外观
能力对标：简历该突出什么
一句话定义：简历不是经历流水账，而是「与目标 JD 一一对应的证据链」——每一段项目、每一条技能，都要回答面试官心里那一个问题：你能证明你满足岗位要求吗？
先读JD 清单拿到岗位技能词，再用JD 知识点拆解给自己打好分，最后回到本页：怎么把这些能力写出来、写进哪个位置、避免哪些坑。
一、深度学习岗位简历的标准结构
一份合格的算法岗简历，控制在 1-2 页（应届 1 页，3 年以上经验 2 页），按以下顺序：
- 个人信息：姓名、联系方式、求职意向（写目标岗位名，不要写「算法/开发」）；
- 教育背景：学校、专业、GPA（高才写）、相关课程；
- 项目经历：2-4 个，按与目标 JD 的相关度排序，本页重点；
- 科研/论文/竞赛（如有）：论文列表、竞赛名次，注意写出实际贡献；
- 技能栏：按框架/模型/工程归类，每条带熟练度定语；
- 其他：开源贡献、博客、教学经历。
顺序比内容重要
HR 初筛一份简历平均 10-30 秒。项目经历必须放在教育背景之后，并且前两个项目必须直接命中目标 JD 的技能词——排在后面的内容再精彩，也可能没人看得到。
二、项目经历：背景-方案-结果-复盘四段式
模板
| 段落 | 内容 | 篇幅 |
|---|---|---|
| 背景（Why） | 这个项目解决什么问题？为什么值得做？ | 1-2 行 |
| 方案（How） | 用了什么方法、什么模型、什么数据？关键决策点？ | 3-5 行 |
| 结果（What） | 量化指标：提升多少、对比什么基线、多大规模数据 | 1-2 行 |
| 复盘（Learn） | 踩过什么坑？如果重来会怎么做？这一行最容易被忽略也最加分 | 1-2 行 |
改写前后对比
改写前（典型反面教材）：
图像分类项目：使用 ResNet50 对猫狗图片进行分类，准确率达到 95%。使用 PyTorch 实现，用到了数据增强、学习率调度等技巧。
改写后（四段式 + 量化 + 决策点）：
背景：为电商平台构建商品图片违规审核的初筛模型，目标是先自动过滤掉 90% 的明显违规图片，降低人工审核成本。 方案：基于 ResNet50 迁移学习，关键点是处理类别严重不平衡（违规样本仅占 3%）——对比了过采样、Focal Loss 与两阶段训练，最终采用 Focal Loss + 难样本挖掘；用 Albumentations 做线上数据增强。 结果：在 50 万张真实业务图上，召回率 0.92（目标 0.90）、精确率 0.88，单图推理 15ms，替代 85% 的初审人力，上线运行 6 个月。 复盘：初版用普通 CrossEntropy 模型对违规类召回仅 0.6；踩过的坑是线上数据与标注分布漂移导致指标回退，后续加了每周重评估流程。
对比：改写后每句话都对应面试官可能追问的点（不平衡怎么处理？为什么选 Focal Loss？上线后怎么监控？），而改写前没有一句能展开。
写「结果」的三种量化方式
- 指标对比：比基线（baseline）提升多少，如「比 ResNet50 基线 F1 提升 4.2 个点」；
- 业务价值：节省成本、提升转化，如「召回率 0.9，替代 85% 初审人力」；
- 规模：数据量、训练时长、参数量，如「在 50 万样本、8 卡 A100 上完成训练」。
三种至少用两种，纯指标（只有准确率 95%）没有参照系，等于没写。
三、技能栏怎么写：三类归类法
技能栏不要写「精通 Python、熟练 PyTorch」这种并列清单，按三个维度分组，让 HR 一眼看出结构：
| 类别 | 写什么 | 示例 |
|---|---|---|
