📚 课程目录第1章岗位能力画像与简历优化模板

岗位能力画像与简历优化模板

  核心观点：大模型算法实习生面试的第一关不是算法题，而是你简历上是否清晰展示了“大模型相关能力闭环”——从数据处理、模型调优到推理部署。本章帮你拆解岗位能力画像，并给出可直接套用的简历模板与关键词清单。

面试官考察点	① 是否真实参与过大模型项目（不是仅跑通 demo）；② 技术栈的完整性和理解深度；③ 能否陈述难点和解决方案
回答框架	STAR + 技术栈交代：Situation（项目目标）→ Task（你的角色）→ Action（具体技术：数据处理、基座选择、微调方法、评估指标）→ Result（量化结果，如 BLEU 提升 3 个点）
示例回答	“在某电商客服场景中，我们基于 Qwen-7B 使用 LoRA 微调，训练数据 10 万条高质量指令对，部署在 vLLM 上。负责数据清洗和 prompt 模板设计，最终在人工评估中回复接受率从 68% 提升至 82%，上线后每天节省 200 个客服工时。”
可能追问	为什么选择 LoRA 而不是全量微调？数据配比如何设计的？如何评估回复质量？
避坑提醒	❌ 不要只讲“我用了 LoRA”，要说明具体参数 rank、target modules 选择；❌ 不要夸大指标，面试官会追问计算口径。

面试官考察点	① 是否掌握推理加速常见手段（量化、KV Cache、FlashAttention）；② 有实际的 benchmark 对比；③ 理解 trade-off（加速 vs 效果损失）
回答框架	问题→方案→效果→权衡：先点出原始瓶颈（如显存、首延迟）→ 采用什么方法（如 INT8 量化、vLLM 的 PagedAttention）→ 具体指标提高（延迟降低 50%）→ 质量损失或精度变化
示例回答	“原始部署显存不足导致 batch size=1，我们使用 INT4 量化 + vLLM 的 PagedAttention，把 batch size 提升到 8，首延迟从 1.2s 降到 0.3s，生成速度提升 4 倍，人工评估回答质量无明显下降。”
可能追问	INT4 量化相比 FP16 精度损失多少？你是如何评估质量无下降的？vLLM 的显存管理原理？
避坑提醒	❌ 不要只说“用了量化”，要说出量化算法名称和具体参数（如 group size=128）；❌ 不要假装没有精度损失，面试官会追问评测集。

面试官考察点	① 是否理解大厂对大模型实习生的核心期待（动手 vs 理论）；② 简历结构化能力；③ 自我定位是否清晰
回答框架	结构 + 关键词 + 成果量化的三层设计：顶部放“开源项目/大模型比赛/”→ 核心技术栈关键词组 → 每个项目写 2-3 点成果，每点包含数据规模和量化提升 → 底部放相关课程/博客
示例回答	“我会在顶部放 HuggingFace 开源贡献（GitHub star 1k+），技术栈列 LoRA、DPO、vLLM、RAG。项目一写‘基于 ChatGLM-6B 的金融问答系统’，数据 5 万条，微调后 ROUGE-L 提升 12%；项目二写‘知识库 RAG 召回优化’，利用 embedding 模型 + 重排序，首轮命中率从 45% 到 78%。”
可能追问	你做的 RAG 检索用了什么向量数据库？重排序模型怎么训练的？如何评估命中率？
避坑提醒	❌ 不要罗列“熟悉 Python / PyTorch”这种通用句，要量化；❌ 不要超过一页，大厂 HR 平均只看 15 秒。

💡 简历优化小贴士：每段经历末尾加一句“成果量化句式”——例如“节省 40% 标注人力”“推理吞吐提升 3.2 倍”“人工评分从 3.2 提升到 4.5（5 分制）”。面试官一眼就能捕捉到你的贡献值。