技术简历写作¶
🎯 学习目标¶
完成本章学习后，你将能够： - 理解技术简历的核心原则，撰写ATS友好的简历 - 掌握简历各模块的写作方法和注意事项 - 学会用STAR法则和量化数据描述经历 - 针对不同岗位（AI/后端/前端/全栈）定制简历 - 优化GitHub Profile和个人技术品牌
一、简历的核心原则¶
1.1 一页原则¶
除非你有10年以上的丰富经验，否则简历应控制在一页。一页简历迫使你精选最有价值的内容，也尊重了招聘者有限的阅读时间。
- 招聘者平均花6-10秒扫描一份简历
- 信息密度比信息量更重要
- 删掉不相关的经历，聚焦目标岗位
1.2 量化成果¶
不要描述职责，要展示成果。成果必须量化。
| 差的描述 | 好的描述 |
|---|---|
| 负责后端API开发 | 设计并实现了20+个RESTful API，支撑日活50万用户 |
| 优化了系统性能 | 优化API响应时间，P99延迟从200ms降至50ms，QPS提升3倍 |
| 参与模型训练 | 训练BERT分类模型，准确率从82%提升至93%，部署后减少30%人工审核 |
| 做了数据分析 | 构建用户行为分析Pipeline，处理日均500GB日志数据，识别关键流失节点 |
1.3 关键词匹配ATS¶
ATS（Applicant Tracking System）是企业用来自动筛选简历的系统。大部分大公司的HR先通过ATS过滤简历，再人工查看。
ATS友好的简历： - 使用标准的节标题（Education, Experience, Skills等） - 包含JD中提到的关键技术栈（如Python, PyTorch, Kubernetes等） - 避免使用复杂的表格、图标和分栏布局（ATS可能解析失败） - 使用标准字体（Times New Roman, Arial, Calibri） - 保存为PDF格式（除非明确要求Word）
💡 提示：在投递前，将JD中的关键技术要求与你简历中的关键词对照一遍，确保核心关键词都有出现。
二、简历结构¶
2.1 个人信息¶
注意： - 邮箱用专业的（推荐Gmail或学校邮箱），避免用QQ邮箱 - 不需要放照片（除非特定公司要求） - 不需要写家庭住址 - GitHub链接是技术岗简历的加分项
2.2 教育背景¶
Text Only
XX大学 计算机科学与技术 硕士 2023.09 - 2026.06（预计）
- GPA: 3.8/4.0（前10%）
- 核心课程：机器学习、深度学习、自然语言处理、分布式系统
- 荣誉：国家奖学金、优秀研究生
XX大学 软件工程 本科 2019.09 - 2023.06
- GPA: 3.6/4.0
要点： - GPA高（前20%）就写，不高可以不写 - 列出与目标岗位相关的核心课程 - 荣誉奖项选与学术/技术相关的
2.3 工作/实习经历（STAR法则）¶
每段经历用2-4个bullet point描述，遵循STAR法则：
Text Only
XX公司 算法工程师实习 2025.06 - 2025.09
- [Situation/Task] 为电商推荐系统设计特征工程方案
- [Action] 实现基于用户行为序列的深度兴趣网络（DIN），引入注意力机制建模用户兴趣
- [Result] 线上A/B测试CTR提升12%，GMV提升8%，方案已全量上线
- [Action] 优化模型推理Pipeline，通过模型量化和TensorRT加速
- [Result] 推理延迟从50ms降至15ms，单机QPS提升4倍
2.4 项目经历¶
对于在校生，项目经历非常重要。描述时需要包含：
Text Only
项目名称 技术栈 时间
[项目背景] 一句话说明项目解决什么问题
[技术方案] 你使用了什么技术和方法
[个人贡献] 你具体做了什么（用"我"而非"我们"）
[项目成果] 量化的成果数据
示例：
Text Only
基于RAG的智能客服系统 Python / LangChain / Milvus / FastAPI 2025.03 - 2025.06
- 构建企业知识库RAG系统，支持10万+文档的FAQ自动问答
- 设计混合检索策略（BM25 + 向量检索），实现Query改写和重排序模块
- 优化Chunking策略和Embedding模型选择，召回准确率从65%提升至89%
- 系统部署后替代60%人工客服工作量，日均处理3000+用户咨询
2.5 技术技能¶
分层展示，让面试官快速了解你的技术深度：
Text Only
技术技能：
