第1章 岗位能力画像与简历优化模板
算法平台工程师是连接算法研究与业务落地的桥梁。本章从能力模型和简历表达两个维度拆解岗位本质，帮助你在面试中精准呈现自身价值。核心逻辑：能力够得着、简历看得见、面试说得清。
核心洞察： 面试官筛选简历平均仅用 15-30 秒。能力画像决定你是否匹配，简历结构决定你是否被看见。两个 SVG 图对应"面什么"和"怎么写"两条主线。
岗位能力维度对照表
| 能力维度 | 权重 | 核心技能 | 面试考察方式 |
|---|---|---|---|
| 算法基础 | 25% | CNN / Transformer、检测分割分类、模型选型与调优 | 手撕代码、模型结构推导、复现思路 |
| 工程实现 | 30% | C++ / Python、CUDA 编程、多线程、设计模式 | 系统设计、代码 Review、工程架构题 |
| 部署优化 | 25% | TensorRT / ONNX、量化剪枝、模型服务化、监控 | 性能优化案例、落地经验、故障排查 |
| 业务理解 | 10% | 需求分析、指标定义、问题转化、ROI 评估 | 项目描述、场景题、开放性问题 |
| 沟通协作 | 10% | 技术文档、跨团队协作、代码 Review、技术分享 | 行为面试、协作案例、冲突处理 |
面试加分策略： 简历中每项技能都要对应到能力维度，用 "技能 + 项目 + 指标" 三重锚点让面试官快速建立认知。
面试问答卡片
🎯 面试问题
请描述计算机视觉算法平台工程师的核心能力要求有哪些？
📌 面试官考察点
- 是否清晰区分算法平台工程师与算法研究员、后端工程师的差异
- 能否从算法、工程、业务三层结构化表达
- 是否理解平台岗位的核心价值是"落地"
🧩 回答框架
算法深度 + 工程广度 + 业务视角 = 平台工程师核心能力
💬 示例回答
核心能力分三层：算法层掌握CNN/Transformer与检测分割模型调优；工程层精通C++/Python、CUDA加速及TensorRT部署；业务层理解需求转化与落地指标。三层融合才能实现模型高效落地。
❓ 可能追问
你在这三方面分别有哪些具体经验？请举一个体现三层融合的项目。
⚠️ 避坑提醒： 不要只强调算法而忽视工程能力。平台工程师的核心价值是"让算法稳定运行"，工程能力是面试重点考察项。
🎯 面试问题
你在简历中如何量化计算机视觉项目的成果？请举例说明。
📌 面试官考察点
- 是否具备成果导向思维，而非罗列技术名词
- 量化指标是否具体（延迟、吞吐量、准确率、资源消耗）
- 能否体现个人贡献而非团队成果
🧩 回答框架
STAR 原则 + 对比基线（Before → After）+ 业务影响
💬 示例回答
我负责的检测模型优化项目，通过知识蒸馏+TensorRT加速，推理延迟从45ms降至12ms，吞吐量提升3.7倍，mAP仅下降0.8%，成功部署到线上服务支撑日均百万级调用。
❓ 可能追问
你如何保证模型精度与速度的平衡？如果业务要求进一步提升速度，你会怎么做？
⚠️ 避坑提醒： 避免只列技术名词没有数据支撑。每个项目都要有"基线指标 → 优化后指标 → 业务收益"的完整链路。
🎯 面试问题
算法平台工程师与算法研究员在职责上有哪些关键区别？
📌 面试官考察点
- 对岗位本质的理解是否清晰，避免"什么都做"的模糊表述
- 职业规划与岗位的匹配度
- 能否客观分析两种角色的价值差异
🧩 回答框架
目标不同（创新 vs 落地）+ 评价标准不同（SOTA vs 工程指标）+ 产出不同（ vs 服务）
💬 示例回答
研究员追求模型创新与SOTA指标，产出专利；平台工程师追求模型稳定性与落地效率，产出可服务的推理接口和运维方案。平台工程师更关注延迟、吞吐量、内存占用等工程指标及模型监控。
❓ 可能追问
你更倾向于哪种工作模式？为什么？请结合你的过往经历说明。
⚠️ 避坑提醒： 不要贬低任何一个岗位。客观描述差异后，结合自身优势说明选择平台工程师的原因（如"我喜欢看到技术产生实际业务价值"）。
本章小结： 岗位能力画像是面试准备的导航图，简历结构是面试入场券。第2章将深入模型选型与架构设计，帮你建立算法面试的全局视角。