上个月帮一个做推荐算法的学弟改简历。他投了快两个月，面试寥寥。我打开简历，项目经历第一条写着：
负责首页推荐系统的排序模型优化。使用 DeepFM 替换原来的 LR 模型，离线 AUC 从 0.78 提升到 0.82。使用 XGBoost 做特征选择，删除了 30% 的低方差特征。参与 AB 实验上线，线上 CTR 提升 2%。
乍一看好像没什么问题——模型换了、指标涨了、上线了。但面试官看完这段话，脑子里只有一个画面：这个人用 DeepFM 的 sklearn 接口跑了个 fit/predict，跟所有人做的一模一样。
这就是初级算法工程师简历最要命的坑：你把算法工作写成了一串「模型名 + 指标数字」，面试官看完只觉得你是一个「调包侠」，而不是一个能独立解决数据问题的工程师。
初级算法工程师的级别定位
先对齐一件事：初级算法工程师（0-2 年、校招 / 刚工作不久）在面试官眼里到底要证明什么？
中级算法（3-5 年）要证明的是「能带方向」——一条业务线的算法架构怎么设计、多目标建模怎么做、冷启问题怎么系统性地解。高级算法要证明的是「能定义问题」——业务指标到算法目标的映射、长期技术路线规划。
但初级算法不是。面试官看初级算法简历的时候，心里就一句话：这个人能不能独立把一条数据链路跑通，从数据到模型到上线，中间出的问题自己能查、能修？
展开说，初级算法的合格画像是这三条：
- 能独立复现和调优模型，不是只会调 sklearn 的 fit 接口。 给你一个「CTR 模型 AUC 0.78 想提到 0.82」的任务，你知道该从数据、特征、模型结构、训练策略哪个方向下手，而不是无脑堆模型名。
- 能发现数据里的问题，不是「数据给我什么我就训什么」。 你遇到过数据分布偏移、见过特征穿越、知道离线指标涨了但线上不涨的时候该查什么。
- 能把 AB 实验跑闭环，不是「上了实验等结果」。 你知道实验假设怎么设计、分流怎么检查、指标波动怎么归因。上线不是终点，归因分析才是。
如果你的简历能在这三条上给面试官留下印象，你就已经从 90% 的初级算法简历里跳出来了。
下面从五个维度一个一个拆。
一、模型能力：从「用过 DeepFM」到「我调了 DeepFM 并且知道为什么涨」
初级算法简历上最常见的一句话：
改前：
熟悉推荐系统常用模型，包括 LR、FM、DeepFM、DIN、DIEN 等。使用 PyTorch / TensorFlow 进行模型开发，了解模型训练、调参、评估的完整流程。
面试官看完这段话的反应：你列了 5 个模型名，但你没说你用哪个模型解决了什么问题、做了什么调整、为什么有效。任何一个刷过推荐系统论文的应届生都能把这行抄走。
问题不在于你列的模型太少——在于你列的每个模型后面都没有「你的动作」和「你的判断」。
改后：
主攻方向： 推荐排序模型（PyTorch，1.5 年）
DeepFM 模型优化（核心项目）： 接手时基线 AUC 0.78，分析发现两个关键问题——一是连续特征直接输入 DNN 导致梯度不稳定，二是 Wide 侧特征交叉过于稀疏。针对第一个问题将所有连续特征做了分桶 + Embedding 替代原始值，针对第二个问题在 Wide 侧引入统计特征（用户历史点击率、商品 CTR 等）做二阶交叉。AUC 提升到 0.83（+5%）。
后续尝试了 DIN 结构引入 Attention 对用户行为序列建模，但发现行为序列长度分布差异极大（中位数 5，最大值 200+），直接截断或 padding 效果都不好。最终设计了分桶策略——对短序列用户直接用 Attention，对长序列用户先用时间衰减再截断——AUC 额外提升 1.2 个点。
辅助方向： 了解 NLP 基础模型（BERT 微调、TextCNN），在文本分类场景做过 POC。
