智能驾驶工程师简历写作：从入门到offer的全流程指南
我每年要看上千份智能驾驶方向的简历，说实话，大部分在HR筛选阶段就被淘汰了，根本没机会到技术负责人手里。原因往往不是技术不行，而是简历写得让内行一眼就看穿——要么堆砌名词却讲不清逻辑，要么把项目写成流水账，要么干脆踩中行业特有的雷区。
这篇文章我会从岗位认知讲起，逐层拆解智能驾驶工程师简历的底层逻辑、模块写法、常见误区，最后给你可直接套用的模板结构和加分项准备策略。内容全部针对智能驾驶岗位，不写那些放之四海皆准的废话。
智能驾驶工程师是做什么的？——岗位职责与行业认知
在动笔写简历之前，你必须先清楚这个岗位到底在解决什么问题。很多候选人的简历之所以写得散、写得空，根源在于对岗位本身缺乏结构化认知——不知道招聘方需要什么样的人，自然不知道该突出什么。
智能驾驶工程师的核心工作内容拆解
智能驾驶工程师的核心职责，可以概括为三件事：让车“看得见”（感知）、让车“想得清”（决策）、让车“动得稳”（执行）。围绕这三件事，具体工作包括但不限于：
- 目标检测与跟踪、车道线识别、可行驶区域分割
- 多传感器融合（Camera、LiDAR、Radar、GNSS/IMU）的状态估计
- 行为预测、路径规划、运动控制算法的开发与调优
- 系统集成与实车调试，解决corner case
- 数据闭环建设：数据采集、标注、训练、评测、回归
写简历时，你的每一项经历都应该能归入上述某个环节，并且说明你在其中承担了什么角色、解决了什么问题。如果一段经历既不属于感知也不属于决策或执行，那它大概率写不进智能驾驶简历的有效部分。
智能驾驶行业的产业链与主流技术栈（感知、决策、执行）
智能驾驶产业链从上游到下游大致分为：传感器（激光雷达、摄像头、毫米波雷达、高精地图）、计算平台（NVIDIA Orin、高通Snapdragon Ride、地平线征程）、中间件与OS（ROS/ROS2、AUTOSAR AP）、算法栈（感知、融合、预测、规划、控制）、整车集成与测试。
主流技术栈方面，感知方向绕不开深度学习——CNN/Transformer架构、BEV感知、Occupancy Network是当前热点；决策规划方向则涉及搜索算法（A*、Hybrid A*）、采样方法（RRT系列）、优化方法（MPC、LQR）以及近年来大热的端到端模仿学习和强化学习。此外，无论哪个方向，C++和Python都是基本功，Linux环境下的开发调试能力也是默认要求。
简历中的技能描述和项目呈现，应当与这条产业链上的具体环节形成映射。不要写“熟悉智能驾驶技术”——这句话等于什么都没说。要写清楚你在哪个环节、用什么工具、解决了什么问题。
Junior与Senior智能驾驶工程师的职责边界差异
Junior工程师（0-3年经验）的核心任务是在既定架构下高效执行——实现某个模块、调通某个算法、修复某个bug、完成某轮测试。招聘方看的是你的基本功、学习速度和工程习惯。
Senior工程师（5年以上）则被期待具备架构能力和业务判断力——能拆解复杂问题、设计技术方案、带领小团队推进落地，并对系统安全和可靠性负责。
对Junior岗位的候选人来说，简历里不需要强行表现“我主导了xxx架构设计”——这反而会暴露你对复杂度的认知不足。更聪明的做法是：在项目经历中展示你在既有架构下独立完成了什么、遇到了什么困难、如何解决的。这种“螺丝钉但靠谱”的信号，远比“伪架构师”的定位更让面试官安心。明确这一点，你才能给自己的简历定好调性。
智能驾驶工程师简历的底层逻辑：招聘经理真正在看什么
知道了岗位做什么，下一步要理解招聘方的筛选机制。智能驾驶岗位的简历筛选和互联网通用岗位有显著差异，这与行业的人才评估体系直接相关。
智能驾驶岗位的招聘流程与面试官构成（HR、技术负责人、算法leader）
智能驾驶岗位的典型招聘流程是：HR初筛 → 技术电话面试 → 现场/视频技术面（2-3轮） → 算法leader或技术总监终面 → HR谈薪。
不同角色看简历的侧重点完全不同：
- HR（约10秒）：看学历背景、工作年限、技术关键词是否匹配、有没有明显跳槽频繁等硬伤。
- 技术负责人/一线面试官（约2-5分钟）：看项目经历的技术深度、你在其中的具体贡献、技能栈是否与团队当前需求匹配。
- 算法leader/总监（约1-2分钟）：看你的技术天花板、思维方式和潜在风险——是否只懂调包、是否缺乏安全素养、是否难以合作。
这意味着你的简历要能同时服务这三种阅读方式——既能被HR快速匹配关键词，又能在技术负责人仔细阅读时经得起推敲，还能在leader扫读时留下“这人有潜力”的印象。
简历筛选的黄金30秒：关键词、项目经历与技能树的优先级
技术简历的初筛通常不超过30秒。在这个时间内，招聘方（通常是HR或技术负责人）会按以下优先级快速扫描：
