面试官考察点：表达是否结构化、能否在短时间内抓住重点、技术栈与岗位匹配度、项目成果是否可量化。
回答框架：“一句话定位 + 三段式经历 + 一个亮点项目 + 求职动机”。总时长控制在 1.5–2 分钟。
示例回答：“我是算法工程师，专注驾驶智能体的决策规划与仿真评测。曾负责某 L2+ 项目的变道决策模块，用 POMDP 建模交互不确定性，将变道成功率提升 12%。也搭建过闭环仿真平台，支撑日均 10 万公里测试。希望加入贵司，把智能体算法落地到更复杂的城市场景。”
可能追问：“你提到的 POMDP 具体怎么建模？”“变道成功率提升 12% 是怎么算的？”“仿真平台用了哪些工具？”
避坑提醒：不要背简历流水账；不要只讲技术名词不讲业务价值；不要超过 2 分钟。
面试官考察点：项目包装能力、技术选型逻辑、对业务指标的理解、能否把复杂问题讲简单。
回答框架：“业务痛点 → 技术挑战 → 方案对比 → 我的决策 → 量化结果 → 可迁移经验”。
示例回答：“在路口通行项目中，痛点是无保护左转博弈难。我对比了规则法、模仿学习和强化学习，最终选分层强化学习：高层决策让行/抢行，低层规划轨迹。通过奖励塑形和课程学习，通行效率提升 18%，碰撞率降为 0。这套分层思路也可迁移到环岛场景。”
可能追问：“为什么不用模仿学习？”“奖励函数怎么设计的？”“课程学习具体怎么安排？”
避坑提醒：不要只讲“我用了某某算法”，要讲“为什么选它、对比了什么、结果如何”。
面试官考察点：结构化表达、问题解决能力、技术深度、反思与成长。
回答框架：S（背景与痛点）→ T（目标与职责）→ A（技术方案与决策）→ R（量化结果与复盘）。
示例回答：“S：高速匝道汇入场景，智能体常因交互预测不准导致急刹。T：我负责优化汇入决策，目标是将急刹率降低 50%。A：我引入交互式预测模型，结合博弈论做在线推理，并设计安全冗余策略。R：急刹率下降 62%，乘坐舒适度评分提升 0.8。复盘发现预测误差仍是瓶颈，后续可引入注意力机制。”
可能追问：“交互式预测模型具体是什么？”“安全冗余怎么设计的？”“如果重做一次，你会怎么改进？”
避坑提醒：不要只讲 Action 不讲 Result；不要忽略复盘与反思；不要虚构数据。
| 项目要素 | 内容 |
|---|---|
| 项目名称 | 城市道路智能体决策规划系统 |
| 业务背景 | L2+ 城区辅助驾驶，需处理无保护左转、加塞、行人交互等复杂场景 |
| 规模指标 | 日均仿真 10 万公里，实车测试 5000 公里，覆盖 200+ 场景 |
| 技术栈 | POMDP、分层强化学习、Transformer 预测、C++/Python、ROS、CARLA |
| 核心难点 | 交互不确定性建模、实时推理性能、安全与效率的平衡 |
| 面试高频追问 | POMDP 状态空间怎么定义？强化学习奖励函数如何设计？如何保证实时性？ |
| 可迁移回答话术 | “这套分层决策框架也可用于泊车、环岛等场景，核心是把不确定性交给高层推理，低层专注轨迹优化。” |