1. 岗位能力画像与简历优化模板
第 1 章 · 岗位能力画像与简历优化
驾驶智能体算法工程师
能力画像 · 简历结构 · 关键词清单
🎯 岗位能力拆解
📄 简历优化模板
🔑 关键词清单
📊 成果量化句式
本章导学：驾驶智能体算法工程师是融合「自动驾驶感知决策」与「LLM/Agent 智能体」的复合型岗位。面试官首要考察你是否具备跨域技术迁移能力与系统化工程思维。本章从能力画像出发，拆解简历结构、关键词与量化表达，帮你精准对齐岗位要求。
📄 简历结构优化模板
| 模块 | 内容要点 | 关键词清单 / 量化句式 |
|---|---|---|
| 基本信息 | 姓名 · 联系方式 · 求职意向（驾驶智能体算法工程师） | 驾驶智能体端到端LLM Agent |
| 技术栈 | 编程语言、框架、工具链、部署平台 | Python/C++PyTorchROS/ROS2CARLALangChainTensorRT |
| 项目经历 | STAR 结构：背景 → 任务 → 行动 → 结果（量化） | 感知融合行为预测决策规划Agent 调度工具调用 |
| 成果量化 | 用数字说话：精度、时延、覆盖率、效率提升 | mAP +12%推理时延 -35%场景覆盖率 98%接管率 -40% |
| 论文/专利 | 顶会论文、专利、竞赛名次（可选） | CVPR/ICRA发明专利nuPlan 挑战赛 |
🎤 高频面试问答卡片
请做一个自我介绍，突出你与驾驶智能体岗位的匹配度
面试官考察点
① 技术栈与岗位的匹配度；② 对驾驶智能体领域的理解深度；③ 表达是否结构化、有重点；④ 能否用数据量化成果。
回答框架
「3+1 结构」：3 个核心能力标签（自动驾驶算法 + 智能体开发 + 工程部署） + 1 个量化成果亮点。先总后分，控制在 90 秒内。
我是算法工程师，专注驾驶智能体方向。在自动驾驶感知与决策模块有 3 年经验，主导过基于 Transformer 的端到端规划模型，将复杂路口通过率提升 18%。同时具备 LLM Agent 开发经验，设计过工具调用与记忆模块，支撑仿真场景自动生成。熟悉 C++/Python 与车端部署，能快速将算法落地。
追问：你提到的端到端规划模型，具体如何处理多模态输入？
追问：Agent 的记忆模块如何与驾驶场景结合？
追问：Agent 的记忆模块如何与驾驶场景结合？
避坑：不要罗列所有项目，只讲与驾驶智能体最相关的 2-3 个；避免纯学术描述，强调工程落地与量化结果。
你如何理解「驾驶智能体」与传统自动驾驶算法的区别？
面试官考察点
① 对智能体范式的理解；② 能否将 LLM/Agent 与驾驶任务结合；③ 技术视野与前瞻性；④ 系统设计思维。
回答框架
「对比 + 融合」：先对比传统模块化与智能体范式的差异（感知决策分离 vs 端到端 + 推理），再说明智能体带来的新能力（记忆、工具调用、自然语言交互），最后强调融合落地。
传统自动驾驶是模块化流水线，感知、预测、规划各自独立，泛化能力受限。驾驶智能体引入 LLM 的推理与记忆能力，能处理长尾场景，并通过工具调用动态查询地图、交通规则。但并非替代，而是增强——用 Agent 做高层决策与交互，底层控制仍用经典算法保证安全。
追问：智能体决策的实时性如何保证？
追问：你如何设计安全兜底机制？
追问：你如何设计安全兜底机制？
避坑：不要贬低传统方法，要体现融合思维；避免空谈概念，结合具体技术点（如记忆模块、工具调用）说明。
你做过的最有挑战的驾驶智能体项目是什么？
面试官考察点
① 项目复杂度与个人贡献；② 技术深度与问题解决能力；③ 量化结果与业务价值；④ 反思与迭代能力。
回答框架
STAR 法则：Situation（业务背景）→ Task（你的任务）→ Action（技术方案与行动）→ Result（量化结果 + 反思）。重点突出「智能体」相关技术决策。
在仿真场景自动生成项目中，传统方法覆盖长尾场景效率低。我设计了一个基于 LLM Agent 的场景生成器，通过工具调用动态组合交通参与者行为，并引入记忆模块避免重复。最终场景覆盖率从 72% 提升到 95%，生成效率提升 3 倍，支撑了 2000+ 场景的回归测试。
追问：记忆模块的具体实现？如何评估生成场景的有效性？
追问：如果让你重新设计，会优化哪里？
追问：如果让你重新设计，会优化哪里？
避坑：不要只讲团队成果，明确个人贡献；避免技术堆砌，讲清楚为什么选择 Agent 方案而非传统方法。
📌 本章小结：驾驶智能体算法工程师需要同时具备「自动驾驶算法深度」与「智能体系统广度」。简历中务必用量化句式突出成果，面试中围绕融合思维与工程落地展开。下一章将深入「感知与预测算法」专项。