📝 AI 算法岗简历模板、薪资区间与报价判断框架¶

┌─────────────────────────────────────────────┐
│                   姓名                       │
│   📱 手机  📧 邮箱  🔗 GitHub  📍 意向城市    │
├─────────────────────────────────────────────┤
│ 🎓 教育背景                                  │
│ XX大学 · 计算机/人工智能硕士 · 2026.9-2028.6  │
│ · GPA: X.X/4.0 (前X%)                       │
│ · 核心课程: 机器学习/深度学习/NLP/CV/强化学习   │
│ · XX大学 · XX专业学士 · 2022.9-2026.6        │
├─────────────────────────────────────────────┤
│ 💼 实习经历                                  │
│ 字节跳动/腾讯/阿里 · AI算法实习生 · 2027.7-9  │
│ · 负责XX推荐系统的XX模块优化                   │
│ · 使用[技术]实现[功能]，[指标]提升X%           │
│ · 设计XX数据处理pipeline，处理X万条数据        │
├─────────────────────────────────────────────┤
│ 🔬 研究/项目经历 (2-3个)                     │
│ 项目1: RAG知识问答系统                        │
│ · 技术: LangChain + Milvus + BGE + Qwen-72B │
│ · 成果: Recall@5达0.92，Faithfulness达0.89   │
│                                              │
│ 项目2: 多模态目标检测                         │
│ · 技术: YOLOv8 + LoRA + TensorRT            │
│ · 成果: 自建数据集X张，mAP达X%，推理Xms/帧   │
│                                              │
│ 项目3: Agent系统/LLM微调/推荐系统             │
│ · 技术: LangGraph + MCP + OpenAI Agents SDK  │
│ · 成果: 任务完成率X%，对比baseline提升X%       │
├─────────────────────────────────────────────┤
│ 📄 论文发表 (如有)                           │
│ · [第一/二作] 论文标题, 会议/期刊(CCF-X), 年  │
├─────────────────────────────────────────────┤
│ 🏆 获奖/竞赛                                 │
│ · Kaggle 图像分类竞赛 银牌(Top 3%, N/5000队) │
│ · 天池XX竞赛 第X名                           │
├─────────────────────────────────────────────┤
│ 🛠️ 技能                                     │
│ · 语言: Python(熟练)/C++(掌握)/Go(了解)      │
│ · AI框架: PyTorch/HuggingFace/LangChain      │
│ · 大模型: 微调(LoRA/QLoRA)/推理(vLLM)/RAG    │
│ · 工程: Docker/K8s/Git/Linux/FastAPI         │
│ · 数据: SQL/Spark/Redis/向量数据库            │
└─────────────────────────────────────────────┘

通用: Python, PyTorch, Transformer, 深度学习, 机器学习
NLP/LLM: 大模型, RAG, Fine-tuning, LoRA, LangChain, Agent, NER
CV: 目标检测, 图像分割, YOLO, ViT, 多模态
推荐: CTR预估, 召回, 排序, 特征工程, Embedding
MLOps: Docker, K8s, 模型部署, TensorRT, vLLM

❌ "优化了推荐系统的性能"
✅ "基于DIN模型优化精排策略，离线AUC提升2.3%至0.78，线上CTR提升1.5%"

❌ "使用大模型做了一个问答系统"
✅ "设计RAG知识问答系统，混合检索(Dense+BM25) Recall@5达0.92，
    支持10万文档实时问答，P99延迟<3s"

❌ "部署了一个模型"
✅ "基于vLLM部署Qwen-14B推理服务，INT4量化+PagedAttention，
    单卡A100支持50并发，延迟P50=1.2s"