面试前3分钟的自我介绍决定了面试官对你的第一印象。本模块提供已验证的黄金模板，帮助你在任何大厂面试中清晰呈现能力线与岗位匹配度，并针对不同公司文化做表达风格微调。
| 模块 | 内容要点 | 时间占比 |
|---|---|---|
| 个人标签 | 名字+当前角色+核心能力方向（如“机器人感知算法工程师，专攻多传感器融合”） | 10% |
| 能力主线 | 聚合2-3个技术亮点，每个亮点用一句成果概况支撑（如“主导激光雷达+视觉融合方案，将定位精度从10cm提升至3cm”） | 50% |
| 匹配理由 | 直接点明与目标岗位的契合点（如“贵岗位要求熟悉VIO与点云处理，我曾在自动驾驶舱内负责类似任务”） | 30% |
| 表达收尾 | 表达期待，并留下互动钩子（如“具体细节可以在后续环节深入交流”） | 10% |
面试问题：“请做一个2分钟的自我介绍，重点说明你与机器人感知岗位的匹配度。”
面试官考察点：
回答框架：个人标签(5s) → 2个技术亮点+成果(60s) → 明确匹配理由(40s) → 收尾(5s)
简短示例回答：“我是李想，专攻多传感器融合SLAM。在小米扫地机项目中，我设计了一维激光+惯导融合方案，定位误差从12%降到2.8%。我看到贵岗要求熟悉视觉SLAM与IMU标定，这与我的项目经历高度匹配，希望能有机会深入交流。”
可能追问：“你提到的定位误差2.8%是在什么场景下测的？如何保证鲁棒性？”
面试问题：“如果你加入我们团队，你觉得自己能带来什么独特价值？”
面试官考察点：
回答框架：短板弥补(10s) → 你的独特技能(30s) → 与团队互补(30s) → 可迁移经验(20s)
简短示例回答：“我过去三年一直做低成本传感器SLAM，特别擅长在算力受限的嵌入式设备上做实时融合。我了解到贵司的配送机器人也面临算力瓶颈，我能快速把低资源优化经验带过来，节省至少2个月预研周期。”
可能追问：“具体是哪些优化手段？TinyML方案吗？”
面试问题：“请你用一个STAR案例展示你最成功的感知算法项目，并说明如何匹配公司的技术风格。”
面试官考察点：
回答框架：Situation(10s) → Task(10s) → Action(40s) → Result(20s) → 风格匹配(10s)
简短示例回答：“S: 在智行者L4园区车项目中，GPS信号遮挡严重；T: 要求定位误差<5cm；A: 我设计VIO+轮式里程计紧耦合方案，采用多状态约束优化；R: 实现3.2cm均方根误差，系统稳定性99.7%。这正好对应贵公司强调‘工程落地与精度兼顾’的风格，我的方案已通过ASIL D流程验证。”
可能追问：“多状态约束优化的计算开销是多少？如何选关键帧？”