简历的本质：5W 法

简历不是「经历清单」，是「价值证明」。HR 平均 30 秒扫一份简历，你要在 30 秒里回答 3 个问题：你做过什么、你独特在哪、你能给我带来什么。

5W：写简历前先回答自己

反例 vs 正例

❌ 经历清单式（流水账）：

- 负责公司知识库问答系统的开发
- 参与 RAG 系统的设计与实现
- 使用 LangChain、Milvus、BGE 等技术
- 协助测试与上线

✅ 价值证明式（穿过 30 秒筛选）：

[项目] 企业知识库问答系统｜技术 owner
[痛点] 客服日均 8000 单，30% 是重复问题
[方案] RAG（BGE+BM25+Reranker）+ LangGraph 多轮编排
[结果] 承接 62% 重复咨询，工单 ↓ 38%，准确率 91%
[贡献] 独立完成检索召回 + 评测回路设计

应届生：没有工作经验也能 5W

没有正式工作？把 5W 套到这些经历上：

• 课程项目：用户数（同班 30 人用过）、对比 baseline 提升、代码量。
• 毕设：解决什么真实问题、用了什么方法、拿到什么实验结果。
• 实习：哪怕是打杂的实习也能写——「整理了 X 份调研报告，被产品采纳 N 条建议」。
• 开源 / Kaggle：star 数、排名、PR 被 merge。
• 竞赛 / 比赛：什么级别、什么名次、解决了什么。

应届生 vs 社招简历的差异

应届生和社招的简历不是同一个东西，模板套错就废。理解差异，才能写出对应阶段最有竞争力的版本。

核心差异对照

应届生 3 大优势 + 3 大劣势

优势

• 白纸优势：公司不会用「3 年经验 = X」标准苛求，可塑性是加分项。
• 价格优势：HC 多、给薪相对宽松，「便宜量大」反而好谈 base。
• 学习能力背书：学校 / 排名 / 课程 / 论文 / 竞赛，应届生独有的硬背书。

劣势

• 缺乏真实业务：从未对接过真实用户和真实数据 → 用实习 + 高质量项目补。
• 缺乏团队协作经验：→ 用大型课程项目（5 人以上协作）+ 开源贡献补。
• 缺乏量化指标：→ 用比赛排名、对比 baseline 提升、用户量补。

应届生简历推荐结构（自上而下）

1. 基础信息   ：姓名 / 邮箱 / 电话 / GitHub
2. 教育背景   ：学校 / 专业 / 学历 / GPA / 排名
3. 实习经历   ：1–3 段, STAR 化
4. 项目经历   ：2–3 个核心项目, STAR + 数字
5. 技能栏     ：3–5 项, 分级
6. 荣誉 & 开源：竞赛获奖 / 开源贡献（可选）

1 页 vs 2 页：到底写多长？

简历不是越长越好。「写不满 1 页」和「写到 3 页」是同一个错误：前者没准备，后者没重点。

长度建议

写不满 1 页怎么办？

1. 项目深挖：1 个项目从 3 行扩成 6 行（多写 1 个关键决策 + 1 个量化指标）。
2. 把课程作业写成项目：选 1 个最复杂的课程大作业，按 STAR 写。
3. 补开源 / 个人项目：哪怕是 toy project，写清楚动机 + 学到了什么。
4. 调字号 / 行距：14pt → 11pt、行距 1.5 → 1.15，留白合理化。

写超 1 页怎么办？

1. 删自我评价：一行都不要留。
2. 删兴趣爱好：除非和岗位强相关（如游戏公司 + 玩游戏）。
3. 砍掉 3 个以上的小项目：留 2–3 个最能打的，其他全删。
4. 删掉「我们」开头的句子：能删一半。
5. 合并重复技能：「Python、Pytorch、TensorFlow、Numpy、Pandas」 → 「Python 生态（含 PyTorch / Pandas）」。

排版建议

• 字号：正文 10.5–11.5pt，标题 12–14pt，姓名 16–20pt。
• 行距：1.15–1.3，过密像挤公交，过疏像凑数。
• 留白：左右各 1.5–2 cm 边距，上下各 1.5 cm。
• 字体：中文用思源宋体 / 微软雅黑，英文用 Inter / Helvetica。
• 颜色：≤2 种主色（黑 + 1 个 accent），不要彩虹。
• 不要花哨图标：HR 用 PDF 看，过多 emoji 会让简历显得不专业。

