📚 课程目录第2章简历撰写与项目包装

第2章：简历撰写与项目包装：高频问题、回答框架、追问方向

  关键数据：82%的面试官会从简历上项目描述的第一句话建立初始印象，
70%的追问内容来自项目细节而非八股题。

环节	面试官想看的	常见失分点	包装原则
项目背景	业务痛点 & 项目定位	只说“做了XXX模型”	一句话点明问题规模/效果差距
个人角色	你是主导者还是参与者？	用“我们”模糊个人贡献	明确“我独立负责/主导……”
技术方案	技术选型理由 & 创新点	堆砌模型名称无对比	给出2-3个候选方案的选择逻辑
结果量化	指标提升 / 落地收益	只说“效果不错”	具体数值 + 对比baseline
个人成长	反思与可迁移能力	没有或太虚	一句话总结“学到了什么方法论”

💡 包装核心：每个项目都要能做到“30秒讲清楚问题-方案-结果”，再用1-2分钟展开细节，留出追问空间。

考察点	结构清晰度、技术深度、量化意识、自我定位
回答框架	STAR法则：S-背景（一句话业务痛点）→ T-目标（关键指标）→ A-行动（个人角色 & 方案选择）→ R-结果（具体数字）
示例回答	“我在某电商搜索项目中负责Query改写模型优化。线上用户拼写错误导致召回率低5%。我基于T5+领域语料微调，设计prefix-tuning减少全量微调成本。最终改写准确率从82%提升至93%，线上召回率提升4.2%，模型推理速度仅增加3ms。”
可能追问	为什么选T5而不是BART？错例怎么处理？prefix-tuning的参数量？怎么保证不引入新badcase？
避坑提醒	❌ 不要只提模型名不提选型理由；✅ 准备1-2个具体badcase说明你的改进方向。

考察点	问题定位能力、解决路径、技术韧性
回答框架	挑战描述 → 尝试的方案（至少2种） → 最终解决策略 → 结果
示例回答	“最大挑战是改写模型对长尾错误（如‘苹果手机’误写为‘苹狗手机’）召回极差。先尝试增加规则模板（覆盖30%），又做数据增强（提升至60%），最终引入字符级对抗训练，让模型关注字形相似性，最终召回率从60%提升至85%。”
可能追问	对抗训练具体怎么做？负样本如何选取？为什么不用预训练词向量？
避坑提醒	❌ 只说“我调了参数”毫无信息量；✅ 必须有“假设→验证→迭代”的思考过程。

考察点	归因分析能力、对模型/data/任务的深刻理解
回答框架	按贡献度排序：数据层面（清洗/增强）→ 模型层面（结构/训练策略）→ 推理层面（解码/后处理）
示例回答	“主要贡献有三点：①数据清洗去除了30%噪声标注，直接提升基础分3%；②加入对比学习损失让正负样本距离更合理，提升4%；③推理时用beam search+长度惩罚替代贪心，又提升了1.2%。”
可能追问	各个贡献百分比怎么来的？是否做过消融实验？对比学习的温度系数怎么调的？
避坑提醒	❌ 不要只归因于“使用了更好的模型”；✅ 数值归因要有消融实验支撑或至少合理估算。

考察点	对Parameter-Efficient Fine-Tuning的理解深度、实际调参经验
回答框架	为什么选LoRA → rank怎么定 → 哪些层加Adapter → 与全量微调的效果对比
示例回答	“我们采用LoRA是因为GPU显存只有24GB而基座7B。rank从4试到16，发现rank=8时效果已经饱和。只在QKV投影层加入，训练参数量仅0.3%。最终效果比全量微调差1%，但训练时间减少70%，支持多任务热切换。”
可能追问	为什么不在FFN层加？rank大小对效果影响曲线？和AdaLoRA做过比较吗？
避坑提醒	❌ 不要只背概念“LoRA低秩分解”；✅ 要有自己实际调rank/层数的经验数字。

考察点	复盘能力、归因客观性、迭代意识
回答框架	描述失败现象 → 排除法找原因 → 具体解决方案（是否补救） → 经验总结
示例回答	“尝试用蒸馏到6B模型，但蒸馏后输出变得死板。排除数据问题后，发现logits温度未对齐导致软标签失真。改为动态温度匹配后蒸馏损失下降30%，但仍比原始模型差2%。最终我们采用两阶段训练：先蒸馏后RLHF，最终效果追平baseline。”
可能追问	蒸馏温度怎么调？RLHF奖励模型怎么训练的？如果重来会怎么改方案？
避坑提醒	❌ 不要只说“没效果但不知道为什么”；✅ 体现出系统性排查：数据→模型→训练→推理。

考察点	RAG组件理解、检索与生成结合能力、实际落地考量
回答框架	业务场景 → 检索方案（向量/关键词/混合） → 生成模块（上下文长度/截断策略） → 效果 vs 单纯生成式
示例回答	“任务是为法律文档做问答。我们采用BM25+稠密向量混合检索，top8结果拼接后送入ChatGLM3-6B。发现长上下文导致模型‘迷失’，于是引入重排序+分段总结。最终准确率从47%提升至72%，且幻觉率降低60%。”
可能追问	为什么不用纯向量检索？重排序用的是什么模型？上下文长度截断怎么设计的？
避坑提醒	❌ 不要只讲概念“RAG检索+生成”；✅ 要提到实际遇到的困难和权衡（检索延迟、上下文窗口、幻觉控制）。

⚠️ 避坑总结：面试官追问不是要考倒你，而是想看到你“技术选型有依据、困难有解法、结果有归因、失败有反思”。每个项目至少准备3个层次的追问应对。

📌 作业：挑选简历中你最想展示的一个项目，用本章的6个问题逐一写出你的回答（每个不超160字），然后模拟追问，自我检查是否有模糊或无法量化的部分。