第1章：岗位能力画像与简历优化模板
本章聚焦面试第一关：如何用一页简历清晰传递“我就是你要的AIGC算法专家”。核心是能力画像精准匹配 + 成果量化可验证。我们将拆解大厂AIGC算法岗的能力要求，给出可直接套用的简历结构和关键词清单。
📋 简历结构模板（大厂HR筛选60秒内重点）
| 区块 | 核心内容 | 示例 |
|---|---|---|
| 专业摘要 | 3-5行定位技术方向+成果数字 | “熟悉Transformer及MoE架构，主导过千亿参数模型训练，推理延迟降低42%” |
| 工作经历 | STAR法则：背景→任务→行动→量化结果 | “设计动态batch策略，将GPU利用率从55%提升至88%” |
| 项目经验 | 选2-3个最匹配岗位的高影 | < td>“多模态检索系统：Recall@10从0.67→0.81” |
| 技能关键词 | 技术栈、框架、领域 | PyTorch, Megatron, vLLM, LoRA, RLHF |
| 教育背景 | 学校+专业+核心课程（选填） | CS硕士，CV/NLP相关课程GPA前10% |
🔑 关键词清单（按领域分组）
- 技术栈：PyTorch / TensorFlow / JAX, Megatron-LM, DeepSpeed, vLLM, llama.cpp
- 算法方向：LLM预训练/SFT/RLHF, 多模态对齐, 视觉生成, 检索增强(RAG), MoE
- 优化指标：perplexity, BLEU, ROUGE, FID, CLIP score, 推理延迟, TPS, GPU利用率
- 业务场景：智能客服, 内容生成, 代码助手, 多模态搜索, 广告创意
📐 成果量化句式（直接替换模板）
句式1：“通过<技术方案>，将<指标>A从<数值>提升至<数值>，增幅<百分比>，带来<业务收益>。”
句式2：“设计并实现了<系统/方法>，在<约束条件>下，<核心指标>降低了<具体数字>，节省<成本>。”
句式3：“主导<项目名称>，覆盖<用户/数据规模>，上线后<业务指标>提升<百分比>，获<奖项/认可>。”
🎯 面试问答卡片 Q1
面试问题：请介绍一下你简历中最核心的AI项目。
考察点：项目匹配度（是否与岗位技术栈、业务场景一致）、个人贡献深度、结果硬核程度。
回答框架：1.一句话概括项目目标与规模 → 2.我的核心角色与难点 → 3.关键技术决策 → 4.量化结果。
示例回答（85字）：“主导了智能问答模型从到LLaMA-13B的升级，负责SFT与RLHF全流程。通过混合精度与梯度检查点，训练时长缩短40%，上线后回答准确率从73%提升至89%，日QPS达5000。”
可能追问：1.RLHF中的奖励模型如何设计？2.推理延迟如何优化的？3.数据清洗与标注质量控制？
避坑提醒：不要只说“参与了”，要明确你的代码行、决策点。避免使用“我们”模糊主体。
🎯 面试问答卡片 Q2
面试问题：你认为AIGC算法专家与普通算法工程师的核心区别是什么？
考察点：对岗位的深度理解、技术视野、工程化意识、业务影响力。
回答框架：1.技术深度（大模型原理+调优经验）→ 2.系统能力（分布式训练+推理部署）→ 3.业务闭环（从POC到落地到迭代）。
示例回答（92字）：“普通工程师调参和跑通基线，AIGC专家要理解loss landscape、数据分布对模型行为的影响，能设计训练策略（如课程学习、动态batch），同时具备推理优化能力（量化、剪枝、vLLM），并能根据业务ROI决定模型选型与迭代节奏。”
可能追问：1.你遇到的最复杂的训练不稳定场景？2.如何权衡效果与推理成本？3.你对MoE的理解？
避坑提醒：不要流于概念“我懂Transformer”，要给出具体例子证明你的工程判断力。
🎯 面试问答卡片 Q3
面试问题：你的简历上成果量化似乎不足，可以补充解释吗？
考察点：应变能力、成果意识、是否被动等待任务。
回答框架：1.承认不足（或解释当时记录不完整）→ 2.补充量化回忆 → 3.给出对比基准 → 4.如果无法量化说明定性影响。
示例回答（78字）：“确实没有在简历中充分体现。例如某对话系统优化前平均轮数5.2，我通过意图识别+知识召回优化，轮数降至3.1，用户满意度提升20%。后续我会将类似数据明确写入。”
可能追问：1.为什么当初没记录？2.你如何保证数据真实？3.还有其他未量化的成果吗？
避坑提醒：不要编造数据，但要学会从失败或不算成功的项目中提取过程性指标（如实验次数、关键发现）。