- 教育背景与公司背景（5秒）——学校、专业、前公司是否在认可名单内
- 项目经历（15秒）——项目名称是否与智能驾驶直接相关、技术栈是否匹配、有没有量化成果
- 技能清单（10秒）——C++/Python、ROS、深度学习框架、特定算法关键词
一个残酷的事实是：项目经历在筛选中的权重大于技能清单。写了“熟练掌握C++”但项目经历全是Web开发，和写了“熟悉C++”但项目是“基于LiDAR点云的3D目标检测”，后者获得面试的概率远高于前者。因为项目经历能证明你用过，而技能清单只能证明你听说过。
智能驾驶领域不成文的筛选标准：论文、竞赛、开源贡献与实习的权重
在智能驾驶领域，以下信号的权重排序大致为（从高到低）：
- 对口实习经历：在头部智驾公司（华为、小鹏、蔚来、Momenta、百度Apollo等）或Tier1（博世、大陆、采埃孚）的实习经历，是简历筛选阶段最硬的通货。
- 顶会论文（CVPR/ICCV/ECCV/ICRA/IROS/NeurIPS等）：感知方向尤其看重，一篇一作顶会论文基本能保证简历被认真阅读。
- 高质量开源贡献：Apollo、Autoware、mmdetection3d等项目的实质性PR（非改README），比“个人项目star数”更有说服力。
- 高含金量竞赛：nuScenes、Waymo Open Dataset挑战赛、KITTI榜单前列成绩。
- 校内项目/个人项目：如果前四项都没有，这一项是最后的救命稻草——但必须做到“有深度、有数据、有思考”，否则不如不写。
需要特别提醒的是：论文是“一作 > 共一 > 三作四作”。如果你只是挂名作者，宁可放在教育背景的补充说明里，也不要单独立项，否则面试官一问细节就会穿帮。
智能驾驶工程师（Junior）简历的核心模块与撰写要点
理解了筛选逻辑之后，下面进入实操环节——每个模块具体怎么写。我直接给出可落地的写法与示例。
个人信息与教育背景：如何突出学校、专业与核心课程（如ROS、C++、深度学习）
个人信息部分，除了姓名、电话、邮箱、城市等基础信息外，建议加上GitHub链接和个人技术博客链接（如果有）。但注意：链接一定要保证可访问、内容干净——招聘方点进去看到空仓库或全是转载文章，反而减分。
教育背景的写法有讲究。按以下格式排列：
XX大学 | 计算机科学与技术 | 硕士 | 20XX.09 - 20XX.06
GPA：3.7/4.0（前10%） | 核心课程：机器学习、计算机视觉、机器人学、深度学习
如果你是硕士，本科经历可以简写；如果你是本科直接投递，核心课程一栏要更有针对性——把ROS、C++程序设计、数字图像处理、自动控制原理这类和智能驾驶直接相关的课程列出来，放在最前面。
一个容易忽略的点：如果你的毕设课题与智能驾驶相关（比如“基于视觉的车辆检测与测距”），不要只放在教育背景里一笔带过，而是单独作为项目经历展开写。毕设是面试官最笃定你“从头到尾做过”的事情，天然适合深挖。
技能清单的精准写法：避免罗列，用场景化描述展示熟练度
技能清单是90%的候选人写得最差的部分。最常见的错误是：
熟练使用C++、Python
熟悉深度学习框架PyTorch、TensorFlow
熟悉ROS、Linux
了解Transformer、BEV感知
这种写法的问题在于：没有信息量。所有人都会这么写，等于什么都没写。
正确的写法是用场景化描述展示熟练度。例如：
- 编程语言：C++（11/14/17，日常开发主力）、Python（数据脚本与模型训练）
- 深度学习：熟练使用PyTorch完成模型训练与部署，熟悉TensorRT推理优化，有INT8量化实车部署经验
- 感知算法：掌握YOLO系列、CenterPoint等检测模型原理，理解BEV感知中LSS与Transformer方案的区别与适用场景
- 多传感器融合：掌握卡尔曼滤波、扩展卡尔曼滤波在Radar+Vision融合跟踪中的应用，理解时空对齐的工程实现
- 中间件与工具链：熟练使用ROS/ROS2进行多节点开发与调试，熟悉CyberRT的基本架构；掌握Git、Docker、CUDA编程基础
- 仿真与测试：熟悉CARLA、SUMO仿真环境，了解OpenScenario场景描述标准
注意区别：第一版写“熟悉卡尔曼滤波”，第二版写“掌握卡尔曼滤波在Radar+Vision融合跟踪中的应用”。后者不仅说明了你知道这个算法，还暗示了你知道在什么场景下用它、怎么用。面试官看到这种描述，脑海中会自动浮现一个“做过实际项目的人”的形象。
项目经历：智能驾驶项目的STAR法则与量化表达
项目经历是简历的灵魂，也是智能驾驶岗位简历中篇幅占比最大的模块。推荐的格式是：
**项目名称** | 你的角色 | 时间
技术栈：C++ / PyTorch / ROS2 / LiDAR点云处理
项目描述与你的贡献：
- ...
