我是丁师兄，专注于智能驾驶方向大模型落地，公众号：丁师兄大模型。
大模型1v1学习，已帮助多名同学上岸国内外大厂
今天给大家分享一下，从面试官的视角看，什么样的简历算一份优质的简历？以及如何快速把简历改好。
为什么想讲这个呢？因为最近我也在集中面试嘛，看了 N 多份简历，大部分人的简历写的，就两个字，稀烂。
首先简历不是向别人介绍你的过去，也不是工作学习总结。它是要体现你的核心竞争力，你和别人不一样的地方。所以很多人出发点就错了，把简历写成了 PPT 汇报。
然后简历上最重要的就是项目嘛，项目编写的一个常见 badcase，就是记流水账。比如我有一个什么项目，然后这个项目怎么怎么样，类似这种。
01什么样的简历算一份优质的简历？
实际上面试官压根儿不关心这些，他关心的是你的项目有什么亮点，你遇到了哪些技术挑战，针对这些挑战你进行了怎样的思考，落地了哪些方案，这些方案最后达到了一个什么样的效果？
所以正确的项目编写，应该通过 STAR 模型+数字化来做，STAR 模型是写简历的一个经典模型，也就是你在简历编写的时候，需要突出场景、问题、行动、结果这四块内容，具体如何落地到大模型项目中呢，一会我们用例子来说明。
然后来看第二点，数字化。无论是场景，问题，行动，结果，一定要记住，数字数字数字，重要的事情说三遍。
我们先看几个反例，就是单纯吐槽一下。看这个简历，大大提升了模型性能，大大是多少？
再看这个，显著提升了效率和准确性，显著又是多少？
所以大家在写简历的时候注意，多用数字少用形容词，尽量给出具象化的描述。
02STAR 模型+数字化的用法
接下来我们就用大模型项目的例子，来给大家实践一下 STAR 模型+数字化的用法。
（1）面临的场景（Situation）
比如你项目里有一个企业私密数据问答的这么一个场景，那就可以写成：企业私密数据的智能问答，业务要求是对 300+ 技术文档，构建百万级专业知识库，并利用大模型实现可控的技术问答，同时私有化产品部署。
所以这就是 STAR 模型中的 S，也就是你有一个什么样的系统，面临的业务背景是什么，在这个业务背景里会做哪些事情，然后全部采用数字化描述。
（2）解决的问题（Task）
然后是要解决的问题，也就是在项目中，你遇到了哪些技术挑战？
比如这个例子，我们遇到的技术挑战是，如何利用手头的 8 张 A100，以及 GPT4 的商用接口，实现 300+ 非结构化和半结构化的文档，完成知识的清洗，结构化，自动化标注和入库，技术架构又该如何选型？
（3）具体的方案（Action）
然后是技术方案。针对这些问题，设计了大模型专业知识智能问答系统的技术架构方案，可以支撑 100w+ 用户。
其中包括了 GPT4+Agent 实现的自动化知识抽取方案，大模型 RAG 的四路召回+重排序的问答方案，大模型推理优化方案，以及大模型私有化部署方案。
（4）优化的结果（Result）
最后是优化的结果，设计并落地这几套方案之后，最终完成了百万级知识库的构建。
问答系统的准确率达到了 92%，专业知识的召回率达到了 84%，服务的吞吐率达到了 46000 token/s，专有领域的问答系统技术架构成功落地，并持续优化和迭代。
这就是一个非常漂亮的项目介绍，在写简历的时候，Task 和 Action 是大家最应该思考和打磨的地方，也是你跟别人拉开差距的地方，面试官也对这块最感兴趣。
你应该认真复盘你项目中的技术挑战、解决思路、技术方案，并将成果全部数字化表示。
这里是丁师兄大模型，关注我，持续分享大模型干货，大家秋招加油！
END
我是丁师兄，专注于智能驾驶方向大模型落地，公众号：丁师兄大模型。
大模型1v1学习，已帮助多名同学上岸国内外大厂
扫一扫
228
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
