika tekniska kompetenser. Dessa är de som starkast signalerar professionell förmåga:

Utvärderingsdesign. Förmågan att bygga utvärderingsramverk som kan mäta om en promptändring faktiskt är en förbättring är möjligen den viktigaste prompt engineering-kompetensen. Detta kräver: att definiera uppgiftsspecifika kvalitetsmetriker, bygga eller källhämta testset, och köra systematiska jämförelser. Någon som säger "jag itererar på prompter tills de verkar bättre" är en hobbyist. Någon som säger "jag byggde ett 500-exemplars eval-set med mänskligt märkt ground truth och körde alla promptiterationer mot det innan jag marknadsförde till produktion" är en professionell.

Hantering av promptfellägen. Hur hanterar du prompt injection? Jailbreak-försök? Distributionsshift (prompten fungerar på träningsdata men misslyckas på edge cases som testset inte täckte)? Försämring över modelluppdateringar? Att demonstrera medvetenhet om dessa utmaningar och visa hur du har hanterat dem är kraftfullt bevis på produktionserfarenhet.

Strukturerad outputteknik. Att få språkmodeller att tillförlitligt producera strukturerade utdata (JSON med specifika scheman, strukturerade tabeller, kategoriserade extraktioner) är en kärnproduktionsfärdighet. Detta involverar outputformatspecifikation, validering och omförsökslogik, och hantering av fall där modellen inte följer schemat. Specifik erfarenhet här är högt värderat.

Flerstegs- och agentiska pipelines. För roller som involverar agentiska system — verktygsanvändning, flerstegsresonering, function calling, orkestrering av flera LLM-anrop — är erfarenhet av tillförlitlighet, felhantering och kostnadshantering i dessa arkitekturer en stark differentieringsfaktor.

RAG-arkitektur. Retrieval-Augmented Generation är nu en standardarkitektur för många enterprise-AI-produkter. Att förstå hur retrievalkvalitet påverkar genereringskvalitet, hur man ställer in chunking- och retrieval-strategier, och hur man designar prompter som effektivt använder hämtat kontext är en kärnkompetens för många prompt engineering-roller.

Att bemöta "Är detta ett riktigt jobb?"-skepticismen

Vissa intervjuare och rekryterare tror genuint att prompt engineering kommer att automatiseras eller göras irrelevant allteftersom modeller blir mer kapabla att självinstruera. Du kan stöta på denna skepsis.

Beviset mot denna syn är praktisk: produktions-AI-system kräver löpande promptunderhåll allteftersom modeller uppdateras, allteftersom nya edge cases uppstår, allteftersom utvärdering avslöjar luckor och allteftersom krav ändras. Detta är inte fundamentalt annorlunda från hur programvarusystem kräver löpande underhåll — det faktum att verktyg gör det lättare eliminerar inte det omdöme som krävs för att göra det bra.

Det starkare svaret är inte att argumentera poängen utan att göra fallet empiriskt genom ditt CV. Om ditt CV demonstrerar att du mätbart har förbättrat produktions-AI-system, minskat felfrekvenser, upprätthållit prestanda genom modellövergångar och byggt utvärderingsinfrastruktur som andra använder — blir den teoretiska frågan om prompt engineering är "verkligt" irrelevant. Arbetet producerade värde. Det är det enda argument som spelar roll.

Att anpassa ditt CV till specifika roller

Titeln "prompt engineer" täcker ett brett spektrum av faktiska roller. Att anpassa ditt CV kräver förståelse för vilken typ av roll du riktar in dig på.

Forsknings- och experimentationsroller (vanliga på AI-labs, forskningsframåtlutande företag): betona din utvärderingsmetodik, din bekantskap med modellutvärderingslitteratur och eventuella akademiska eller kvasiakademiska bidrag du har gjort till fältet.

Produktionsenjöringsroller (de flesta enterprise-AI-team): betona tillförlitlighet, skala, kostnadsoptimering, övervakning och underhåll över modellövergångar.

AI-produktroller (AI PM:er som också promptar, eller produktangränsande ingenjörer): betona kopplingen mellan tekniska promptval och användarupplevelsebehov. Visa kedjan från promptbeslut till användarbeteende till affärsmetrik.

Vertikala applikationer (legal AI, medicinsk AI, finansiell AI): betona domänkunskap vid sidan av prompt engineering-färdighet. En prompt engineer som förstår det specifika ordförrådet, det regulatoriska sammanhanget och kvalitetsstandarderna för måldomänen är mycket mer värdefull än en generalist i de flesta vertikala AI-applikationer.

Verktyg som NextCV kan hjälpa dig att anpassa ett enda starkt CV-utkast till det specifika språket i olika jobbbeskrivningar — vilket spelar roll i ett fält där rolldefinitionen varierar så mycket mellan arbetsgivare.

Vad intervjun kommer att testa

Ditt CV ger dig intervjun. Intervjun testar tre saker specifikt för prompt engineering-roller:

Live-promptande förmåga. Förvänta dig att få en uppgift och bli ombedd att engineera en prompt för den i realtid. Utvärderaren kontrollerar inte bara om du får ett bra resultat — de tittar på din process: hur du tänker om strukturen, hur du hanterar felfall, hur du itererar och om du föreslår en utvärderingsmetod.

Tekniskt djup om modeller. Förvänta dig frågor om specifika modellbeteenden: vilka är begränsningarna hos den modellfamilj du har använt mest? Hur påverkar kontextfönsterlängd utdatakvalitet? Hur hanterar du modeller som är inkonsekventa i att följa instruktioner? Dessa frågor separerar de som har använt verktygen från de som förstår dem.

Omdöme under tvetydighet. Verkliga prompt engineering-problem är underspecificerade — kraven är oklara, utvärderingskriterierna är omstridda eller modellens beteende är oväntat. Hur hanterar du tvetydighet? Hur förvandlar du ett vagt krav till en testbar specifikation? Det omdömet är det svåraste att träna och det mest värdefulla att demonstrera.

Att komma igång med CV:t om du är ny inom fältet

Om du riktar in dig på prompt engineering-roller men inte har en konventionell anställningshistorik inom fältet, löper vägen till ett trovärdigt CV genom offentligt arbete.

Börja med ett projekt: välj ett verkligt problem som en språkmodell kunde hjälpa till att lösa — extrahera strukturerad data från dokument, generera konsekventa sammanfattningar av en specifik typ av innehåll, klassificera indata i en definierad taxonomi. Bygg ett promptsystem som hanterar det rigoröst, med utvärdering. Dokumentera processen i detalj. Gör det offentligt tillgängligt.

Det enda projektet, väl dokumenterat, kommer att göra mer för ditt CV än en lista av kurser eller certifieringar. Det är konkreta bevis på den kompetens som spelar roll.

NextCV kan hjälpa dig att strukturera och formulera erfarenheten kring det projektet så att det läses som professionellt arbete snarare än ett hobbyprojekt — för för många självstyrda prompt engineers är det precis vad det är.

Fältet är nytt. Utvärderingskriterierna håller fortfarande på att etableras. Kandidater som visar rigoröst tänkande, genuint tekniskt engagemang och offentliga bevis på sitt tillvägagångssätt har en mycket tydligare väg in i rollen än de som väntar på att meriter ska existera.

Bygg beviset. Skriv CV:t kring det. Få jobbet.