第1章 岗位能力画像与简历优化模板
本章从三个维度拆解AWS云技术专家的面试准备：能力画像（面试官眼中理想的候选人模型）、简历结构（如何突出技术深度与广度）、成果量化（用数据说话）。掌握本章内容，你就能在简历筛选和面试自我介绍中精准命中面试官的高频考察点。
公司侧重点：AWS面试通常围绕系统设计（高可用/扩展性）、故障排查（根因分析/兜底方案）、成本优化（预留实例/Spot实例）、安全合规（IAM策略/加密）。
面试官画像：多为资深架构师或技术负责人，具备10年以上系统设计经验，偏好“T型”人才（广度覆盖六大能力域，深度在2-3个领域有真实项目沉淀）。
Q1：请描述你作为AWS云技术专家的核心能力。
考察点：技术深度与广度是否匹配岗位要求；是否具备系统化思维。
回答框架：分层呈现法——基础层（网络/计算/存储）→ 核心层（高可用设计/容灾/成本）→ 进阶层（自动化/无服务器/云原生）。
示例回答：我具备从底层网络到应用层的全栈AWS能力。基础层扎实掌握VPC、EC2、S3；核心层主导过跨AZ高可用架构，将RTO从2小时降至15分钟；进阶层使用CloudFormation实现基础设施即代码，并基于Lambda构建事件驱动数据处理流水线。
可能追问：你最擅长哪个能力域？举个具体案例说明架构决策过程。
Q2：你的简历中如何体现AWS技术成果？
考察点：成果量化能力；简历逻辑是否清晰；是否有闭环思维。
回答框架：STAR法——Situation（项目背景与规模）、Task（挑战目标）、Action（技术选型与方案）、Result（量化数据与业务影响）。
示例回答：S-电商平台双11流量峰值为平时10倍；T-保证99.99%可用性并控制成本；A-采用自动伸缩组+Spot实例+RDS只读副本；R-吞吐量提升8倍，成本降低40%，故障次数归零。
可能追问：如果让你重写这一段，会如何改进量化指标？
Q3：请列举你熟悉的AWS关键词清单及掌握程度。
考察点：技术广度与自我认知是否准确；是否持续学习新服务。
回答框架：按服务类别分组 + 掌握程度标注（熟练/掌握/了解） + 补充一句话说明最擅长的服务。
示例回答：计算：EC2(熟练)、ECS(掌握)、Lambda(熟练)；存储：S3(熟练)、EBS(掌握)；网络：VPC(熟练)、CloudFront(掌握)；数据库：RDS(熟练)、DynamoDB(掌握)；安全：IAM(熟练)、KMS(掌握)。我尤其擅长VPC设计与Lambda无服务器架构，项目中常利用其并发控制与预留容量优化成本。
可能追问：你在Lambda并发控制中遇到过什么坑？如何解决？
简历结构模板（AWS方向）
| 模块 | 建议内容 | 示例 |
|---|---|---|
| 技术栈 | 列出核心AWS服务及熟练程度 | Compute: EC2, ECS, Lambda ★★★★ |
| 项目经验 | STAR法则，每个项目3-4行 | 详见问答卡片2 |
| 认证资质 | AWS Certified Solutions Architect – Professional 等 | SAP-C02 2023 |
| 开源/社区 | GitHub仓库、技术博客、Stack Overflow贡献 | https://github.com/xxx/aws-infra |
高频关键词清单
| 类别 | 核心关键词 |
|---|---|
| 计算 | EC2 Auto Scaling, ECS/EKS, Lambda, Fargate, Spot Instance |
| 存储 | S3 (版本控制/存储桶策略), EBS, EFS, Glacier |
| 网络 | VPC (子网/路由表/NAT), Security Group, NACL, CloudFront, Route53 |
| 数据库 | RDS (Multi-AZ/Read Replica), DynamoDB (GSI/On-Demand), ElastiCache |
| 安全 | IAM (角色/策略/权限边界), KMS, WAF, Shield |
| 自动化 | CloudFormation, Terraform, CodePipeline, CloudWatch Events |
| 监控&优化 | CloudWatch (Metrics/Logs), Trusted Advisor, Cost Explorer |
成果量化句式模板
- 性能提升：通过[技术方案]，将[指标]从X提升至Y（或降低X%）。
- 成本降低：迁移/优化后，每月节省$X（或降低X%）。
- 可用性改善：架构调整后，SLA从X%提升至Y%，故障次数减少X次/年。
- 效率提升：自动化部署后，上线时间从X天缩短至Y小时。
- 扩展性：系统支持并发从X增至Y，无性能下降。