第1章 岗位能力画像与简历优化模板
本章聚焦：拆解大模型算法应用工程师的核心能力维度，提供简历结构模板、高频关键词清单与成果量化句式，帮助你在投递前完成精准定位与简历打磨。
1.1 岗位能力画像核心维度
| 维度 | 关键要求 | 典型考察点 |
|---|---|---|
| 算法基础 | Transformer、RLHF、LoRA等 | 模型结构推导、微调策略选择 |
| 工程能力 | PyTorch、DeepSpeed、推理优化 | 分布式训练、显存优化、部署流水线 |
| 业务理解 | 场景拆解、评估指标设计 | 如何将业务目标转化为技术指标 |
| 成果量化 | 准确率↑、延迟↓、成本↓ | 具体数值对比、A/B测试结果 |
| 软素质 | 沟通、复盘、技术文档 | 方案讲解、项目复盘逻辑 |
1.2 面试问答卡片
问题1：请用一分钟介绍你自己（简历开场）
考察点：逻辑结构、技术标签匹配度、亮点提炼能力。
回答框架： “背景+核心技能+代表作+成果”四段式。
示例回答： 我硕士毕业于XX大学，主修NLP。擅长Transformer微调与推理优化。曾主导客服大模型项目，将准确率提升12%，推理成本降低35%。
可能追问： 你用过哪些量化工具？项目团队规模多大？
避坑提醒： 不要背诵简历，避免使用过多术语却不解释。末尾要预留提问钩子。
问题2：你的简历中提到“基于LoRA微调7B模型”，请具体讲一下技术方案
考察点： 技术深度、微调策略理解、实验细节。
回答框架： 任务背景→模型选择→LoRA配置→训练细节→效果对比。
示例回答： 项目需要对客服对话进行风格迁移。我们选择Llama-2-7B，使用LoRA rank=8，目标模块为Q、V。训练2个epoch，loss从2.3降至0.9。相比全参数微调，显存减少60%，生成质量持平。
可能追问： 为什么选择LoRA而不选QLoRA？训练数据量多少？
避坑提醒： 不要只背参数，要解释选择原因。如果没做过大规模，诚实说明实验规模并补充理论理解。
问题3：你如何在简历中体现“成果量化”？举个具体例子
考察点： 量化思维、数据敏感度、表达能力。
回答框架： 原始指标→优化手段→最终结果→业务价值。
示例回答： 在意图识别任务中，基线准确率82%。引入提示工程+few-shot，提升至89%；再通过LoRA微调达到93%，最终上线后用户点击率提升7%，PV增长15%。
可能追问： 如果只有值提升，业务方不认可怎么办？
避坑提醒： 数据需要可验证，不要虚构。最好附上A/B测试置信区间，避免夸大。
1.3 关键词清单（简历高频词）
- 大语言模型 / LLM
- LoRA / QLoRA
- RLHF / PPO
- Transformer / Attention
- 推理优化 / vLLM
- 分布式训练 / DeepSpeed
- Prompt Engineering
- RAG / 向量检索
- 模型评估 / ROUGE
- A/B测试
- 显存优化 / 量化
- 知识蒸馏
1.4 成果量化句式模板
| 类型 | 公式 | 案例 |
|---|---|---|
| 效果提升 | 从X→Y，提升Z% | 准确率从81%提升至94%，提升16% |
| 成本降低 | 降低X%（或减少Y资源） | 推理延迟降低43%，单卡可服务QPS提升2.5倍 |
| 业务影响 | 带来X业务增长 | 用户满意度提升12%，月活增加8万 |
| 效率提升 | 缩短X%时间 | 标注成本降低70%，标注速度提升5倍 |
💡 实用建议： 每个项目至少要写一个量化结果。如果暂无实际线上数据，可使用实验对比数据（如“在公开测试集上提升3%”），并注明场景。