自我介绍模板与 STAR 表达训练
自我介绍是面试的第一印象，STAR 法则是项目经历表达的黄金结构。本章围绕“说清背景、突出亮点、体现匹配”三个核心，提供 3 种版本的自我介绍模板和 STAR 拆解练习，帮助你建立自信、逻辑清晰的第一轮表达。
本章重点： 1 分钟版本聚焦“你是谁 + 核心匹配”；2 分钟版本扩充“项目亮点 + 关键数据”；3 分钟版本完整覆盖“背景 + 项目 + 结果 + 动机”。STAR 四个模块缺一不可，请逐字写下来并反复演练。
STAR 表达框架图
三种版本自我介绍对比表
| 版本 | 时长 | 核心结构 | 使用场景 |
|---|---|---|---|
| 精简版 | 1 分钟 | 我是谁 + 核心能力 + 匹配意向 | 群面、电梯演讲、初轮筛选 |
| 标准版 | 2 分钟 | 背景 + 2 个核心项目亮点 + 结果数据 | 一面、技术面开场 |
| 深度版 | 3 分钟 | 完整 STAR 闭环 + 职业动机 + 与团队契合点 | 终面、交叉面、主管面 |
重要提醒： 针对大模型评估岗，自我介绍中务必提到与评估相关的经历（如数据标注、指标设计、badcase 分析等），不要只讲模型训练或部署。
面试问答卡片 1：1 分钟自我介绍
面试问题： 请简单介绍一下你自己。
面试官考察点：
- 能否在短时间内抓住岗位核心要求并针对性呈现
- 语言组织是否简洁有力，避免流水账
- 是否有量化意识（用数字支撑能力）
回答框架：
| 环节 | 内容 |
|---|---|
| ① 一句话身份 | 我叫 xxx，XX 年经验，专注模型评估与数据质量。 |
| ② 核心匹配能力 | 曾主导 X 个评估项目，设计 Y 类指标，提升准确率 Z%。 |
| ③ 表达意向 | 期待将评估经验带入贵团队，共同优化大模型落地效果。 |
简短示例回答：
我叫张明，3 年模型评估经验。曾主导某大模型生成质量评估项目，设计涵盖流畅度、准确率、安全性的 12 项指标，团队评估效率提升 40%。期望在贵司继续深耕评估体系。
可能追问：
- 你提到的 40% 提升是怎么测算的？用了什么工具？
- 有哪些你实际推动的 badcase 修复案例？
避坑提醒：
- 不要背诵简历，面试官能听到你在念稿。
- 不要讲不相关的经历（如学生会主席、运营活动）。
- 每个数字必须真实可验证，否则一旦被追问会崩盘。
面试问答卡片 2：3 分钟完整自我介绍
面试问题： 请你用 3 分钟详细介绍一下你的经历。
面试官考察点：
- 能否在长篇幅中保持结构清晰（一般拆成 3 段）
- 是否提供足够的项目细节与方法论
- 职业动机是否明确，是否与团队目标对齐
回答框架（“三段式”升级版）：
| 段落 | 内容 | 时长 |
|---|---|---|
| 第一段：背景与积累 | 学历、工作经历、核心技能栈（评估工具、指标体系） | ~30s |
| 第二段：核心项目（STAR） | 选 1 个最匹配的项目，按 STAR 展开，突出难点与解法 | ~90s |
| 第三段：动机与契合 | 为什么离开现在公司？为什么选择我们？能为团队带来什么 | ~30s |
简短示例回答：
我本科计算机，3 年专注大模型评估。上一段经历中，我负责某对话模型评估体系搭建（S：客户投诉率高 30%）。我设计多层指标（T），主导人工-自动一致性校验（A），最终将误判率从 15% 降到 3%（R）。我关注贵团队在多模态评估上的探索，希望加入并贡献力量。
可能追问：
- 你提到的多层指标具体有哪些？自动校验怎么做的？
- 如果让你从零开始搭建评估体系，你会怎么做？
避坑提醒：
- 控制时间，不要超时，提前计时练习。
- 第二段 STAR 中“行动”部分必须讲清楚“为什么这样做”而非只列步骤。
- 动机要真诚，避免“为了薪资更高”这类通用理由。
面试问答卡片 3：用 STAR 法则描述一个项目
面试问题： 请用 STAR 法则分享一个你做得最好的项目。
面试官考察点：
- 是否理解 STAR 结构并逻辑连贯
- 能否突出个人贡献（而非团队功劳）
- 项目结果是否可量化，且与岗位所需能力高度匹配
回答框架（每一步 2-3 句）：
| STAR 元素 | 关键问题 |
|---|---|
| S - 情境 | 项目背景是什么？遇到了什么业务痛点或技术挑战？ |
| T - 任务 | 你的具体目标是什么？有哪些关键指标要达成？ |
| A - 行动 | 你做了什么？用了什么方法/工具/策略？为什么选这个方案？ |
| R - 结果 | 最终效果如何？最好有数字和对比基线。 |
简短示例回答：
S：大模型在客服场景中幻觉率高达 12%，用户投诉增多。T：我需要将幻觉率降至 5% 以下。A：我主导开发了基于规则 + 小模型联合的自动化评估 pipeline，标注 2000 条 badcase 作为验证集，并优化 prompt 约束。R：最终幻觉率降至 3.8%，人工评估成本降低 60%。
可能追问：
- 为什么规则 + 小模型联合方案比纯规则好？成本差异如何？
- 2000 条 badcase 怎么标的？标注一致性怎么保证？
避坑提醒：
- 不要只说“团队做了”，要用“我主导/我设计了/我推动了”。
- 结果 R 必须体现对比：改进前 vs 改进后，或与基线差距。
- 如果项目实际结果不理想，可以讲“学到了什么”，面试官更看重思考深度。