- 编程语言：Python（精通）、C++（熟练）、Go（了解）
- AI/ML：PyTorch、Transformers、LangChain、RAG、LLM Fine-tuning
- 后端：FastAPI、Flask、MySQL、Redis、Elasticsearch
- 工具：Git、Docker、Linux、AWS/GCP
⚠️ 注意：写在简历上的每一项技能都可能被面试官问到。不要写不熟悉的技术。"精通"二字慎用——除非你真的精通。
2.6 论文发表¶
如果有论文发表，单独列一节：
三、简历写作技巧¶
3.1 动作动词列表¶
开头使用强有力的动作动词，避免被动语态：
| 类别 | 动词 |
|---|---|
| 开发 | Developed, Implemented, Built, Created, Designed, Engineered |
| 优化 | Optimized, Improved, Enhanced, Refactored, Streamlined |
| 量化 | Reduced, Increased, Achieved, Boosted, Accelerated |
| 领导 | Led, Managed, Coordinated, Directed, Mentored |
| 分析 | Analyzed, Evaluated, Investigated, Researched, Assessed |
| 部署 | Deployed, Launched, Released, Shipped, Delivered |
3.2 量化成果示范¶
量化是简历写作的核心技巧。以下是常见的量化维度：
| 量化维度 | 示例 |
|---|---|
| 性能提升 | 模型准确率从82%提升至93% |
| 效率提升 | 推理延迟从200ms降至50ms |
| 规模数据 | 处理日均500GB日志数据 |
| 用户影响 | 服务日活50万用户 |
| 业务指标 | CTR提升12%，GMV提升8% |
| 成本节约 | 减少60%人工客服工作量 |
| 项目规模 | 管理10人团队，项目周期6个月 |
3.3 针对不同岗位定制简历¶
不要用一份简历投所有岗位。 针对不同岗位，调整重点：
- AI/算法岗：突出模型、数据、实验结果
- 后端岗：突出系统设计、性能优化、分布式经验
- 前端岗：突出用户体验、框架使用、性能优化
- 全栈岗：突出端到端项目经验、多技术栈能力
四、常见错误与改正¶
| 错误 | 改正 |
|---|---|
| 简历超过一页 | 精简内容，删除不相关经历 |
| 只描述职责不说成果 | 每条都附上量化成果 |
| 技术栈堆砌无重点 | 分层展示（精通/熟悉/了解） |
| 格式不统一 | 统一字体、字号、bullet格式 |
| 有错别字和语法错误 | 至少请两个人帮你检查 |
| 写了"精通XX"实际不精通 | 实事求是，面试会验证 |
| 项目描述太笼统 | 写清楚具体做了什么和结果如何 |
五、AI/ML岗位简历示例¶
以下是一份完整的AI/ML方向简历模板示例：
Text Only
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
张 明
zhangming@email.com | (+86) 138-XXXX-XXXX
github.com/zhangming | zhangming.github.io
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
教育背景
━━━━━━━
XX大学 计算机科学与技术 硕士 2024.09 - 2027.06（预计）
- GPA: 3.85/4.0（专业排名 3/60）
- 研究方向：大语言模型、检索增强生成（RAG）
- 核心课程：深度学习（98分）、NLP（95分）、分布式系统（92分）
- 荣誉：国家奖学金（2025）、优秀研究生
XX大学 计算机科学与技术 本科 2020.09 - 2024.06
- GPA: 3.7/4.0，荣誉：校一等奖学金×3
实习经历
━━━━━━━
XX科技 NLP算法工程师实习 2025.06 - 2025.09
- 负责对话系统中的意图识别模块优化，基于LLM设计few-shot分类方案
- 构建领域自适应的Prompt模板体系，意图识别准确率从78%提升至91%
- 设计并实现AB测试框架，支持多种模型策略的在线评估
