📚 课程目录第4章简历项目包装与STAR法则

第4章简历项目包装与STAR法则：项目描述结构、量化指标、技术栈呈现、成果提炼

核心逻辑：面试官通过简历项目快速判断你的问题解决层级与工程贡献度。STAR法则+量化指标=高可信度叙事。技术栈必须体现“为什么选它”而非“我会什么”。本章帮你从“做过”升级为“做成”。

加分提示：面试官最关注 Action → Result 的因果链。技术栈要说明“为何选它”（性能/规模/可解释性），而非简单罗列。成果用“对比基线 + 收益 + 业务影响”三层表达。

面试问题：请介绍一下你在 XX 项目中的具体工作。

考察点	逻辑清晰度、贡献边界、对业务的理解深度、量化能力。
回答框架	S → T → A → R，每步绑定 1-2 个核心数据。先讲背景（为什么做），再讲任务（目标指标），接着行动（关键技术方案），最后成果（量化收益）。
示例回答	“该项目背景是广告点击率预估精度不足，业务要求 AUC 提升 1% 以上。我主导引入了 DeepFM + 注意力机制，通过特征交叉和动态权重优化，最终 AUC 从 0.782 提升到 0.795，CTR 提升 4.2%，核心指标达标并稳定上线。” (89字)
可能追问	① 为什么选择 DeepFM 而非其他模型？② 注意力机制的具体设计？③ AUC 提升的统计显著性检验如何做的？
避坑提醒	忌流水账式描述；忌只列技术不列效果；忌夸大成果（面试官会追问细节验证）。

面试问题：这个项目你怎么衡量自己的贡献？

考察点	指标定义能力、因果归因合理性、对业务收益的认知。
回答框架	① 明确对比基线（如上一个版本/行业基准）；② 指标提升 + 相对提升百分比；③ 业务翻译（如拉动 GMV、降低成本）；④ 稳定性（波动范围、上线时长）。
示例回答	“以 AB 实验为准，新模型相比 baseline 点击率提升 3.5% (p<0.01)，在保持成本不变的前提下，千次曝光收入提升 2.1%。上线 4 周无回滚，核心指标持续正向，最终覆盖全流量贡献年化收入约 300 万元。” (98字)
可能追问	① 实验置信度如何保证？② 有没有做过消融实验？③ 这个收入的归因是否考虑其他因素？
避坑提醒	不要只说“提升了很多”；不要忽略随机性；最好给出统计显著性。

面试问题：项目技术栈里为什么用 TensorFlow 而不是 PyTorch？

考察点	技术选型思考、工程落地意识、对生态与场景匹配的理解。
回答框架	① 场景需求（生产部署、分布式训练、模型服务化）；② 选型对比（TF Serving / ONNX / TFX 生态）；③ 遇到的坑与权衡；④ 最终效果提升是否与选型直接相关。
示例回答	“项目要求实时推理延迟 <5ms，且团队已有 TF 基础设施。对比 PyTorch，TF Serving 原生支持 gRPC 和动态 batch，搭配 XLA 编译后推理速度提升 30%。我们最终选用 TF 2.x，将模型导出为 SavedModel，通过 TFX 实现自动训练-部署流水线。” (99字)
可能追问	① 如果换成 ONNX Runtime 你有考虑吗？② 动态 batch 是怎么设置的？③ 模型更新时的平滑切换方案？
避坑提醒	不要贬低另一框架；不要只说“公司要求”；要体现主动调研与决策过程。

❌ 常见反面案例：“我负责优化模型，用了 XGBoost，提升了 2 个点。” —— 无背景、无基线、无技术细节、无量级。面试官会认为项目价值存疑。

第4章 简历项目包装与STAR法则：项目描述结构、量化指标、技术栈呈现、成果提炼