| 框架与工具 | 实际用过的框架、库、平台，附熟练度 | PyTorch（熟练）、HuggingFace Transformers（熟练）、TensorFlow（了解）、Docker/MLflow（用过） |
| 模型与方法 | 按方向归类的模型知识，写「理解原理」而非「熟悉」 | CNN/ResNet、Transformer/BERT、LoRA 微调、RAG 管线、知识蒸馏 |
| 工程与流程 | 数据、训练、部署、监控 | 分布式训练（DDP）、数据管道（Airflow）、ONNX 部署、A/B 实验分析 |
熟练度怎么标注
「熟练 / 理解原理 / 用过 / 了解」四档即可，别写「精通」——面试官对「精通」的追问会直接到源码层面。诚实标注反而在面试时建立可信度。
技能栏的知识点来源就是JD 知识点拆解的补课清单：补好的标「熟练/理解」，补到一半的标「用过」或干脆不写（简历上每一条都要准备被追问）。
四、常见简历错误（六大坑）
坑 1：罗列 API，不写决策
❌「用到了 torch.optim.Adam、torchvision.transforms、ReduceLROnPlateau」
这是把文档当项目。面试官想知道的是你选了什么、为什么，不是你会调用什么函数。
坑 2：无量化结果
❌「模型效果很好，上线后表现稳定」
「很好」没有参照系。至少给一个指标：准确率、召回率、延迟、成本、用户指标。参照评估实践选对的指标。
坑 3：无失败复盘
❌「一次就训练成功」
训练一次就成功基本不可能，写出来面试官也不信。主动写「失败—诊断—修正」反而展示调试与诊断能力——这正是面试重点考察的素质。
坑 4：堆砌关键词
❌ 技能栏列 30 个技术名词，项目里一个都没用上。简历上的每个词都可能是追问点，堆砌 = 自设陷阱。
坑 5：项目与岗位不匹配
投大模型岗，简历上全是传统图像分类项目。宁可少放一个项目，也要让前两个项目命中目标 JD。项目从哪来？见作品集项目。
坑 6：模板痕迹过重 / 错别字
「熟悉大数据处理框架 Spark/Hive」写在 CV 岗的简历里，一眼假。技术岗简历错别字会直接被判定不严谨。
五、不同岗位的简历侧重
| 岗位 | 简历第一屏要突出 | 项目写法侧重 |
|---|---|---|
| 深度学习研究员 | 论文列表、开源贡献 | 方法创新点与实验严谨性，突出论文地图训练出的领域视野 |
| 大模型工程师 | 大模型微调/RAG/Agent 项目 | 微调规模、评测方法、推理优化数字 |
| CV/NLP 工程师 | 对应方向的项目与数据规模 | 模型选型权衡、数据工程、部署上线 |
| ML 工程师 | 训练/推理平台、MLOps 经验 | 系统设计、可靠性、成本优化，见MLOps 与模型部署 |
| AI Infra 工程师 | 分布式训练、性能调优案例 | 具体数字：吞吐、显存、训练时长下降多少 |
| 数据科学家 | 业务分析项目、统计方法 | 因果分析、实验设计、业务指标提升 |
六、投递前的最后检查清单
- [ ] 简历上每个技能词都能在项目经历里找到证据；
- [ ] 前两个项目命中目标 JD 的硬性要求关键词；
- [ ] 每个项目有至少一个量化结果 + 一段失败复盘；
- [ ] 技能栏按「框架 / 模型 / 工程」分组，无「精通」字样；
- [ ] 用面试题库对简历上每个词自测一轮；
- [ ] 给一位同行看，问：「看完你最想追问什么？」把追问全部准备成答案。
延伸阅读
- JD 清单：国内外大厂在招岗位——简历要命中的技能词来源
- JD 知识点拆解——技能栏怎么写才不虚
- 作品集项目——项目经历从哪来、怎么做完
- 评估实践——量化结果怎么写才算对
- 调试与诊断——「失败复盘」素材怎么积累
- 面试题库——投递前自测清单