STAR 框架：让经历变成故事

每一条项目经历都按 Situation → Task → Action → Result 展开，结果用数字量化。这一条原则就能淘汰 80% 的流水账简历。

STAR 各代表什么

社招示例（知识库 RAG 项目）

负责公司知识库问答系统的开发

S: 客服日均 8000 单咨询, 30% 重复问题占用人工
T: 搭建 RAG 智能问答系统, 目标承接 50%+ 重复咨询
A: 设计混合检索（BGE + BM25 + Reranker）
   用 LangGraph 编排多轮对话
   引入 LLM-as-Judge 评测回路
R: 上线后承接 62% 重复咨询
   人工工单 ↓ 38%
   回答准确率 91%（人工抽检 500 题）

应届生示例（毕设 / 课程项目）

毕设课题: 中文医疗问答模型微调

S: 通用 LLM 在医疗领域准确率仅 64%
   开源数据集 cMedQA, 包含 10w+ QA 对
T: 用 LoRA 微调 ChatGLM-6B, 目标准确率超 80%
A: 数据清洗去重剩 7w 高质量样本
   对比 LoRA / QLoRA / Adapter 三种方案
   选 QLoRA（4bit 量化 + LoRA, 显存只需 12GB）
   用 LangChain 部署成 demo
R: 微调后准确率 83.7%, 推理速度 25 token/s
   毕设答辩获优, demo 在 GitHub 收获 120+ star

应届生示例（实习日常工作）

实习岗位: 算法实习生 @ 字节

S: 团队推荐模型 CTR 准确率 11.2%, 半年未优化
T: 实习期间提出可行的优化方案, 目标 +0.5%
A: 分析现有特征 120 维, 发现长尾用户行为特征缺失
   引入 7 天滑窗 + 用户聚类标签
   用 LightGBM + DeepFM 双模型融合
R: 离线 AUC +1.2%, 线上小流量 CTR +0.8%
   方案已合入主分支, 转正答辩获评 S

项目描述模板

📌 一份打动面试官的项目描述应回答：解决了什么真实问题？做出了什么独特决策？拿到了什么可量化结果？

4 段式结构

• 痛点（1 句）：1 句讲清业务/技术背景，避免行业黑话堆砌。
• 方案（2–3 句）：突出 1–2 个关键技术决策，回答「为什么用这个而非其他」。
• 指标（3 个）：业务指标 / 性能指标 / 工程指标，各 1 个。
• 个人贡献（1 句）：明确「我」做了什么模块，避免笼统「我们做了…」。

通用模板

# 项目名 · 一句话定位
<项目名>｜<角色, 如: 技术 owner / 后端主开发 / 算法实习>

# 痛点
<谁> 面临 <什么具体问题>, 导致 <什么后果>.

# 方案
基于 <核心技术 A + B> 搭建 <系统类型>.
关键决策: 选 <A> 而非 <B>, 原因是 <权衡点>.

# 结果
<业务指标>: <前> → <后>（↑/↓ N%）
<性能指标>: <数字>
<工程指标>: <数字>

# 我的贡献
独立完成 <模块 X>、主导 <决策 Y>、推动 <Z> 上线.

应届生：把课程项目写出价值

课程项目和真实业务的核心差异是「没有真实指标」。但仍能量化：

应届生示例：把毕设写好

# LLM 医疗问答系统｜个人毕设 + 答辩优

痛点: 通用 LLM 在医疗专业问答上准确率仅 64%, 不能直接落地.

方案: 用 QLoRA (4bit + LoRA) 微调 ChatGLM-6B.
   对比 LoRA / QLoRA / Adapter 三种方案,
   QLoRA 在 12GB 显存下精度损失 ≤ 1%, 选它.
   用 LangChain + Streamlit 部署成 web demo.

结果: 准确率 64% → 83.7% (cMedQA test set)
   推理速度 25 token/s (单卡 RTX 3090)
   GitHub 120+ star, 毕设答辩评分 95/100

个人贡献: 独立完成数据清洗、模型微调、demo 部署全流程.