- ...
- ...
成果与量化指标：
- ...
STAR法则在这里的变体是：背景（Situation）→ 任务（Task）→ 行动（Action）→ 结果（Result）。但对智能驾驶项目来说，更实用的框架是：问题 → 方案 → 量化结果。
修改前（反面示例）：
基于深度学习的3D目标检测
使用PointPillars算法对LiDAR点云进行目标检测，实现了车辆和行人的识别。
这个描述的问题：没有背景（为什么要用PointPillars？）、没有难点（哪里难？）、没有量化（检测精度多少？速度多少？）。
修改后（正面示例）：
基于PointPillars的实时3D目标检测与部署优化
背景：园区无人车需要在前向LiDAR上实现车辆/行人/骑行者三类目标的实时检测，计算平台为NVIDIA Xavier，算力受限。
我的工作：
- 基于OpenPCDet框架实现PointPillars模型的训练与调优，在nuScenes验证集上实现mAP 52.3%（高于baseline 4.1个百分点）
- 针对Xavier平台进行TensorRT加速，通过INT8量化与层融合将推理耗时从38ms降至17ms，满足20FPS的实时性要求
- 设计基于检测结果的简单跟踪策略（匈牙利匹配+卡尔曼滤波），将误检率降低约15%
- 编写C++推理节点接入ROS2，实现与下游规划模块的Topic通信与联调
对比一下就能感受到差异：修改后的描述给了面试官至少5个可以追问的技术点，而且每个点都能展开聊10-15分钟。面试官不怕你写得深，怕的是你写得浅还经不起问。
实习经历：如何把实习中的“杂活”包装成有技术深度的亮点
实习生的日常工作中确实有大量“杂活”——标数据、跑实验、写脚本、调参。但“杂活”和“亮点”之间的区别，不在于做什么，而在于你怎么描述它。
修改前（反面示例）：
负责数据标注质量的检查，协助算法工程师进行模型训练和调试。
修改后（正面示例）：
- 负责感知模型训练数据的质量管控，建立基于规则+抽样的自动化检查流程，将标注错误率从3.2%降至1.1%，并推动标注规范文档的修订
- 参与BEV感知模型的迭代实验，独立完成数据预处理、训练配置与评测报告，定位了由于gt框时序不同步导致的mAP异常下降问题
- 搭建基于mmdetection3d的模型评测脚本，实现多组实验结果的自动对比与可视化，提升了团队实验效率
核心方法论：把“我做了什么”升级为“我发现了什么问题、用什么方法解决、带来了什么可量化的改进”。哪怕只是写脚本，也要说清楚这个脚本解决了什么痛点、效率提升了多少、有没有被团队采纳。
另外一个重要原则：不要虚构没有做过的事情。包装是在事实基础上调整视角和表达粒度，不是编造。面试官深挖三个问题就能戳穿虚构的经历，而且会连累你所有其他内容的可信度。
论文、竞赛与开源：学术成果的呈现策略（顶会、Kaggle、Apollo/autoware贡献）
如果你有论文或竞赛经历，建议单列一个“学术成果与竞赛”模块，放在项目经历之后、教育背景之前。
论文的写法：
[1] 一作. "BEV-Based Multi-Modal Fusion for 3D Object Detection in Autonomous Driving." ICRA 2024.