- 优化模型serving链路，通过vLLM批处理推理，吞吐量提升5倍
项目经历
━━━━━━━
基于RAG的学术论文QA系统 Python/LangChain/Milvus 2025.03 - 2025.06
- 构建面向学术场景的RAG系统，支持对1万+篇论文的智能问答
- 创新性提出层次化检索策略，先粗检索再精排序，Top-5召回率89%
- 集成LLM生成模块，支持带引用的回答生成，用户满意度评分4.2/5.0
跨语言情感分析模型 PyTorch/Transformers 2024.09 - 2024.12
- 基于XLM-RoBERTa实现跨语言情感分析，支持中英日三语
- 设计领域自适应预训练策略，在目标域数据上继续预训练
- 在SemEval基准测试上F1-score达到88.5%，超越当年baseline 3.2%
论文发表
━━━━━━━
- "HierRAG: Hierarchical Retrieval for Academic QA"
M. Zhang*, ... EMNLP 2026 (Under Review)
技术技能
━━━━━━━
- 编程语言：Python（精通）、C++（熟练）、SQL（熟练）
- AI/ML：PyTorch、Transformers、LangChain、vLLM、DeepSpeed
- 工具链：Git、Docker、Linux、Weights & Biases
- 基础：数据结构与算法、操作系统、计算机网络
六、后端/前端/全栈岗位简历要点¶
后端开发¶
- 重点展示：系统设计能力、分布式系统经验、数据库优化、高并发处理
- 关键词：微服务、高可用、缓存策略、消息队列、性能调优
前端开发¶
- 重点展示：框架使用（React/Vue）、性能优化、用户体验、工程化
- 关键词：组件设计、状态管理、Webpack/Vite、响应式设计、首屏优化
全栈开发¶
- 重点展示：端到端项目能力、技术广度、独立交付能力
- 关键词：前后端架构、API设计、数据库设计、部署运维
六-A、AI算法岗简历模板与写作指南（2025版）¶
针对AI/算法方向校招/社招的专项写作指南
项目描述STAR法则详解¶
每段AI项目经历应严格遵循STAR结构，并注意技术深度和量化指标：
STAR写作模板¶
Text Only
① Situation/Task（背景+目标）
“为XX场景设计/优化XX系统，解决XX问题”
示例：为电商客服场景构建RAG智能问答系统，替代人工客服处理高频FAQ
② Action（技术方案）
“使用XX技术/方法，设计并实现XX模块”
示例：设计混合检索策略（BM25+向量检索），基于LangChain实现Query改写和重排序模块
③ Result（量化成果）
“XX指标从 A 提升至 B，带来XX业务价值”
示例：召回准确率从65%→89%，替代60%人工客服工作量，日均处理3000+咨询
AI岗位常用量化指标示例¶
| 指标类别 | 量化示例 | 适用场景 |
|---|---|---|
| 模型性能 | 准确率从82%→93%，F1-score达88.5% | 分类/NER/情感分析 |
| 推理效率 | 延迟从200ms降至50ms，QPS提升4倍 | 模型部署/优化 |
| 业务影响 | CTR提升12%，GMV提升8% | 推荐系统/广告 |
| 规模数据 | 处理日均500GB日志，支撑10万+文档 | 数据工程/RAG |
| 成本节约 | 减少60%人工工作量，GPU成本降40% | 自动化/部署优化 |
| 训练效率 | 训练时间从72h降至18h，显存占用减少40% | 模型训练/微调 |
AI方向项目经历示例¶
LLM方向：
Text Only
基于RAG的企业智能客服系统 Python/LangChain/Milvus/FastAPI 2025.03 - 2025.06
- [S/T] 为企业构建RAG智能客服，支持10万+文档的FAQ自动问答
- [A] 设计混合检索策略（BM25+向量检索），实现Query改写和重排序模块
- [A] 优化Chunking策略和Embedding模型，引入层次化索引架构
- [R] 召回准确率从65%→89%，替代60%人工客服，日均处理3000+咨询
推荐系统方向：
Text Only
电商推荐系统特征工程与模型优化 Python/PyTorch/TensorRT 2025.06 - 2025.09
- [S/T] 为电商推荐系统设计特征工程方案，提升推荐效果
