2. 自我介绍模板

面试开场90%的决定性印象来自自我介绍。本章拆解1分钟/3分钟双版本结构、技术栈包装方法与项目亮点表达公式，帮助你从“我会什么”升级到“我能为团队解决什么”。

📊 1分钟 vs 3分钟 版本结构对照

模块	1分钟（120~150字）	3分钟（350~450字）
开场	姓名 + 院校 + “感知算法方向”	加一句对自动驾驶的认知或兴趣来源
技术栈	2个核心技能（如BEV感知、多传感器融合）	3~4个技能 + 具体框架/工具（MMDetection3D、nuScenes）
项目亮点	选1个项目：一句话背景 + 1个量化成果	按STAR展开：场景→方法→数据→效果指标
匹配度	“非常匹配贵司XX业务方向”	结合岗位要求，讲1个直接相关的能力或项目
收尾	“希望能加入团队，谢谢”	简要总结 + 表达对面试的期待

---

🎙️ 面试问答 · 卡片1：1分钟自我介绍

面试官考察点：

• 信息提炼能力（能否在短时间内突出核心优势）
• 目标岗位匹配度（是否提前了解过业务）
• 表达逻辑（是否具备结构化思维）

回答框架： 标签 → 核心技能 → 项目亮点 → 收尾

示例回答（98字）：

“面试官好，我是张明，清华计算机硕士，专注自动驾驶感知算法。我熟悉BEV感知与多模态融合，在nuScenes数据集上基于BEVFormer将mAP提升5.2%。在滴滴实习期间落地了单目3D检测项目，推理延迟从35ms降至18ms。我非常匹配贵司的Occupancy预测方向，希望能加入团队。谢谢！”

可能追问： “你刚刚提到的mAP提升5.2%，具体是基于哪个模型？做了哪些改进？”

---

🎙️ 面试问答 · 卡片2：技术栈包装

面试官考察点：

• 技术深度与广度（是否只停留在“用过”）
• 工程落地能力（是否只看过）
• 技术选型经验（为何选某个方案）

回答框架： 底层能力（语言/框架） → 感知专项（检测/分割/融合） → 工程工具（部署/优化） → 业务理解

示例回答（95字）：

“我的技术栈以Python和PyTorch为主，熟悉C++和ONNX/TensorRT部署。在感知方面，深入使用过CenterPoint、BEVFormer等BEV方案，并做过Transformer结构裁剪使模型减少30%参数。工程上熟练使用MMDetection3D、nuScenes-devkit，有NVIDIA Orin上量化部署经验。”

可能追问： “你提到的模型裁剪具体用了哪些方法？剪枝后精度掉了多少？”

---

🎙️ 面试问答 · 卡片3：项目亮点提炼

面试官考察点：

• 项目复杂度（是否有真实业务场景）
• 个人贡献（Leader、核心、参与？）
• 量化结果（能否用数字证明价值）

回答框架： STAR法则：Situation（背景）→ Task（任务）→ Action（方法/动作）→ Result（量化成果）

示例回答（98字）：

“在滴滴实习时，团队需要将单目3D检测部署到Orin上，但原始模型延迟35ms无法满足实时要求。我主导了模型轻量化：将Backbone替换为RepVGG-B0，并使用结构化剪枝和INT8量化，最终延迟降至18ms，mAP仅下降0.7%。该方案已上线到量产车型中。”

可能追问： “你是如何选择剪枝比例的？剪枝后有没有做知识蒸馏？”

---