第1章：岗位能力画像与简历优化模板
一、岗位能力画像
高阶感知专家需同时覆盖四个层次：算法深度、工程落地、系统整合、业务理解。以下为典型能力维度与子技能对应关系：
| 能力维度 | 子技能/关键词 | 面试考察频次 |
|---|---|---|
| 传感器融合 | Lidar/Camera/Radar 标定、时空同步、BEV融合、匈牙利匹配 | ★★★★★ |
| 深度学习 | 检测/分割/跟踪、Transformer、OCC、知识蒸馏、量化部署 | ★★★★★ |
| 3D视觉与几何 | PnP、ICP、多视图几何、SFM、点云处理 | ★★★★☆ |
| 系统与工程 | ROS2、CUDA、C++性能优化、数据闭环、仿真评测 | ★★★★☆ |
| 业务落地 | 功能安全、长尾场景挖掘、A/B实验、打标返工管理 | ★★★☆☆ |
二、简历结构模板
大厂HR/面试官平均浏览一份简历时间约10-15秒。推荐使用以下结构化模块（顺序不可调换）：
三、关键词清单与成果量化句式
| 分类 | 关键词示例 | 量化句式模板 |
|---|---|---|
| 检测 | YOLOX, CenterNet, DETR, BEVFormer | “提出改进的轻量化检测头，mAP提升2.3%，推理延迟降低12ms” |
| 融合 | 时空同步, 匈牙利算法, 最近邻匹配, BEV空间 | “设计基于非极大值抑制的融合策略，目标召回率提高5%，虚警下降30%” |
| 部署 | TensorRT, ONNX, INT8量化, CUDA kernel | “实现端到端量化部署，模型体积压缩4倍，帧率从15fps提升到30fps” |
| 数据 | 难例挖掘, 主动学习, 自动标注, 仿真生成 | “搭建主动学习 pipeline，在20%数据量下达到99%的基线精度” |
四、面试问答卡片（第1章·3题）
考察点：岗位匹配度、自我定位清晰度、表达能力。
回答框架：能力标签 + 代表性技术 + 落地成果（数据证明）。
示例回答：“我专注于BEV融合感知，主导过基于Transformer的端到端检测模型，在xx项目中将mAP提升3%同时保持30fps实时推理。”
可能追问：“BEV融合与其他方案的对比劣势？你的模型优化瓶颈在哪？”
避坑提醒：避免过于宽泛（如“我什么都会”），也不要说单一技能（“我只会点云处理”）。突出差异点。
考察点：成果量化意识、指标熟悉度、逻辑严谨性。
回答框架：定义指标（召回率/精度/延迟）→ 优化前基线 → 优化后结果 → 对比分析原因。
示例回答：“融合前独立检测召回率为85%，引入匈牙利匹配与几何校验后召回率提高到92%，同时FP减少40%。原因主要是解决了Camera与Lidar的视差误匹配。”
可能追问：“为什么不用端到端神经网络融合？匈牙利匹配的阈值如何设定？”
避坑提醒：不要只给数字不说原因，面试官想知道你是否理解优化背后的原理。
考察点：对面试官筛选逻辑的理解、自我认知、优先级思维。
回答框架：列出3个高权重关键词 → 对应自己的项目经历 → 说明与岗位的匹配性。
示例回答：“我会优先突出BEV感知、TensorRT部署和长尾场景挖掘。因为当前岗位JD明确要求BEV方案和工程落地能力，同时长尾场景处理是量产关键。”
可能追问：“你举例说明如何用数据驱动解决长尾场景？”
避坑提醒：不要堆砌所有关键词，要结合岗位JD选择最相关的2-3个，讲深而非讲多。
五、简历优化示例（基于真实岗位）
改造后：“主导Camera-Radar融合检测模块设计，提出基于距离投影的跨模态匹配算法，在高速场景下目标召回率提升8%，误报警率降低35%，最终通过TensorRT量化部署，延迟控制在25ms以内。”
遵循同样的思路，将每段经历都拆解为「动作+技术+指标+业务价值」四元素。