岗位能力画像与简历优化模板
AIGC算法研究员面试要求“算法深度 + 工程广度 + 业务敏锐度”。本章拆解岗位核心能力，提供简历结构和可量化表达，助你快速通过初筛。
一、岗位能力画像速查表
| 能力维度 | 关键要求 | 面试举证示例 |
|---|---|---|
| 深度学习基础 | Transformer、Diffusion、Attention机制推导 | “用推导说明Self-Attention的复杂度优化” |
| 大模型原理与微调 | LoRA、P-Tuning、RLHF、DPO | “设计LoRA rank值选择策略并说明效果” |
| 训练优化与分布式 | ZeRO、FSDP、混合精度、梯度检查点 | “在16卡上训练70B模型，显存如何规划” |
| 工程部署与推理加速 | vLLM、TensorRT、量化（INT8/4）、KV Cache | “将推理延迟从200ms降到50ms，用了哪些方法” |
| 业务落地与评估 | A/B实验设计、指标定义、bad case分析 | “上线AIGC模型后用户留存提升1.2%，如何归因” |
二、简历结构模板与关键词清单
- 关键词清单（高频出现在大厂JD中）：Transformer, VAE, Diffusion, LoRA, 微调, RAG, 多模态, RLHF, 推理加速, 分布式训练, A/B测试, 指标看板。
- 成果量化句式：“通过LoRA微调将对话模型指令遵循率提升12%”“在8*A100上训练7B模型，吞吐量优化至1500 tokens/s”“推理时延降低60%，QPS提升3倍”。
三、面试问答卡片
🎯 面试问题：“请介绍一下你做过的AIGC项目，通过什么方法提升了模型的生成质量？”
📌 考察点：项目深度、技术选型逻辑、量化意识、归因能力。
🧠 回答框架：STAR + 技术细节 → 对比基线 → 量化收益 → 可迁移反思。
✏️ 示例回答：“在文生图项目中使用ControlNet+LoRA微调，将SD1.5的手部畸形率从23%降到8%。通过清洗3000张手部数据、调整loss权重，最终推理速度仅增加5ms。该方案已迁移至内部电商图生成管线。”
🔍 可能追问：“LoRA rank怎么选的？为什么不直接用DreamBooth？”
⚠️ 避坑提醒：不要说“我用了一些方法”，要给出具体数字和决策原因。
🎯 面试问题：“训练LLM时遇到过loss spike（损失突增）吗？如何排查解决？”
📌 考察点：训练经验、问题定位能力、系统化思考。
🧠 回答框架：描述现象 → 分步排查（数据/模型/优化器） → 根因 → 解决方案 → 效果验证。
✏️ 示例回答：“遇到过两次。第一次是数据中出现大量重复噪声，清洗后恢复。第二次是learning rate过大导致梯度爆炸，改用warmup+余弦衰减，并添加梯度裁剪为1.0。监控训练loss和梯度范数后，spike减少90%。”
🔍 可能追问：“混合精度训练下loss spike有什么特殊原因？”
⚠️ 避坑提醒：避免只回答“重新训练”，要体现系统性排查步骤。
🎯 面试问题：“如何评估一个AIGC模型在业务场景中的效果？不能只看指标。”
📌 考察点：工程落地思维、业务理解、评估体系设计。
🧠 回答框架：离线指标 + 在线A/B实验 + 用户侧体验（回访/留存） + Bad Case闭环。
✏️ 示例回答：“先定义core metric（如生成合规率、用户采纳率）。上线A/B实验，实验组采纳率提升1.8%，但人工标注发现5%的bad case。于是增加规则filter自动过滤，同时建立bad case weekly review机制，迭代模型后安全违规降低70%。”
🔍 可能追问：“指标提升但用户时长下降，你会如何处理？”
⚠️ 避坑提醒：不要只谈BLEU/Rouge，一定要落到业务行为指标上。