第4章 STAR法则与项目包装方法：情境、任务、行动、结果，量化与故事化

“请用 STAR 法则介绍一个你做过的最成功的 EDA 项目。”

1. S 情境：一句话说清项目背景、工艺节点、设计规模、核心挑战。
2. T 任务：你的具体角色、目标指标、交付标准。
3. A 行动：技术方案选型 + 关键执行动作 + 协同方式。
4. R 结果：量化数据 + 业务价值 + 时间/成本收益。

“在某 7nm AI 芯片项目中，500 万门级设计面临严重时序违例（S）。我作为时序优化负责人，目标是将 WNS 收敛到 0 以下并通过签核（T）。我主导了多阈值电压库替换、时钟树重构和电源域分割，并推动前端与版图团队协同迭代（A）。最终时序违例减少 85%，面积节省 12%，流片一次成功，项目提前 2 周交付（R）。”

• 为什么选择多阈值库而不是其他方案？
• 你个人在跨团队协作中具体做了哪些推动？
• 85% 的违例减少是如何统计和验证的？

“描述一个你在 EDA 项目中遇到的技术瓶颈，你是如何突破的？”

1. 问题定位：什么现象？影响范围？根因分析。
2. 方案探索：考虑了哪些方案？选型依据。
3. 执行过程：具体实施步骤、迭代过程、遇阻调整。
4. 结果验证：数据对比、是否根治、经验沉淀。

“在时序收敛后期，发现某关键模块 IR Drop 超标 18%，可能影响芯片可靠性。我通过功耗分析工具定位到宏单元密度过高导致局部电流过载。尝试了去耦单元插入和电源轨加宽两种方案，最终采用混合策略，在热点区域插入 120 个去耦单元，IR Drop 降低 22%，同时面积仅增加 3%。该方案被复用到其他两个模块。”

• 当时有没有考虑过其他方案？为什么没选？
• 这个问题的根本原因是什么？如何避免再次发生？
• 3% 的面积增加是否影响整体指标？

“在你的项目中，如何衡量和验证你的工作成果？”

1. 指标定义：用什么指标衡量？为什么选这个指标？
2. 基线建立：优化前的数据基准是什么？
3. 提升数据：优化后的数据变化，值和相对值。
4. 业务影响：这个提升对项目整体意味着什么？

“我负责的模块时序优化，以 WNS 和 TNS 为核心指标。基线数据为 WNS -0.5ns、TNS -15ns。通过综合脚本优化和时钟树重构，最终 WNS 改善到 -0.05ns，TNS 降低到 -0.8ns，单元面积减少 12%。直接帮助项目整体时序收敛周期缩短 30%，提前进入物理验证阶段。”

• 这些数据是通过什么工具或流程测量的？
• 是否有对比实验或 A/B 测试？
• 同样的方法在其他模块或项目中是否可复用？