第1章 岗位能力画像与简历优化模板
本章定位：在AIGC算法平台工程师的面试中，面试官最先考察的是你对岗位的理解是否清晰、能力结构是否匹配。本章从能力画像和简历优化两个维度，帮你建立岗位认知框架，输出高匹配度的面试简历。
💡 画图提示：面试前对照五维能力模型做自我评分（1-5分），找出最弱的1-2个维度，准备针对性的补强案例。面试中展示“能力均衡+某一项突出”更容易获得认可。
一、简历结构模板
一份高匹配度的AIGC算法平台简历，建议按以下模块顺序组织，每个模块突出关键词与量化成果：
| 模块 | 核心内容 | 关键词 / 量化指标 |
|---|---|---|
| 个人信息 | 姓名 / 联系方式 / 求职岗位 | AIGC算法平台工程师 / 社招 / 校招 |
| 教育背景 | 学校 / 专业 / 研究方向 / | 硕士/博士 / C9 / CVPR / ACL / 生成模型 |
| 核心技能 | 框架 / 模型 / 工具链 | PyTorch / Diffusers / ONNX / TensorRT / DeepSpeed |
| 项目经验 | STAR 原则描述，突出量化结果 | 推理延迟↓40% / 吞吐↑3× / 显存↓60% |
| 实习经历 | 公司 / 团队 / 核心贡献 | 模型加速 / 数据流水线 / A/B测试 |
| 成果亮点 | / 专利 / 开源贡献 | ACL / CVPR / GitHub Star 500+ / 技术博客 |
⚠️ 简历常见误区：① 只列技能名称没有成果量化；② 项目描述缺乏STAR结构；③ 忽略AIGC相关经验（即使非核心项目也可以体现迁移能力）；④ 关键词与JD不匹配。
二、关键词清单（JD高频词）
- 算法类：Diffusion Model / LoRA / ControlNet / Transformer / VAE / GAN
- 工程类：分布式训练 / 推理加速 / 模型量化 / ONNX / TensorRT / Triton
- 框架类：PyTorch / HuggingFace / Diffusers / DeepSpeed / Megatron
- 业务类：A/B测试 / 线上指标 / 延迟优化 / 成本控制 / 多模态
三、成果量化句式（直接用于简历）
- 将 [模型名称] 推理延迟降低 [XX%]，吞吐量提升 [XX倍]，显存占用减少 [XX%]
- 设计并实现 [系统名称]，支撑日均 [XX万] 请求，服务可用性达 [99.X%]
- 优化 [训练流程]，训练时间从 [X天] 缩短至 [X小时]，节省 [XX%] 计算资源
- 主导 [模型名称] 从0到1落地，线上关键指标提升 [XX%]，覆盖 [XX] 个业务场景
四、面试问答卡片
🎯 面试问题 1
请介绍一下你自己，并说明为什么适合AIGC算法平台工程师这个岗位？
| 考察点 | 自我认知、岗位匹配度、表达能力 |
| 回答框架 | BCM 框架：背景（Background）→ 能力（Capability）→ 匹配（Match） |
📌 示例回答：
我硕士毕业于XX大学计算机专业，研究方向为图像生成。在XX公司实习期间，主导了文生图模型的推理加速项目，通过模型量化和算子优化，将推理延迟降低40%。我熟悉Diffusion模型和LoRA微调技术，对模型工程化有深入实践，因此认为自己胜任这个岗位。
| 可能追问 | 你提到的推理加速具体用了哪些技术？遇到过什么困难？精度和速度如何权衡？ |
| 避坑提醒 | ① 不要复述简历，要突出AIGC相关经验；② 不要说自己什么都会，聚焦1-2个核心能力；③ 不要忽视岗位特殊性，强调工程化思维。 |
🎯 面试问题 2
请描述你在过往项目中遇到的最大技术挑战，以及你是如何解决的？
| 考察点 | 技术深度、问题拆解能力、工程解决思路 |
| 回答框架 | CAR 框架：挑战（Challenge）→ 行动（Action）→ 结果（Result） |
📌 示例回答：
在文生图模型部署中，单卡推理显存占用24GB无法上线