改完之后，面试官扫一眼就知道：这个人不是在「用 DeepFM」，而是在「拆解 DeepFM 的问题→做针对性改进→验证效果→继续迭代」。而且 DIN 那个 case 特别值钱——尝试了没直接成功，但分析出了原因、想出了方案、最终做成了。这种「遇到挫折→分析→突破」的故事，初级算法简历里极其稀缺。
模型能力的写作原则： 一个写透的模型优化，比十个「用过」的模型名有说服力一百倍。你说你用过 DIN，面试官不会觉得怎么样。你说你用 DIN 遇到了什么问题、怎么解决的，面试官觉得这个人能独立分析模型。
二、数据处理与特征工程：你简历里最被低估的黄金矿
这是初级算法简历里最让我痛心的地方。很多人把这个维度写成一句话：
改前：
负责数据预处理和特征工程，包括缺失值填充、异常值处理、特征归一化、特征选择等。
面试官看到这句话脑子里出现的是：pandas.fillna()、StandardScaler()、VarianceThreshold()。三行 sklearn 代码的事。你觉得你在写「我干了数据工作」，面试官看到的是「我写了三行调包代码」。
但你真实做的工作很可能是这样的——你花了三天排查为什么训练集的用户行为分布和线上差了 30%，最后发现是日志采集端改了一个字段格式没通知算法侧。或者你发现了一个特征穿越 bug——模型离线 AUC 0.85 但线上 CTR 跌了 10%，查了一周发现是构造样本时把 label 产生时间后的特征用了。
这些才是你简历里最值钱的东西，但你觉得「太细节了」「不值得写」。大错特错。
改后：
特征工程与数据质量（核心能力）：
在一个 CTR 预估项目中，训练集 AUC 稳定提升但连续 3 次上线后线上 CTR 不涨反跌（-8%）。排查思路：先排除模型过拟合→检查训练/线上特征分布差异→发现两个严重问题：
特征穿越： 样本构造时，用户「过去 7 天点击次数」这个特征的时间窗口计算逻辑有 bug——它取的是样本时间点之后的数据。离线看起来这个特征 IV 高达 0.3（极其异常），线上这个特征实际上是随机值。修复后特征 IV 降到 0.08（合理区间），模型离线 AUC 看起来「降了」但在线上终于开始正向生效。
分布偏移： 训练数据的「用户活跃度」分布和线上差了 2 个标准差——因为训练集只用了一个月的历史数据，那一个月刚好是大促期，用户行为模式和平日完全不同。修复方案是从更长周期（6 个月）采样构建训练集，并用用户活跃度分层采样保证分布一致。
这两个问题修复后，模型上线 CTR 提升 4.5%。
面试官读完这段，感受完全不一样了。这个人不是「做了数据预处理」，而是「发现了线上模型不涨的真正原因，并且这两个原因不是显性的 bug——是隐藏的数据陷阱，需要真正理解数据才能发现」。这种能力，是初级算法和中高级算法的分水岭。
数据维度的写作公式： 你发现了什么异常现象（离线涨线上跌 / 某个特征 IV 异常 / 训练曲线不正常）→ 你从哪个方向排查的 → 定位到了什么根因 → 修复后效果怎么样。
别怕你写的是「查了一个 bug」而不是「设计了一个牛逼的特征」。找数据 bug 的能力，比复现一篇论文的能力，在面试官眼里优先级高得多——因为论文谁都能复现，但发现特征穿越需要你对数据有真正的理解。
三、AB 实验与指标：从「我跑过实验」到「我设计了实验并且分析了为什么」
这也是同质化重灾区。大部分初级算法简历这么写：
改前：
参与 AB 实验的线上验证，使用分流平台配置实验流量。监控核心指标（CTR、CVR、GMV），模型上线后 CTR 提升 3%。
面试官的反应：你填了个实验参数、看了个指标面板。换任何一个用过 AB 平台的实习生都能写这句话。
但真实的 AB 实验要做的事情远不止这些。实验假设怎么来的？分流有没有做 AA 验证？指标显著性是靠样本量硬堆出来的还是效果真的稳定？实验组和对照组的用户量级/活跃度有没有偏？实验期间有没有外部活动干扰（大促、Push 推送）？
