3. 项目包装与STAR法则实战
面试中90%的项目描述失败，源于“有过程无结果、有技术无价值”。STAR法则不是流水账，而是用结构性叙事 + 数据锚点让面试官快速抓取你的核心贡献。本章带你直接套用大厂偏好的表达模板，避开HR和Tech Lead最反感的踩坑点。
公司侧重点
| 公司 | 项目关注点 | 加分表达 |
|---|---|---|
| 字节跳动（自动驾驶/机器人） | 落地效率、工程化能力 | “从算法到部署压缩30%延迟” |
| 大疆（感知+决策） | 极端场景鲁棒性、轻量化 | “在嵌入式模型上保持98%召回” |
| 华为车BU | 系统级方案、安全冗余 | “融合多传感器后FN降低40%” |
| 地平线 / 旷视 | 前沿算法创新、学术影响力 | “提出SparseAttn，获CVPR Oral” |
面试官画像
Tech Lead型：喜欢追问技术细节，如“为什么用这个loss？消融实验怎么做的？”——需要你展示从现象到本质的思考。 HR+PM混合型：关注项目价值和个人角色，如“你的贡献占比多少？项目有没有实际上线？”——必须用量化数据区分是你的功劳还是团队成果。 压力测试型：中途打断并质疑“你这个指标看起来不真实”——提前准备数据来源和计算方式，用“统计了1000帧测试集，mAP提升5.2%”堵住质疑。
回答框架
把STAR拆解为一句话钩子 + 四段式子弹：
- S (情境)：1-2句交代背景、业务场景、团队规模。例：“在某仓储AGV项目中，仓库面积5000㎡，要求识别箱体堆叠状态。”
- T (任务)：明确你的角色和具体目标。例：“我负责3D点云实例分割模块，目标是在Jetson TX2上达到15FPS，且识别准确率≥90%。”
- A (行动)：按逻辑顺序列出2-3个关键动作，突出算法选型、创新点、调试过程。例：“对比PointNet++和3D UNet后，提出基于注意力机制的轻量网络，并将模型量化到INT8。”
- R (结果)：量化最终效果（延迟、精度、成本），最好对比基线。例：“最终FPS达到18，IoU比基线提升4.3%，内存占用减少35%。”
简短示例（完整STAR）
项目：基于激光雷达的车辆检测（百度Apollo实习）
- S：开放道路场景，要求检测距离0-80m内的车辆，需满足实时性。
- T：独立设计并优化VoxelNet检测头，目标：mAP≥85%，单帧推理≤30ms。
- A：①分析现有模型对远距离小目标召回低，引入多头注意力机制；②用TensorRT优化前向推理，FP16量化；③在自有数据集上做BN调优。
- R：最终mAP达到87.6%（+3.1%），单帧推理时间22ms，通过内部评审并集成至实车测试。
Q1：请描述一个你遇到的技术难点最大的项目
回答要点：用STAR框架聚焦“难以解决的矛盾”，比如精度与速度的权衡。避免只说“我调参调了很久”。
常见追问：“为什么不用另一个网络？你当时考虑了哪些替代方案？”→ 提前准备至少两个方案对比表。
避坑：不要把难点说成“没人指导”——这暴露沟通能力缺陷。应表述为“现有方案在低光照下误检率40%，急需改进”。
Q2：你的量化成果中这个指标是怎么来的？
回答要点：明确测试集规模、标注标准、评价指标定义。如“在1000张人工标注的高精度点云上，按官方KITTI标准计算”。
常见追问：“你们用了数据增强吗？测试集是否与训练集分布不同？”→ 准备实验设置说明。
避坑：虚报数据（“提高20%”但基线极差）会被追问戳穿。最好给数值和相对提升两个层面。
Q3：如果你现在重新做这个项目，会怎么改进？
回答要点：展示复盘能力和技术视野。例如“当时受限于标注成本，用了有监督；现在可以用半监督+主动学习降低50%标注量”。
常见追问：“具体用哪种半监督方法？你怎么确保pseudo label质量？”→ 需要有具体或思路。
避坑：不要回答“我觉得已经很好了，没什么可改”——显得缺乏成长性。给出1-2个可落地的优化方向即可。