教育背景与实习经历

应届生最重要的两栏。教育背景是「硬通货」，实习经历是「软实力」证明。两栏写好，简历就赢了一半。

教育背景：每一项都有讲究

写法示例

浙江大学 · 计算机科学与技术 · 硕士  | 2022.09 - 2025.06
GPA: 3.82/4.0 (专业排名 4/68)
核心课: 机器学习、深度学习、自然语言处理、分布式系统
毕设: 基于 QLoRA 的中文医疗问答模型微调 (评分 95/100)
荣誉: 国家奖学金 (top 2%)、优秀毕业生

实习经历：哪怕打杂也能 STAR

很多应届生写实习是「跟着 mentor 学 X、参与 Y 项目」，这等于没写。实习也要 STAR 化：

字节跳动 · 抖音推荐算法组 · 算法实习生  | 2024.04 - 2024.09

S: 团队主推荐模型 CTR 11.2%, 半年未提升
T: 提出可行优化方案, 目标 CTR +0.5%
A: 分析现有特征 120 维, 引入用户聚类标签 + 7 天行为滑窗
   实验 LightGBM + DeepFM 双模融合
R: 离线 AUC +1.2%, 线上 A/B 小流量 CTR +0.8%
   方案合入主分支, 转正答辩 S 评

没拿过实习怎么办？

用以下 4 类经历替代，效果不输实习：

1. 科研经历：导师组里的 RA、参与论文/专利。
2. 开源贡献：给知名项目（>1k star）提 PR、维护自己的项目。
3. 大型比赛：Kaggle / 天池 / 阿里中间件比赛进 top X%。
4. 校园技术组织：实验室、技术社团的核心成员，做出过实际产品/服务。

技能栏：少而精胜过报菜名

技能栏不是「报菜名」，是「能 defend 的能力清单」。简历上每写 1 个技术，面试时都可能被问 30 分钟，你扛得住吗？

错误示范 vs 正确写法

❌ 报菜名式：

编程语言: Python, Java, C++, Go, JavaScript, TypeScript, Rust
框架: PyTorch, TensorFlow, Keras, JAX, Flask, FastAPI, Django,
     Spring, Vue, React, Express, NestJS
中间件: Redis, MySQL, MongoDB, Kafka, RabbitMQ, ES, Milvus, Neo4j
其他: Docker, K8s, Linux, Git, AWS, GCP, Azure, CI/CD

面试官看到这种，第一反应是「啥都浅尝」，然后挑你最不熟的那个问你。

✅ 分级 + 背书：

精通: Python (5 年, 主力开发), PyTorch (微调过 3+ 模型)
熟练: vLLM / FastAPI / LangChain (生产部署过 RAG 系统)
       Milvus / Redis (有 100w+ 向量场景实战)
了解: K8s / Docker (能独立部署服务), Go (读得懂代码)

分级标准（自检表）

LLM 工程师推荐技能栈写法

语言 & 框架: Python (主力) · PyTorch (微调实战)
大模型生态: vLLM (推理部署) · LangChain / LangGraph (Agent 编排)
              LoRA / QLoRA (微调实战) · BGE / BCE (Embedding 选型)
向量数据库: Milvus (100w+ 规模实战) · Qdrant / Chroma (调研对比)
工程化:     FastAPI · Docker · 基础 K8s 部署
数据 & 评估: HuggingFace Datasets · 自研评测集 + LLM-as-Judge

3 个常见坑

1. 把「精通」写成礼貌客气：你写「精通 Python」面试官就当真问 GIL、装饰器原理、async。
2. 列了简历没出现的项目里的工具：技能栏出现但项目里没用，面试官会觉得你在凑数。
3. 报「全栈」：「精通前后端 + 大数据 + AI」= 没有重点。聚焦 1–2 个方向更好。

自我介绍 · 1 分钟电梯版

面试开场前 1 分钟，面试官还在看你的简历。用自我介绍把节奏抓在自己手里，引导他追问你想讲的项目。

3 段结构（1 分钟版）

# 1. 一句话定位（5 秒）
您好我是 <名字>, <X> 年 <方向> 经验, 目前在 <公司> 做 <岗位>.

# 2. 一段核心经历（30 秒）
最近做了 <主项目>, 解决 <什么问题>.
技术上用 <核心栈>, 关键决策是 <独特选择>.
最终拿到 <可量化结果>.

# 3. 应聘动机 + 抛钩子（20 秒）
看到贵司 <岗位/团队> 在做 <XX 方向>,
和我之前 <某段经历> 很匹配, 所以特别想加入.
（→ 引导面试官追问你想讲的部分）

社招版（示例）

您好我是 XX, 3 年 LLM 应用开发, 目前在 ABC 公司做 RAG 工程师.

