第1章 岗位能力画像与简历优化模板
一、岗位能力画像拆解
| 能力维度 | 关键要求 | 加分项 |
|---|---|---|
| 算法基础 | ML/DL/RL 主流模型原理、推导能力、数学功底 | 顶会、开源项目核心贡献 |
| 模型调优 | 超参搜索、特征工程、数据增强、过拟合应对 | AutoML 经验、大规模分布式训练 |
| 工程落地 | Python/C++、TensorRT/ONNX、Docker/K8s、MLOps | 端上部署、推理加速、A/B 平台建设 |
| 业务理解 | 指标拆解、因果推断、AB Test 设计、迭代策略 | 从 0 到 1 打造核心模型、业务涨点 |
| 沟通协作 | 跨团队推进、技术评审、问题复盘、文档规范 | 带领 3 人以上项目组、推动技术方案落地 |
二、简历结构模板
- 个人信息 & 技术栈 – 姓名、联系方式、GitHub/博客、核心技能标签（如 PyTorch, Spark, BERT）
- 工作经历 – 按倒序排列，每段提炼 3~5 个 STAR 项目，突出指标与个人职责
- 项目精选 – 2~3 个高影响力项目，用“背景-难点-动作-结果”四步展开
- 专利//开源 – 列出一作、发明专利、GitHub Stars > 100 的项目
- 教育背景 – 学校、专业、排名（前 10% 可写）
三、关键词清单
| 类别 | 高频关键词（面试官 grep 命中点） |
|---|---|
| 模型能力 | Transformer, GNN, RLHF, 对比学习, 多模态, 时序预测, 异常检测 |
| 工程能力 | 分布式训练, TensorRT, 模型量化, Spark ML, Flink, 特征平台 |
| 业务能力 | CTR/CVR 预估, 推荐系统, NLP 对话, 搜索排序, 广告竞价 |
| 软技能 | 跨部门协作, 技术 owner, 评审主持, 原型设计, 数据驱动 |
四、成果量化句式
| 场景 | BAD 表述 | 量化句式（推荐） |
|---|---|---|
| 模型优化 | 提升了模型效果 | 通过调整 Attention Head 数，AUC 提升 3.2pp（0.832 → 0.864），线上 CTR +4.1% |
| 效率提升 | 加速了训练 | 实现混合精度+ZeRO-3 策略，训练耗时从 72h 降至 12h，吞吐提升 6 倍 |
| 业务增长 | 带来了业务收益 | 主导排序模型升级，DAU 增长 1.8%、人均时长 +7%，季度 GMV 约 +3200 万 |
| 团队影响 | 帮助了同事 | 搭建 MLOps 流水线，模型迭代周期从 2 周缩短至 2 天，覆盖 5 个业务线 |
五、面试问答卡片
面试问题：请你介绍一下你在上一份工作中最有成就感的机器学习项目。
面试官考察点： ① 项目复杂度和个人角色 ② 业务理解和指标拆解能力 ③ 结果量化意识 ④ 是否有完整闭环。
回答框架：
- 业务背景：什么产品、解决什么核心问题；
- 难点与方案：数据质量/模型瓶颈/工程限制；
- 个人贡献：具体负责的模块、设计决策；
- 量化成果：核心指标提升 + 业务影响。
示例回答：在电商搜索排序项目中，用户点击率持续低迷。我分析发现长尾商品特征稀疏，设计双塔模型引入商品知识图谱 Embedding，AUC 从 0.78 提升至 0.83，线上 CTR +5.2%，带动 GMV 提升约 1.5%。
可能追问： ① 为什么选择双塔而不是端到端？ ② 如何处理特征稀疏？ ③ 线上 A/B 实验时长和样本量怎么确定的？
面试问题：你的简历中写“熟悉深度学习框架”，请具体说说你最擅长的框架以及用它做过什么级别的项目？
面试官考察点： ① 框架掌握深度（API vs 源码） ② 是否具备大规模分布式训练经验 ③ 底层优化能力。
回答框架： 框架名称 → 使用场景 → 自主改造/定制 → 效果数据 → 延伸能力（混合精度/分布式）。
示例回答：我最擅长 PyTorch，主导过千亿参数推荐模型训练。我基于 PyTorch Distributed 框架实现 FSDP + 梯度压缩，将显存占用降低 40%，训练效率提升 3 倍，模型上线后召回率 +7%。
可能追问： ① FSDP 和 DDP 的区别？ ② 如何处理显存碎片？ ③ 训练过程中遇到过 OOM 吗？如何解决的？
面试问题：你如何看待算法工程师的“业务理解”？请举例说明你过去如何将业务指标转化为模型目标？
面试官考察点： ① 是否能跳出技术思维 ② 是否具备指标拆解、因果推断思维 ③ 是否主动推动业务进步。
回答框架： 业务痛点 → 指标关联链 → 模型目标设计 → 线上线下一致性 → 效果验证。
示例回答：在推荐场景，业务目标是人均观看时长。我拆解发现时长=L*D（次数×单次时长），因此将 Loss 设计为深度兴趣网络+时长加权，线上时长 +12%，同时通过消融实验验证了各模块贡献度。
可能追问： ① 线上线下不一致如何处理？ ② 如果时长提升但点击降低怎么办？ ③ 如何制定多目标权重？