同一个项目，算法岗和工程岗的简历该怎么分别写

做推荐、做风控、做 NLP 的人投岗位时经常两边都投算法岗和工程岗。很多人用同一份简历结果两边都不占优。同一个项目两种写法的侧重完全不同。假设这是同一件事你在一个推荐系统里做了召回链路的改造同时也承担了线上服务的工程实现。算法岗写法指标、对照、方法推荐召回优化针对长尾物品曝光不足问题在原 ItemCF 基础上引入 双塔召回负样本采用批内负采样 曝光未点击混合 离线 Recall50 由 0.31 提升至 0.42线上 AB 实验 7 天 CTR 4.2%长尾物品曝光占比从 12% 提升至 21%。这个版本回答的是问题是什么、用了什么方法、对照组是什么、指标提升多少、怎么验证的。算法岗最看重的是最后两项有没有严格的对照实验以及你是否分得清离线指标和线上指标。只有离线指标没有线上结果的项目说服力会打折。工程岗写法规模、延迟、稳定性推荐召回服务承接日均 2 亿次召回请求P99 延迟 30ms 将双塔向量检索接入线上使用 Faiss 分片部署 单节点 QPS 从 1200 提升至 4000索引更新由全量改为增量 更新延迟从 2 小时降到 10 分钟。同一件事这个版本回答的是规模多大、延迟多少、怎么部署、出过什么问题、怎么保证稳定。工程岗面试官不会深究你的负采样策略他关心的是 QPS、延迟、资源消耗、故障处理。两边都投的人怎么办准备两个版本不要准备一个「兼顾」的版本。兼顾的结果通常是两边的重点都没突出篇幅还翻倍。两个版本的事实必须一致同样的日期、同样的规模、同样的指标。变的是取景和详略。中间还有一类岗位算法工程化介于两者之间的岗位这两年越来越多岗位名可能叫机器学习工程师、算法平台工程师、或者 MLOps。这类岗位的简历要同时体现两侧重点落在「把模型送上线」这条链路上特征平台建设将离线特征与在线特征统一到一套定义 解决训练与推理特征不一致问题此前线上效果比离线低 3-5 个点 支持 30 特征、日更新 2 亿条特征上线周期从 3 天缩短到 4 小时。这段描述里既有算法侧的概念训练推理一致性也有工程侧的指标数据量、周期。投这类岗位这种描述比纯算法或纯工程的写法都更贴。三个共同的坑一只写模型名不写效果。「使用 BERT 做文本分类」是 A 档描述没有信息量。二把开源方案的效果写成自己的成果。用了某个开源模型效果提升主要来自模型本身这一点要如实说明面试官对领域内的开源方案很熟。三指标口径不清。提升 4.2% 是绝对值还是相对值基线是多少样本量多大置信度如何这几个问题在算法面试里一定会被问。最后分岗位写简历的成本其实只是把同一段经历重新取一次景。前提是那段经历你两边都真的做过如果工程部分其实是同事做的就别往工程岗版本里写。应届算法岗的特殊情况没有工业界经验时简历上能写的是论文、竞赛和课题。三者的权重差别很大。竞赛写清楚名次、参赛规模、你负责的部分、以及你的方案相比 baseline 的提升。名次一般但方案有亮点的重点写方案。论文写清楚会议或期刊、你的作者位次、以及一句话的核心贡献。一作和三作在面试官眼里差别很大不要模糊。课题如果没有公开产出写清楚问题、方法、以及你实现的部分。注意别把导师的课题整体写成自己的成果。三者都有的话按与目标岗位的相关度排序而不是按含金量排序。最后一句算法岗和工程岗的简历差异本质上是两种评价体系一个看你能不能把指标做上去一个看你能不能把系统稳住。搞清楚这一点取景就不会错。