改后：
AB 实验设计与归因分析（独立负责）：
在一次排序模型迭代中，离线 AUC 提升 3%，但线上 AB 实验连续跑了 3 天，CTR 提升只有 0.6% 且未达到统计显著性。
没有直接接受「效果不显著」的结论，往下拆了三层归因：
- 第一层——流量检查： 验证实验组和对照组用户量级（各 5%）的活跃度、新老用户比例，确认分流无偏。
- 第二层——指标拆解： 把 CTR 拆成「曝光点击率」和「深层转化率」。发现模型优化方向（提升相关性）确实拉动了点击率（+2.1%），但推荐结果更精准后用户点进商品页更快找到想要的、浏览深度反而下降了，导致总曝光量下降，拉低了总 CTR。这是模型有效但指标结构掩盖了效果的经典场景。
- 第三层——用户分群： 按用户活跃度分三组，发现模型对中高活用户 CTR 提升显著（+5.2%），但对低活用户（占比 40%）CTR 下降了 1.8%——因为低活用户行为稀疏，模型学到的偏好置信度低，推荐反而不如之前的规则策略稳定。
最终结论：模型方向正确但需要补充冷启策略。推动了低活用户走规则兜底、中高活用户走模型的混合策略，全量上线后 CTR 提升 3.8%。
面试官看完这段脑子里出现的不是一个「跑实验的人」，而是一个「设计实验、发现指标陷阱、推动正确决策的人」。AB 实验的最高价值不是「证明模型涨了」，而是「模型没涨的时候，你能说清楚为什么没涨以及接下来该怎么做」。
实验维度的写作要点：
- 别只写「上线后 CTR 涨了」，写实验设计——样本量、分流比例、AA 验证是否通过。
- 指标别只写一个宏观数字，拆到能解释业务逻辑的粒度。
- 如果实验「失败」了但你的分析推动了下一步方向，这是比「实验成功」更高级的证据。
四、项目经验：从「参与XX推荐系统优化」到「我独立扛了这条链路」
初级算法的项目经验，90% 长这样：
改前：
XX 内容推荐系统 | 算法工程师 | 2024.06 - 至今
负责推荐系统的召回和排序优化。使用 DSSM 做召回模型，DeepFM 做排序模型。参与特征工程和 AB 实验，通过模型迭代将推荐 CTR 从 8% 提升到 10%。日均处理数据量 100GB+，支持 500 万 DAU。
这段话的问题跟前面一脉相承：你换了模型、指标涨了。但面试官完全不知道你在其中的个人贡献——是你独立设计了召回方案，还是别人设计好了你负责训练？是你发现了排序模型的问题，还是别人告诉你要换 DeepFM？
改后：
XX 内容推荐系统 | 算法工程师 | 2024.06 - 至今
独立负责内容推荐召回链路的优化。接手时召回通道只有两路——协同过滤 + 热门兜底，长尾内容曝光占比不到 5%。
召回优化： 分析发现协同过滤的 Embedding 是用用户 ID 和内容 ID 直接矩阵分解训练的，冷启内容没有 Embedding，只能靠热门兜底。设计了两阶段方案——第一阶段用内容的多模态特征（标题 + 封面图）训练了一个多模态 Embedding，让所有内容（包括新内容）都有向量表示；第二阶段在线上用向量召回替代了热门兜底，新内容发布后 10 分钟内就能进入候选池。长尾内容曝光占比从 5% 提升到 22%。
粗排引入： 召回量扩大后排序压力暴增，候选集从 500 膨胀到 5000，精排模型（DeepFM）线上延时从 20ms 涨到 80ms。训练了一个轻量级双塔粗排模型（网络参数量只有精排的 1/10），在粗排阶段截断到 500——精排延时回到 25ms 以内，且粗排的 recall@500 保持在 95% 以上。
效果： 全链路优化后，推荐 CTR 从 8% 提升到 11.2%（+40%），人均使用时长提升 12%。粗排模块上线后日均节省精排推理算力约 30%。