最近主导了企业知识库问答系统从 0 到 1,
团队 4 人, 我负责整体架构 + 检索召回模块.
关键决策是用混合检索 (BGE + BM25 + Reranker) 替代单路语义召回,
最终承接 62% 重复咨询, 工单 ↓ 38%, 准确率 91%.

看到贵司在做 Agent 平台, 我之前用 LangGraph 编排过多轮对话,
和这个方向很契合, 想加入一起做.

应届生版（示例）

应届生没有「X 年经验」就用「学校 + 实习 + 项目」三段。

您好我是 XX, 浙大计算机硕士, 研究方向是大模型微调.

在校期间, 我在字节抖音算法组实习了 5 个月,
做推荐模型优化, 线上 CTR +0.8%, 转正评 S.
毕设做了医疗 LLM 微调 (cMedQA 数据集),
用 QLoRA 把准确率从 64% 提到 83.7%,
开源在 GitHub 收获 120+ star.

看到贵司在做大模型应用层, 和我实习 + 毕设的方向很匹配,
特别想加入贵司的团队继续深入.

留钩子的技巧

自我介绍故意留一个最擅长的细节，让面试官顺着追问。这样你能用准备好的内容主导节奏。

自我介绍 · 3 分钟深挖版

面试官说「再详细讲讲」，或者你被安排到 30 分钟以上的深度面试时，启动深挖版。

4 段结构（3 分钟版）

1. 背景串线（30 秒）：教育背景 + 工作经历串成一条线，不要罗列。
2. 2 个核心项目（90 秒, 各 45 秒）：每个按 STAR 讲，重点不同。
3. 技术栈广度（30 秒）：1 段话带过（避免 5 分钟列工具清单）。
4. 主动 Q&A 收尾（10 秒）：「以上是我的简单介绍，您有什么想先聊的？」

示例：3 分钟版逐段拆解

① 背景串线（30 秒）

我本科是 XX 大学计算机, 硕士 XX 大学 NLP 方向.
研究生期间一直在做大模型相关的工作 ——
从早期的 BERT 微调, 到 ChatGPT 出来后转 LLM 应用.
毕业进入 ABC 公司, 主要做 RAG / Agent 方向, 已经 3 年.

关键：用「一条线」串起来，不要写成简历朗读。

② 项目 1 · 重技术决策（45 秒）

主项目是企业知识库 RAG 系统.
团队 4 人, 我负责架构 + 检索召回.

最大的技术决策是用混合检索替代单路语义召回.
背景是, 单路 BGE 召回在多义词 / 罕见词上准确率只有 68%.
我对比了 BM25 / Hybrid / Rerank 三种方案,
最后采用 BGE 召回 top50 + BM25 召回 top50 +
BCE-Reranker 精排 top10, 准确率提到 91%.

业务侧, 上线后承接 62% 重复咨询, 工单 ↓ 38%.

关键：突出「我的关键决策 + 量化结果」，省略大量过程细节。

③ 项目 2 · 重工程深度（45 秒）

第二个项目是 Agent 平台.
公司有 10+ 业务方需要接入 LLM, 各自重复造轮子.
我们用 LangGraph 做了统一编排框架,
关键解决了「工具调用稳定性」问题 ——
通过 MCP 协议 + 重试 + 降级, 把成功率从 82% 提到 98%.

平台上线 6 个月, 接入 8 个业务线, 月调用 200w+.

关键：两个项目侧重不同——一个秀算法决策，一个秀工程能力。

④ 技术栈广度 + 收尾（40 秒）

技术栈方面, 主要用 Python + PyTorch.
LLM 生态熟悉 vLLM / LangChain / LangGraph,
向量库做过 Milvus 和 Qdrant 选型对比.
工程化用 FastAPI / Docker, 基础的 K8s 部署也能搞定.

以上是我的简单介绍, 您有什么想先深入聊的部分?

