第1章 岗位能力画像与简历优化模板
本章从大厂面试官的视角，拆解计算机视觉算法工程师的核心能力维度，并给出简历结构化模板、关键词清单与成果量化句式。掌握这套体系，你的简历和面试应答将更有针对性，避免“算法强但表达弱”的常见问题。
岗位能力拆解表
| 能力维度 | 关键技能 | 面试考察点 |
|---|---|---|
| 算法与模型 | CNN、Transformer、检测/分割框架、Loss设计 | 对SOTA的理解、动手复现能力、阅读深度 |
| 工程落地 | TensorRT、ONNX、量化、剪枝、C++部署 | 实际优化效果、端到端链路、线上问题定位 |
| 数据与评估 | 数据增强、难例挖掘、mAP/F1/延迟指标 | 数据质量把控、指标与业务关联能力 |
| 业务理解 | 需求分析、技术选型、成本/效果权衡 | 非技术问题转化能力、业务目标对齐 |
| 沟通协作 | 技术文档、项目汇报、跨团队推动 | 表达逻辑、问题拆解、冲突处理 |
简历关键词清单
将以下关键词嵌入简历，提高机器筛选与面试官视觉命中率：
| 类别 | 关键词 |
|---|---|
| 算法框架 | YOLOv5/8、MMDetection、Detectron2、ViT、CLIP、SegFormer、BEVFormer |
| 部署优化 | TensorRT、ONNX Runtime、opencv、Docker、CUDA、NVIDIA Triton |
| 性能指标 | mAP@0.5:0.95、F1-score、Inference Latency、QPS、AUC |
| 数据工程 | 数据增强、半监督、自训练、难例挖掘、Active Learning |
| 业务领域 | 图像检索、OCR、目标检测、语义分割、姿态估计、3D重建 |
成果量化句式（直接用项目替换 { } 内内容）
- 通过 {知识蒸馏/剪枝} 将 {检测模型} 推理延迟从 {120ms} 降至 {45ms}，提升 {2.7x}，同时保持 mAP 仅下降 {0.8%}。
- 设计 {数据增强pipeline} + {难例挖掘策略}，使 {车型识别} 召回率从 {85%} 提升至 {94%}，错误率降低 {60%}。
- 主导 {移动端手势识别} 项目，使用 {TensorRT + FP16} 优化，实现 {30fps} 实时推理，落地 {3个} 业务场景，日均调用量 {200万+}。
- 构建 {自动化评测平台}，覆盖 {6类} 目标，单次评测时间从 {2h} 缩短至 {15min}，支撑团队快速迭代。
💡 面试官视角 每段经历都要回答“为什么这么做/为什么没做另一种方案/效果如何衡量”，避免只列“用了XX模型”而不展示思考过程。
面试问答卡片
问题1：「请简单做一下自我介绍，并重点说说你在计算机视觉方面的经历。」
- 考察点：表达逻辑、项目关联性、技术深度匹配度。
- 回答框架：教育背景（1句）→ 核心方向（1句）→ 最有代表性的1-2个项目（结构+成果）→ 与目标岗位的契合点（1句）。
- 示例回答：“我硕士毕业于XX大学计算机系，研究方向为目标检测与模型加速。在XX项目中，我负责YOLOv5的剪枝与量化，将推理速度提升3倍，部署在Jetson上实现30fps。该项目落地于园区安防，累计检测100万+帧。我关注贵司的端侧算法需求，希望能结合我的部署经验快速产出。” (98字)
- 可能追问：“剪枝时你具体用了什么策略？为什么选Channel Pruning而不是结构化剪枝？”
- 避坑提醒：避免流水账式背诵简历；不要只说技术名词不讲业务价值；如果学校或弱，突出项目亮点。
问题2：「你在项目中如何体现算法的落地能力？举个例子。」
- 考察点：工程思维、闭环能力、问题解决路径。
- 回答框架：场景痛点（背景）→ 技术选型与理由（行动）→ 优化过程（量化）→ 上线后的效果与维护（结果）。
- 示例回答：“在车牌识别项目中，原始模型在夜间误检率高。我首先收集大量夜间数据做增强，同时引入基于置信度的难例筛选机制。优化后夜间F1从0.68升到0.89。为保证上线稳定性，我添加了回退策略并写监控脚本，模型成功上线运行8个月无重大事故。” (98字)
- 可能追问：“回退策略的具体实现是怎样的？如果模型出现持续低置信度你怎么处理？”
- 避坑提醒：不要只讲“我调参”而没有系统性思考；要体现数据、训练、部署、监控全链路意识。
问题3：「你的简历中写到一个项目用了Transformer模型，为什么选它而不是CNN？」
- 考察点：模型选型能力、对优势劣势的理解、场景匹配度。
- 回答框架：任务特性（如全局依赖/小目标/长尾）→ Transformer优势（感受野/注意力）→ 实际效果对比（精度/速度）→ 成本代价（数据量/推理资源）。
- 示例回答：“该项目是路面裂缝检测，裂缝细长且全局上下文重要。CNN受限于局部感受野，Transformer的自注意力能捕捉长距离依赖。实验显示，Swin-T相比ResNet-50在裂缝场景下mAP高5.2%，但推理慢15%。我们最终用知识蒸馏压缩到CNN级速度，保持了4%的优势。” (99字)
- 可能追问：“蒸馏时你用了什么策略？为什么不用Teacher-Student混合推理？”
- 避坑提醒：不要盲目追捧Transformer；要承认它的缺点（计算量大、数据需求高），并给出你的权衡方案。