面试官读这段经历的时候脑子里在画一张图：这个人接手了一个什么样的系统→他自己分析了哪里有问题→他自己设计了方案→他一步一步做出来了→线上跑出了效果。每一个环节都有他的个人判断和个人动作。这就是初级算法简历最值钱的核心信号——这个人是能独立解决问题的，不是只会执行指令的。
项目经验的写作公式： 你独立负责了哪段链路或哪个模块 → 它原本有什么问题（为什么是一个问题） → 你的方案是什么（为什么是这套方案） → 关键的技术决策点在哪 → 可量化的结果。
五、自我评价：别写「热爱 AI，对技术有追求」
初级算法的自我评价是水分最重的一栏——
改前：
热爱人工智能技术，对推荐系统和 NLP 有浓厚兴趣。具备较强的数学基础和代码能力，学习能力突出。工作积极主动，善于团队协作，希望能在算法领域持续深耕。
你遮掉名字，这段话能安在任何一份算法简历上。
改后：
- 模型实践： 过去一年独立负责过 2 个模型的完整迭代——DeepFM 排序模型和 DSSM 召回模型，从数据分析到特征设计到训练上线全流程独立完成。遇到模型不生效能自己拆解归因（特征穿越、分布偏移、指标陷阱各踩过一次并独立解决）。
- 工程落地： 能独立用 PyTorch 写模型，也能用 SQL + Spark 处理百 GB 级数据。粗排模型上线时从头写了数据 Pipeline 和线上 Serving 的适配代码，不是只写了个训练脚本丢给工程。
- 实验严谨性： 每次负责 AB 实验都会先做 AA 验证、然后拆分流检查、最后做指标归因和用户分群分析。做过 10+ 次线上实验，有 2 次「实验没显著收益但归因分析推动了新方向」的经历。
- 持续学习： 坚持读论文并做笔记（过去一年精读 30+ 篇推荐/NLP 方向论文），能说出每篇论文的核心思路和落地可行性判断。在内部技术分享做过 3 次分享。
四行，面试官 5 秒钟扫完，脑子里留下四个点：这个人能独立训模型、能写工程代码、实验习惯严谨、在持续学习。每一项后面都有一个能展开聊 10 分钟的故事。
自我评价的写作原则： 每写一条，遮掉名字问自己——换另一个同级别算法工程师，他能原封不动抄走吗？能的话，重写。改到别人抄不走，你的自我评价才算合格。
写完后的自检清单
- 你的模型能力描述里，是列了一堆模型名（DeepFM、DIN、DSSM……），还是写透了一个模型的优化过程（分析→调整→验证）？
- 你的数据处理部分，是「负责数据预处理和特征工程」一句话带过，还是把一个数据异常排查案例写清楚了（现象→排查→根因→修复效果）？
- 你的 AB 实验描述里，有没有写清楚实验假设、分流方案和归因分析？还是就一句「上线后 CTR 涨了 2%」？
- 你的项目经验里，能不能找出至少 3 处「独立负责」「我设计了」「我发现了」而不是「参与」「协助」「配合」？
- 整份简历里能找到 5 个以上具体数字吗？AUC 变化量、CTR 涨跌幅度、数据处理量级、实验用户量、线上延时——什么数字都行。
- 你的每一条经历，换一个同级别的算法工程师能原封不动抄走吗？能的话，那条就该重写。
- 你的技术栈里有没有写着「了解 Transformer」「了解强化学习」这种你实际上没真正落地过的东西？有的话删掉，只留你能聊 15 分钟不被问倒的。
- 如果你是一个完全不懂算法的 HR，看完你的简历能大概说出你干了什么、效果怎么样吗？
说到底，初级算法工程师的简历不是一份「我用了什么先进模型」的展览，而是一份「我能不能独立搞定数据→模型→实验这条链路」的证据集。
你调过的那些模型参数、排查过的那些特征 bug、拆解过的那些实验指标——每一个都是你的素材。问题从来不是你「没东西写」，而是你总觉得「这不就是日常工作吗，没什么可写的」。但招聘的本质不是找天才，是在一堆看起来差不多的人里找到那个「数据出问题了他自己能查、模型不涨了他自己能分析、实验没效果了他能说清楚下一步该做什么」的人。
把你的日常工作写成具体的问题→分析→方案→结果，你就已经从 90% 的初级算法简历里跳出来了。