关键：「您有什么想先聊」既是礼貌也是把球抛给面试官，让对方说出想问的方向，你就能主动迎合。

应届生 3 分钟版的核心差异

• 背景段重学校 + 实习串线，不写「3 年经验」。
• 项目 1 = 最强实习 / 项目 2 = 毕设或竞赛。
• 技术栈段可强调「学习能力」：「半年内自学了 LLM 整条链路」。
• 收尾时主动暴露弱点 + 学习态度：「相比社招，我在线上工程经验上还在持续补齐」。

应届生 10 个常见坑

下面这些坑，每个 HR 一天能看几十遍。避开它们，你的简历已经超过 50% 同辈。

3 个隐藏深坑（容易自我感觉良好但其实减分）

① 写「精通 / 熟练」却答不出底层

你写「精通 Python」，面试官就问「装饰器原理、GIL、async 协程的本质」。答不出来就反向减分。不确定能 defend 的就降级：精通 → 熟练 → 了解。

② 项目栏全是「跟课」项目

3 个项目都是 NLP 课作业、机器学习课作业、深度学习课作业——同质化严重，面试官一眼看出。3 个项目至少 1 个是非课程项目（开源 / 比赛 / 个人 demo）。

③ 实习 / 项目时间倒着排

正确：最近的在最上面。错误：按重要性排或时间正序——HR 默认期待倒序，乱排会让 HR 直接跳过。

不同公司的简历偏好

同一份简历投不同公司效果会差很多。不是一份打天下，而是 1 份「主版本」+ 几个「定制版」。

横向对比表

大厂简历模板要点

• 排版：极简，黑白 + 1 个 accent 色，1 页。
• 技术栈匹配：JD 里出现的关键字尽量出现在你的项目里。
• 项目顺序：把和 JD 最匹配的项目放最前面。
• 每条都有数字：不能量化的不写。

创业 / 独角兽要点

• 突出独立性：「独立完成 X」「一个人撑起 Y」是加分项。
• 突出复合能力：「写代码 + 跟 PM 沟通 + 看数据」三位一体。
• 突出快速学习：「2 周内从 0 学会 X 并上线」。

外企要点

• 英文版必备：用 Action verb 开头（Built / Designed / Improved），不用 Be 动词。
• 量化的 Impact：「Improved CTR by 0.8% in production」远胜「Made the model better」。
• 不要用复杂英文：HR 不一定是 native speaker，简单直接更好。
• 有 LeetCode 数据可加：「Solved 500+ LeetCode problems」。

投递与跟进

同样的简历，渠道不同回复率能差 5–10 倍。投递不是「发出去就完事」，跟进才是关键。

投递渠道排序

如何找到内推

1. 同学 / 学长：硕士师兄师姐内推效率最高。
2. 实习同事：过去实习的 mentor / leader，关系到位都愿意推。
3. 技术社区：知乎 / 即刻 / V2EX 上的从业者，加微信请教 + 提内推。
4. 朋友 LinkedIn 二度连接：朋友 → 朋友的朋友在某公司。
5. BBS / 内推群：脉脉、各大学校论坛、技术微信群。

投递时间

• 最佳：周二至周四 09:00–11:00，HR 最有时间筛简历。
• 次佳：周日晚上 20:00–22:00，HR 下周一早上看。
• 避免：周一上午（HR 忙开会）、周五下午（HR 准备下班）。
• 校招高峰期：8–10 月秋招，2–4 月春招，越早投越好。

跟进话术（如果一周没回）

## 给内推人
<X 哥/姐> 您好, 上周麻烦您内推的 <岗位>,
不知道目前进度大概到哪一步了? 麻烦您方便时帮我看一下,
非常感谢您之前的帮助!

## 给 HR (邮件)
<HR 姓名> 您好,
我是 <X 月 X 日> 投递贵司 <岗位> 的 <姓名>,
邮件附简历回顾.
请问目前流程是否在进行中? 期待您的回复, 谢谢!

拒信处理

• 不要回怼：HR 圈子很小，留下负面记录会影响后面。
• 礼貌感谢 + 留 contact：「感谢回复，希望未来有合适机会再合作」。
• 6 个月后可再投：HR 系统一般 6 个月封禁期，过期可重投。
• 反思简历 vs 面试：如果简历就被拒 → 改简历；如果面试拒 → 复盘面试。