第1章：岗位能力画像与简历优化模板
计算机视觉算法实习岗位竞争激烈，简历是面试第一道关卡。本章帮你拆解大厂CV岗的核心能力要求，手把手优化简历结构、筛选关键词、量化成果，让你的简历在筛选中脱颖而出。
简历结构模板
CV岗简历建议控制在一页，按以下模块布局：
| 模块 | 内容要点 | 建议写法 |
|---|---|---|
| 个人信息 | 姓名、学校、学历、邮箱、电话、GitHub/博客 | 一行排布，简洁清晰 |
| 教育背景 | 学校、专业、GPA、核心课程（CV/ML/数学） | GPA ≥ 3.5/4.0 可突出 |
| 专业技能 | 框架、语言、工具、比赛奖项（按熟悉度分层） | “精通/熟练/掌握” + 关键词 |
| 项目/实习经历 | 2-3个核心项目，按STAR格式 | 见下文“成果量化句式” |
| 竞赛//专利 | 顶会/竞赛 Top 10%/开源贡献 | 注明名次或引用量 |
目标检测 语义分割 实例分割 YOLO ResNet Transformer ViT 多模态 数据增强 模型蒸馏 NMS mAP FPS PyTorch TensorRT ONNX
成果量化句式（STAR 法则改造）
- 动词先行：“设计/实现/优化/部署了……”
- 指标量化：“精度从 72.3% 提升至 81.5%” / “推理速度提高 2.3 倍” / “模型体积压缩 40%”
- 对比基线：“相比 YOLOv5 降低 32% 参数量，mAP 保持持平”
- 规模体现：“在 10 万张工业缺陷数据集上训练” / “支撑日均百万级图片识别流水线”
- 产出交付：“开源 GitHub 仓库获 300+ star” / “申请发明专利 1 项（实审中）”
面试问答卡片 × 3
📌 面试问题 1：请介绍一下你自己，以及为什么想做计算机视觉？
面试官考察点：检验自我认知、职业动机、表达能力；判断你对 CV 领域的热情与基础了解程度。
回答框架：个人背景（学校/专业）→ 接触 CV 的契机（课程/项目）→ 已积累的能力（框架+项目）→ 未来规划方向（匹配岗位）。
简短示例回答：“我是 XX 大学计算机研一学生，大二通过《数字图像处理》课程接触 CV，之后用 PyTorch 复现了 YOLOv5 并在校园垃圾分类比赛获第 2 名。我熟练掌握检测/分割 pipeline，希望实习阶段深入工业级部署与模型优化。”
可能追问：“你最近在看哪篇 CV ？为什么？” / “你如何看待 CV 领域的发展趋势？”
📌 面试问题 2：你简历上这个目标检测项目，能详细讲讲你具体做了什么？
面试官考察点：项目真实性、个人贡献深度、问题解决思路、是否熟悉常用 trick。
回答框架：S（场景：工业质检，小目标漏检严重）→ T（任务：提升 mAP@0.5 到 90% 以上）→ A（行动：引入 FPN + 数据增强 + Focal Loss）→ R（结果：mAP 从 82% 提到 93%，漏检率降低 70%）。
简短示例回答：“我在某智能制造公司实习时负责 PCB 缺陷检测。原模型对微小划痕漏检率高，我通过添加多尺度 FPN 分支、Mosaic 数据增强和 Focal Loss，最终在 5 万张真实数据集上 mAP 从 82% 提升到 93%，漏检率下降 70%。”
可能追问：“为什么不用 Transformer 检测？” / “正负样本不平衡怎么处理的？” / “模型部署 FPS 多少，怎么优化的？”
📌 面试问题 3：你使用了哪些技术栈？遇到过的最大困难是什么，怎么解决的？
面试官考察点：技术广度与深度、问题定位与调试能力、抗压与学习能力。
回答框架：列出技术栈（PyTorch + MMDetection + TensorRT + Docker）→ 具体困难（如：模型导出 ONNX 后精度下降）→ 排查过程（逐层对比输出、量化校准）→ 解决方案（用 INT8 量化 + 校准集重跑）→ 收获（学会了模型量化的完整流程）。
简短示例回答：“我主要用 PyTorch 和 MMDetection。最大困难是模型转 ONNX 后检测框偏移。我通过对比每层输出发现在 BatchNormalization 融合时参数异常，改用 PyTorch 自带的 torch.onnx.export 并设置 dynamic_axes 后解决，最终 mAP 仅下降 0.3%。”
可能追问：“为什么不用 TensorRT 直接优化？” / “你了解过 QAT 和 PTQ 的区别吗？”
岗位能力画像帮助你定位自己的 skill gap，简历结构模板让你排版不踩雷，关键词清单增加通过 ATS 筛选的概率，量化句式让 HR 一眼看到成果。建议对照上述模板修改简历后，请学长或导师做一次 mock 面试。