第1章：岗位能力画像与简历优化模板
📄 简历结构模板（大厂标准）
| 模块 | 内容要点 | 关键词提示 |
|---|---|---|
| 基本信息 | 姓名、手机、邮箱、GitHub/博客（高质量） | 技术博客链接尽量有千赞以上文章 |
| 工作经历 | 倒叙排列，每段包含公司、时间、项目缩写、核心贡献 | 降本 / 提效 / 涨点 / 落地 |
| 项目经历 | 2-3个代表作，用STAR框架：背景-任务-行动-结果 | SOTA / 日均XXX / 召回率+5% / A/B实验 |
| 技术栈 | 分框架、工具、语言、平台，标注熟练度 | PyTorch / TensorFlow / ONNX / CUDA |
| 教育/ | 学校+专业+时间；顶会（一作/共一） | NeurIPS / ICML / CVPR / ACL |
🔑 关键词清单（按能力维度）
- 算法模型：Transformer、Diffusion、GNN、对比学习、知识蒸馏、量化剪枝
- 工程部署：TensorRT、Triton、ONNX、算子融合、流水线并行、A/B实验平台
- 业务落地：点击率预估、推荐召回、多模态、搜索排序、异常检测
- 软技能：跨团队协作、技术评审、模型可解释性、项目管理
- 量化词：提升、降低、加速、缩减、覆盖、泛化
📊 成果量化句式模板
通用公式：使用 [方法/技术]，在 [场景] 中，实现 [具体指标] 的 [改善方向]（[百分比/值]）。
示例：
“采用知识蒸馏+算子融合，将推荐模型推理延迟从120ms降至45ms（降低62.5%），同时保持AUC下降<0.3%。”
“设计多任务联合训练框架，在CTR预估任务上AUC提升0.8pp，CVR预估提升1.2pp，离线评估通过后上线带来日均GMV增长3.2%。”
🎯 面试问答演练
Q1：请用一句话说明你简历中“xxx项目”的核心亮点。
🎯 考察点：能否快速提取项目的技术价值和业务影响力，是否符合大厂“可衡量的结果”标准。
🧭 回答框架：STAR框架浓缩版 → 用一句话包含：场景+行动+结果（量化）。
💬 示例回答：“在短视频推荐召回阶段，我设计了多粒度用户兴趣编码器，使长尾视频召回率提升14%，同时离线AUC提升0.5pp，上线后视频播放时长增加2.3%。”
🔎 可能追问：“为什么选择多粒度？和直接用Transformer的区别？”“召回率提升对整体指标的影响有多大？”
Q2：你简历中写“熟悉主流深度学习框架”，能具体说说你在PyTorch / TensorFlow上的深度使用吗？
🎯 考察点：真实水平 vs 包装；是否深入理解底层机制（自动微分、分布式训练、混合精度等）。
🧭 回答框架：从浅到深：使用经历→遇到的问题→底层原理→优化经验。
💬 示例回答：“我常用PyTorch搭建图像分割模型。曾遇到显存溢出问题，通过分析自动求导图，改用梯度检查点技术将显存减少40%。还手动写过分布式DataParallel的自定义通信同步策略，用于多机多卡训练推荐模型。”
🔎 可能追问：“PyTorch的autograd.grad与backward有什么区别？”“混合精度训练中loss scale的作用？”
Q3：你上一份工作做的是推荐模型优化，但我们现在招聘的是计算机视觉岗位，你觉得自己能胜任吗？
🎯 考察点：迁移学习能力、对CV基础的理解、学习自驱力、是否真的有跨领域热情。
🧭 回答框架：承认领域差异→展示通用能力（模型设计、数据、工程）→举一个你主动学习CV的例子→表达匹配意愿。
💬 示例回答：“虽然我主要做推荐，但模型背后的序列建模、注意力机制与CV中ViT相通。我曾用业余时间复现YOLOv8并部署到移动端，训练mAP达到官方水平。我相信核心能力是快速理解业务和数据，我具备这种迁移力。”
🔎 可能追问：“推荐中的序列建模和视频中的时序建模有何异同？”“如果让你做一个目标检测项目，你第一步会做什么？”