项目包装与STAR法则实战：项目描述、STAR拆解、亮点提炼
面试中项目描述往往是第一印象，也是面试官判断你真实能力的关键。STAR法则（Situation、Task、Action、Result）能将零散经验转化为逻辑清晰的叙事结构，帮助你在竞争激烈的自动驾驶规划岗中脱颖而出。以下先掌握STAR拆解框架，再通过真实项目模板学习如何包装与应对追问。
STAR法则核心要素表
| 要素 | 定义 | 规划研发场景示例 |
|---|---|---|
| S 情境 | 项目背景、业务现状、团队定位 | 高架路段自动驾驶，需求是减少变道迟滞，提升通行效率 |
| T 任务 | 具体目标与挑战指标 | 将平均变道时间从3.2s降至2.0s，同时保证舒适度 |
| A 行动 | 技术方案、设计决策、协同过程 | 设计基于上下文感知的代价函数，引入车辆交互预测模块 |
| R 结果 | 量化成果、业务价值、个人贡献 | 变道时间降至1.8s，舒适度评分提升15%，被采用 |
💡 提示： STRA中“行动”是核心，务必讲清楚“为什么选这个方案”和“你怎么做的”，避免只罗列技术名词。
真实项目模板：城市道路L4级自动驾驶路径规划
以下模板可直接用于项目描述练习，注意结合自身经历调整细节。
| 字段 | 内容 |
|---|---|
| 项目名称 | 基于交互预测的高效路径规划系统 |
| 业务背景 | 国内一线城市自动驾驶测试车队，需要应对复杂路口、人车混行、无保护左转等场景，原规划系统成功率仅78%，且造成频繁接管。 |
| 规模指标 | 覆盖30km²开放道路，日测试里程2000km，共12个高难度路口。 |
| 技术栈 | C++17、ROS2、Apollo 7.0、EM Planner、Hybrid A*、Lattice Planner、行为预测模型（基于LSTM）、代价函数调优工具。 |
| 核心难点 | 1. 动态障碍物意图不确定，导致规划死锁； 2. 实时性要求100ms内输出轨迹，多模态预测计算开销大； 3. 无保护左转场景中需要与其他车辆形成博弈共识。 |
| 面试高频追问 | （详见下方追问路径图及话术） |
| 可迁移回答话术 | “我负责设计代价函数中的交互项，使用场景图编码周围车辆轨迹概率分布，将预测结果作为规划约束。与基线对比，死锁次数降低42%，平均规划时间从98ms降至78ms，无保护左转成功率从65%提升至89%。” |
💡 可迁移话术要点： 体现“问题-方案-量化-对比”四步。面试官听到“对比基线”和“具体数值”会立刻建立信任。
⚠️ 避坑提醒： 面试中常见错误——只讲做了什么（Action），忽略结果（Result）或语境（Situation）。一定要把项目放在“我是谁、团队目标是什么、最终产生了什么业务影响”这个叙事框架里。另外，不要夸大结果，用“提升了15%”而非“大幅提升”。
亮点提炼方法论
- 从结果反推亮点： 将指标（如规划成功率）与行业基准对比，如果无公开基线，可对比项目迭代前后的差异。
- 突出技术决策： 解释你为什么选择EM Planner而不是Lattice Planner，体现技术选型思考。
- 展示工程能力： 提到你如何优化实时性（线程池、缓存、KDTREE加速），这在大厂面试中非常加分。
- 个人贡献边界： 明确“我设计了…”、“我实现了…”，避免使用“我们”，但也要说明团队协作角色。