- [A] 实现基于用户行为序列的深度兴趣网络（DIN），引入注意力机制建模用户兴趣
- [A] 通过模型量化和TensorRT加速优化推理Pipeline
- [R] 线上A/B测试CTR提升12%，GMV提升8%，推理延迟从50ms降至15ms
Agent/工具方向：
Text Only
AI代码审查Agent系统 Python/LangGraph/OpenAI API 2025.09 - 2025.12
- [S/T] 设计能自主完成代码审查的Agent系统，提升团队Code Review效率
- [A] 基于LangGraph实现多步骤审查工作流（代码理解→问题检测→修复建议）
- [A] 集成MCP工具链（Git、静态分析、测试运行），支持多语言代码审查
- [R] 审查覆盖率90%+PR，发现的代码问题中35%被开发者采纳修复
七、简历模板选择¶
LaTeX简历模板（推荐）¶
| 模板 | 特点 | 获取方式 |
|---|---|---|
| Jake's Resume | 最流行的CS简历模板 | Overleaf搜索"Jake's Resume" |
| Deedy Resume | 双栏设计，信息密度高 | GitHub搜索"deedy-resume" |
| AltaCV | 现代设计，支持照片 | Overleaf搜索"AltaCV" |
| Awesome CV | 精美排版 | GitHub搜索"Awesome-CV" |
Word简历模板¶
- 如果不熟悉LaTeX，可以使用Word
- 保持简洁，使用标准字体（Calibri / Arial / 微软雅黑）
- 避免过度设计（花哨的配色、图标等）
💡 提示：LaTeX简历在技术圈更受欢迎，排版更专业。如果你已经学了LaTeX，推荐使用LaTeX制作简历。
八、GitHub Profile优化¶
你的GitHub就是你的代码简历。面试官很可能会看你的GitHub。
8.1 Profile README¶
在你的GitHub个人页面添加README自我介绍：
Markdown
# Hi, I'm [Your Name] 👋
🎓 CS Master @ XX University
🔬 Research: LLM, RAG, NLP
💼 Looking for 2026 New Grad positions
## 🔥 Featured Projects
- [Project A](link) - 一句话描述（⭐ xxx stars）
- [Project B](link) - 一句话描述
## 📫 How to reach me
- Email: your@email.com
- Blog: your-blog.com
8.2 优化建议¶
- 贡献图：保持活跃的提交记录（绿色贡献图）
- Pin项目：Pin你最好的6个项目到首页
- 项目README：每个项目都要有清晰的README
- Star项目：Star和Fork优秀项目也展示你的技术品味
九、个人技术博客/作品集¶
为什么要写技术博客¶
- 深化对技术的理解（"费曼学习法"）
- 展示知识深度和表达能力
- 建立个人技术品牌
- 面试时的加分项（"我在博客里写过这个话题"）
推荐平台¶
| 平台 | 适用场景 |
|---|---|
| GitHub Pages + Hugo/Jekyll | 个人技术博客（推荐） |
| 知乎 | 中文技术社区，适合长文 |
| 掘金 | 技术文章分享平台 |
| Medium | 英文技术博客 |
| 个人网站 | 完全自定义，展示作品集 |
⚠️ 注意：博客质量比数量更重要。5篇深度好文的价值远大于50篇水文。
📝 本章小结¶
| 知识点 | 核心要点 |
|---|---|
| 核心原则 | 一页、量化、ATS友好 |
| 简历结构 | 个人信息→教育→经历→项目→技能→论文 |
| 写作技巧 | 动作动词开头 + 量化成果 + 针对岗位定制 |
| 模板选择 | LaTeX首推Jake's Resume |
| GitHub | README + 贡献图 + Pin项目 |
| 技术博客 | 质量优于数量，费曼学习法 |
🔗 延伸阅读¶
- Overleaf简历模板：https://www.overleaf.com/latex/templates/tagged/cv
- Resume Worded（AI简历评分）：https://resumeworded.com/
- 《The Tech Resume Inside Out》—Gergely Orosz