📚 课程目录第1章岗位能力画像与简历优化模板

第1章 · 岗位能力画像与简历优化模板

本章定位：拆解大模型算法平台工程师的5维能力模型，建立简历与岗位的精准匹配框架。从面试官视角反向推导简历关键词、量化句式和结构模板，让每一段项目经历都成为面试加分项。

💡 面试官核心逻辑：所有问题都围绕"你能否胜任这个岗位的5维能力？"展开。简历和回答都要让面试官快速定位你的能力坐标。

面试官考察点	自我认知清晰度、岗位理解深度、能力匹配的真实性
回答框架	五维能力拆解 → 每维对标自身经历 → 突出1～2个差异化强项
简短示例回答	大模型算法平台工程师需具备模型训练、推理优化、数据处理、工程架构和业务理解五维能力。我主导过千亿参数模型分布式训练，通过ZeRO-3优化显存；在推理端实现3倍加速；并搭建了自动化MLOps流水线支撑业务迭代。
可能追问	你如何在工程架构和算法研究之间分配精力？如果只能保留三个维度，你会保留哪三个？
⚠️ 避坑提醒	不要只讲算法忽视工程落地，避免空洞罗列技能名称而无实际案例佐证。

面试官考察点	简历撰写能力、岗位匹配意识、成果量化习惯、关键词敏感性
回答框架	研读JD提取关键词 → STAR法则重构项目 → 每段经历输出1～2个量化指标
简短示例回答	我会先研读JD提取关键词，如分布式训练、模型量化、AIGC等，在简历中自然融入。项目描述采用STAR法则，突出量化指标：“主导大模型推理优化，通过INT4量化+算子融合，将推理成本降低65%，支撑日活500万用户。”
可能追问	你认为简历中最关键的三项要素是什么？如果经历与岗位不完全匹配，你会怎么处理？
⚠️ 避坑提醒	不要过度夸大指标或虚构经历；不要只写"负责XX"而不写"达成XX结果"。

面试官考察点	成果真实性、量化表达能力、技术深度、可迁移价值
回答框架	业务背景 → 技术行动 → 量化结果 → 可迁移价值 / 团队影响力
简短示例回答	在LLM部署项目中，我针对显存瓶颈设计4-bit量化+KV Cache优化，单卡推理吞吐从128t/s提升至512t/s，首延迟控制在200ms以内。该方案支撑了千万级DAU业务，并在团队内推广为标准化部署流程，整体算力成本降低40%。
可能追问	量化过程中遇到了哪些精度损失？如何缓解？你如何验证结果的可靠性？
⚠️ 避坑提醒	不要只讲指标不讲方法，避免回避负面结果；面试官会追问细节验证真实性。

能力维度	关键行为描述	简历关键词	量化句式模板
模型训练	分布式策略 · 混合精度 · 模型并行 · 数据并行	ZeRO-3, FSDP, Megatron, DeepSpeed	"将千亿参数模型训练效率提升2.3倍，显存占用降低40%"
推理优化	模型量化 · 算子融合 · KV Cache · 动态批处理	INT4/INT8, TensorRT, vLLM, Triton	"推理吞吐从128→512 t/s，延迟降低60%，节省65%算力成本"
数据处理	数据清洗 · 质量评估 · 数据增强 · 指令构建	数据飞轮, RLAIF, 质量打分, 去重	"构建10万+高质量指令对，模型准确率提升8.5%"
工程架构	MLOps流水线 · 模型部署 · 监控告警 · CI/CD	K8s, MLflow, Kubeflow, Airflow	"搭建自动化MLOps平台，模型迭代周期从2周→3天"
业务理解	需求拆解 · 指标定义 · A/B实验 · 用户增长	业务指标, 用户留存, 转化率, 实验设计	"通过模型优化推动核心业务指标提升12%，支撑千万级DAU"

🎯 简历优化核心法则：每段项目经验必须包含「技术关键词 + STAR场景 + 量化结果」。面试官扫读简历时，3秒内要能定位到你的能力维度和成果量级。对照上表，逐条检查你的简历是否覆盖了5个维度的关键词和量化句式。

⚠️ 常见简历扣分点：