第4章 项目经验STAR法则与包装

❓ 面试问题：“请用STAR法则介绍你主导过的一个深度学习项目。”

🎯 面试官考察点：结构表达能力、项目真实性、量化意识、问题复杂度。

📐 回答框架：
S：一句话交代背景（业务痛点/数据规模）。
T：你的职责与核心目标。
A：2-3个关键技术决策（模型选型、优化策略、工程落地）。
R：2个量化指标（准确率/时延/资源占用）。

📝 简短示例回答：
“我在推荐团队时，线上召回点击率仅0.8%。我负责设计双塔模型+向量检索方案。通过构造难负样本和量化蒸馏，模型召回率提升至1.2%，响应时延从15ms降至4ms，覆盖全量用户。”

🔍 可能追问：“难负样本的具体生成策略？”“量化后精度损失多少？”

❓ 面试问题：“你在项目中遇到的最大技术难点是什么？怎么解决的？”

🎯 面试官考察点：问题定义能力、方案创新性、复盘深度。

📐 回答框架：
1. 具体困难（数据/模型/硬件维度）。
2. 两种对比方案（尝试的方法A vs 最终方法B）。
3. 选型理由（计算资源/业务约束）。
4. 收益量化（训练时间/推理效率）。

📝 简短示例回答： “训练LLM时显存不足，无法处理4K长序列。我们尝试了梯度检查点但训练慢40%，最终采用FlashAttention+ZeRO-3混合策略，序列长度扩展至8K，训练吞吐提升2.3倍，单卡显存占用降低35%。”

🔍 可能追问：“ZeRO-3的通信开销如何优化？”“FlashAttention的block size设置？”

❓ 面试问题：“这个项目你的个人贡献占比多少？如何证明？”

🎯 面试官考察点：团队协作边界、诚信度、量化表达。

📐 回答框架：
1. 明确角色（owner / 核心参与者 / 支持者）。
2. 具体负责的模块（数据pipeline / 模型架构 / 部署优化）。
3. 可验证产出（代码行数、PR数量、性能提升归因）。

📝 简短示例回答： “我是模型优化模块的owner，团队共3人。我独立完成了知识蒸馏训练框架搭建，学生模型参数量压缩5倍，精度仅降0.3%。代码贡献约4500行，并输出了内部技术文档。”

🔍 可能追问：“为什么不用NAS而用蒸馏？”“学生模型部署时还有哪些优化？”