第1章 岗位能力画像与简历优化模板
🎯 本章聚焦：面向大厂CV算法专家岗的岗位能力拆解与简历结构化升级。通过能力画像、简历结构、关键词清单、成果量化句式，帮助你在简历筛选中脱颖而出。
1.1 大厂侧重点与面试官画像
| 维度 | 侧重点 |
|---|---|
| 技术深度 | 模型优化、训练稳定性、部署性能、前沿复现 |
| 工程能力 | 大规模数据pipeline、C++/CUDA、推理加速、MLOps |
| 业务闭环 | 从问题定义到上线迭代、多模态/视频/检测等场景理解 |
| 软素质 | 技术影响力、跨团队协作、快速学习、技术复盘 |
💡 面试官通常为3-5年经验的技术专家或Leader，偏好能独立推进项目、有明确产出且具备技术前瞻性的候选人。
1.2 岗位能力画像
1.3 简历结构模板
| 模块 | 关键内容 | 示例 |
|---|---|---|
| 个人概要 | 3行内：研究方向、核心技能、成果数据 | CV算法专家，5年经验，主导3个上线项目，mAP提升12% |
| 技术栈 | 按能力分组：框架/平台/推理/工具 | PyTorch, TensorRT, ONNX, DVC, Weights & Biases |
| 项目经历 | STAR格式，每个项目4-6行，突出量化 | “负责检测模型轻量化，参数量减少40%，FPS从15→45” |
| 成果量化 | 统一放在项目描述结尾或单独“成果亮点” | “落地3条产线，年度节省GPU成本￥200w+” |
| /专利 | 标明CCF等级、引用、开源链接 | CVPR 2023 Oral，Google Scholar 50+引用 |
1.4 关键词清单&成果量化句式
- 算法类： 知识蒸馏、量化感知训练、自监督预训练、长尾分布、数据增强、小样本学习
- 工程类： C++/CUDA优化、TensorRT部署、分布式训练、pipeline自动化、A/B测试框架
- 业务类： 端到端方案、业务指标对齐（如误检率≤0.1%）、模型可解释性、持续迭代
- 量化句式模板：
“通过XXX技术，在保持mAP≥XX的前提下，将模型参数量从XX降至XX，推理延迟降低XX%，满足XX端侧实时需求。”
“主导设计XXX系统，覆盖每日XX万张图片处理，召回率从XX%提升至XX%，节约人力XX人月。”
“在CVPR/ICCV发表，提出XXX方法，在公开数据集上达到SOTA（Acc XX%），被引用XX次。”
1.5 面试问答卡片（3个）
🎯 问答1：简历中如何突出算法专家的技术深度？
考察点： 简历筛选逻辑、技术亮点提炼、量化表达能力
回答框架：
- 明确岗位对应的核心能力（模型优化 / 部署 / 业务闭环）
- 选择2-3个有代表性的项目，每个项目用1-2个关键指标串联（如精度、速度、成本）
- 用“挑战→方案→结果”逻辑，强调自己独立解决的技术难点
示例回答： “我重点展示检测模型轻量化项目：面对端侧推理延迟100ms的硬约束，我提出结构化剪枝+量化感知训练方案，最终模型体积压缩70%，mAP仅降0.3%，FPS从15提升到60。该方案已支撑三条产线，年节省GPU费用300万。”
可能追问： 量化感知训练如何保证精度？结构化剪枝的具体策略？如果业务要求零精度损失你怎么做？
⚠️ 避坑：不要只写“负责模型优化”，要写出具体数值和对比基线；避免堆砌技术名词但不说明效果。
🎯 问答2：请用STAR法则详细描述一个CV项目
考察点： 项目主导力、逻辑清晰度、技术决策能力
回答框架：
Situation: 业务背景、资源约束
Task: 具体目标（精度/速度/成本/人效）
Action: 技术选型、难点攻克、协作方式
Result: 量化结果+业务影响+可迁移经验
Task: 具体目标（精度/速度/成本/人效）
Action: 技术选型、难点攻克、协作方式
Result: 量化结果+业务影响+可迁移经验
示例回答： “Situation：云相册公司需自动识别100+分类的花朵，标注数据仅1000张。Task：在2周内实现top1 acc≥90%。Action：采用SimCLR自监督预训练+小样本微调，设计类别平衡采样器。Result：acc达93%，推理速度5ms，并沉淀出小样本训练框架供团队复用。”
可能追问： 为什么用SimCLR而不是MoCo？负样本数量如何设置？如果类别增加到1000+你怎么调整？
⚠️ 避坑：避免流水账只讲过程不讲决策原因；不要忽略失败尝试和最终改进。
🎯 问答3：你的成果量化中“提升XX%”是如何测算的？
考察点： 工程严谨性、数据敏感度、避免虚假夸大
回答框架：
- 明确测评指标（mAP、延迟、吞吐率、内存）
- 说明测评环境（数据集大小、硬件、重复次数）
- 对比基线（官方模型/上一版本/业界竞品）
- 提及统计显著性或置信区间
示例回答： “在COCO val2017上，使用batch=1、batch=16分别测单帧延迟和吞吐率，重复5次取平均。基线是YOLOv5s，我们的改进模型mAP:0.5从47.8%提升到51.2%，Δ=3.4%；延迟从2.3ms降至1.8ms。实验在单卡V100上完成，温度控制在25℃。”
可能追问： 为什么选择mAP:0.5而不是mAP:0.5:0.95？延迟波动如何处理？如果测出提升不到1%你怎么解释？
⚠️ 避坑：避免只给一个孤立的数；不说明测试条件会被质疑信度；不要捏造数据。
1.6 简历优化自检清单
| 检查项 | ✅ 通过标准 |
|---|---|
| 项目经历数量 | 3-4个，覆盖算法/工程/业务三层次 |
| 每个项目含量化指标 | 至少2个数字（前/后对比） |
| 技术栈精准匹配JD | 至少80%关键词被覆盖 |
| 无歧义缩写 | 所有缩写首次出现附全称 |
| 一页纸（博士可两页） | 格式整齐，无语法错误 |
💡 实战建议：将简历投递前发给同级同事做“5秒测试”——只看项目标题和指标能否快速判断你的能力方向。