1. 岗位能力画像与简历优化模板

反欺诈算法工程师是一个“算法能力+业务理解+对抗思维”三重叠加的岗位。很多候选人简历上写着“熟悉XGBoost、做过风控模型”，却在面试第一轮就被追问到哑口无言，根本原因是：没有把自己的经历翻译成岗位真正想听的语言。本章先解决最前置的问题——岗位到底要什么人，你的简历该怎么写。这是后续29章所有技术追问的起点。

一、核心原理：反欺诈岗位的能力画像

反欺诈与推荐、搜索最大的区别在于：你面对的是一个主动对抗的对手。推荐系统优化的是“用户喜不喜欢”，反欺诈优化的是“这个人是不是坏人，以及他会不会因为你的规则而改变行为”。因此岗位能力可以拆成四层：

• 算法建模层：分类与异常检测（XGBoost、LightGBM、Isolation Forest、AutoEncoder）、图算法（社区发现、团伙识别）、序列模型（RNN/Transformer识别行为序列异常）。
• 特征与数据层：设备指纹、IP画像、关系网络、时序聚合特征、滑动窗口统计，以及特征实时化能力。
• 业务与策略层：理解注册、登录、支付、营销、内容等不同场景的欺诈形态，能把模型分转化为拦截策略与阈值。
• 对抗与工程层：样本对抗、概念漂移监控、黑白样本闭环、模型上线与A/B实验、误杀与漏杀的权衡。

面试官判断候选人是否合格，往往看三点：是否做过真实对抗场景、是否理解误杀成本、是否能讲清从数据到策略的闭环。这三点决定了你的简历必须突出“场景+指标+对抗”。

二、方法流程：简历结构模板与关键词清单

反欺诈简历建议采用“一句话定位 + 核心项目 + 技能栈 + 成果数据”的结构。项目描述不要写成职责清单，而要用“场景—方法—对抗—结果”四段式。下面给出关键词清单，面试官和HR系统都在扫这些词：

成果量化句式推荐三种模板，直接套用即可：

句式1（效果型）：通过【方法】，将【场景】的【指标】从 A 提升/降低到 B，误杀率控制在 C% 以内。
句式2（对抗型）：针对【欺诈手法】，设计【特征/模型】，使该团伙召回率提升 X%，策略拦截准确率提升 Y%。
句式3（工程型）：将【模型/特征】上线至【系统】，端到端延迟从 A ms 降至 B ms，支撑日均 C 万次请求。

三、案例/场景：一份简历片段的改写对比

下面用真实场景演示改写前后的差异。假设候选人做过电商营销反薅羊毛项目：

• 改写前：负责营销活动风控，使用机器学习模型识别异常用户，提升了风控效果。
• 改写后：针对大促期间“批量小号+设备农场”薅券团伙，构建设备指纹聚类与IP段聚集特征，采用LightGBM+规则兜底策略，团伙召回率从62%提升至85%，误杀正常用户率控制在0.2%以内，日均拦截异常请求12万次。

改写后的版本让面试官立刻能追问：设备指纹怎么做的？团伙标签怎么定义？误杀率怎么测算？——能被追问，才是好简历。反过来，如果简历写得太空，面试官无从问起，你就失去了展示深度的机会。

四、误区/复盘：简历中最常见的四个坑

1. 只写模型不写场景：“使用XGBoost做风控”没有信息量。反欺诈是场景驱动的，必须写清是注册、支付还是营销。
2. 指标只写准确率：反欺诈样本极度不平衡，准确率没有意义。要写召回率、误杀率、拦截准确率、团伙覆盖率。
3. 忽略对抗与漂移：不写样本对抗和模型监控，面试官会认为你没做过真实线上对抗。
4. 堆砌技术名词：写了图神经网络却讲不清图怎么构建、节点和边是什么，反而减分。

本章的能力画像和简历模板是后续所有技术章节的“锚”。当你准备每一个面试题时，都回到这张能力画像上：这道题考的是算法建模、特征数据、业务策略还是对抗工程？把答案挂到对应的能力维度上，你的表达就会始终围绕岗位需求展开，而不是漫无目的地背知识点。