如果论文还在投稿中，写明“在投/under review”即可。如果只是挂名，建议不写或者放在“参与工作”中一笔带过。
竞赛的写法：
nuScenes 3D Detection Challenge 2023 | Top 10%（团队排名）
- 负责基于CenterPoint的模型改进，通过引入SECOND的稀疏卷积优化将推理速度提升30%
开源的写法：
Apollo（GitHub star 20k+）| Contributor
- 合入3个PR：修复了Planning模块中LaneFollowScenario的边界处理bug；优化了Perception模块中Radar障碍物跟踪的初始化逻辑
注意：竞赛和开源经历的关键是你的具体贡献，而不是“参赛了”或“贡献了”。没有具体贡献描述的经历，在简历上和没写没有区别。
智能驾驶工程师简历的独特之处：避开90%候选人会踩的坑
写到这里，你已经掌握了简历的基本框架。但智能驾驶岗位有一些行业特有的筛选逻辑，如果不了解，你的简历很可能在技术面之前就被毙掉。下面四个误区，是我在审阅简历时反复看到的共性问题。
误区一：堆砌算法名词却无法解释工程落地（如只写熟悉Transformer，不问为何用于BEV）
“熟悉Transformer、熟悉BEV、熟悉Occupancy Network”——这类描述在2024年的简历里几乎泛滥。但面试官看到这些词的第一反应不是“厉害”，而是“那你给我讲讲为什么BEV感知要用Transformer而不是纯CNN？”
很多候选人只学了概念，没有理解技术选型背后的逻辑。Transformer在BEV感知中的价值在于其全局感受野和跨传感器注意力机制，能够更好地处理透视投影带来的尺度变化和遮挡问题。但Transformer也带来计算量大、训练收敛慢、对数据量要求高等代价——在工程上，很多团队实际用的是CNN与Transformer的混合方案。
简历中涉及算法名词时，建议附带一句“为什么用它”或“它解决了什么问题”。例如：“基于LSS方法将图像特征提升到BEV空间，并在BEV特征上应用Deformable Attention，在nuScenes上NDS达到0.45”——这比单纯写“熟悉BEV感知”有说服力得多。
误区二：忽视安全与冗余设计——智能驾驶面试官最在意的工程素养
智能驾驶是安全攸关系统。车上的代码bug不只会导致app闪退，可能导致碰撞甚至伤亡。因此，面试官对候选人的安全意识和系统思维极其看重。
但大多数简历完全没体现这一点。如果你在项目经历中涉及了以下任何一项，务必写出来：
- 设计了降级策略（例如感知模块失效时，车辆如何安全停车）
- 实现了超时监控与看门狗机制
- 考虑了传感器失效场景下的算法鲁棒性（如LiDAR被遮挡时仅靠Camera能否维持基本功能）
- 在仿真中构造了corner case进行验证
例如，在项目描述中加一句：“针对LiDAR单帧点云稀疏导致的漏检问题，设计了基于时序融合的补偿策略，在雨雾场景下将行人召回率从82%提升至91%。”——这句话传递的信号是：你不仅关心算法指标，还关心真实场景中的安全问题。这才是智能驾驶工程师的思维方式。
误区三：缺乏对传感器（LiDAR、Camera、Radar）特性的理解，项目描述脱离物理约束
很多候选人在简历里大谈算法，却完全忽略传感器物理特性的约束。这会让面试官强烈怀疑你是否真的在实车上跑过数据。
举例来说：LiDAR在雨雪天气下会产生噪声点；Camera在逆光和隧道场景下容易过曝或欠曝；Radar对静态目标的检测能力较弱、角度分辨率低。这些物理约束直接影响算法的设计与部署——比如融合策略要考虑传感器失效的时序相关性，目标跟踪要处理Radar的测量噪声非高斯分布等。
简历中体现传感器理解的正确方式，是在项目描述中自然融入物理约束的考量。例如：
“针对Camera在强逆光下目标漏检的问题，设计了基于Radar检测结果引导的ROI放大策略，将强光场景下的车辆召回率提升约8%。”
这类描述传递的信号是：你了解传感器的脾气，知道算法不是万能的，工程上需要多传感器互补。这种“接地气”的素养，在简历筛选阶段非常稀缺。
误区四：忽略仿真与路测的区别，未体现对数据闭环的认知
智能驾驶开发中，仿真和路测是两种截然不同的验证手段。仿真可以覆盖大量边缘场景、可以自动化回归，但仿真环境与真实世界之间存在sim-to-real gap；路测是最终验证手段，但成本高、周期长、场景覆盖有限。
一个真正有工程经验的候选人，会理解两者的关系，并知道如何配合使用。简历中如果能体现这种认知，会明显与“实验室玩家”区分开。例如：
“在CARLA仿真环境中构建了10+种corner case场景（前车急刹、行人鬼探头、施工改道等），对规划算法进行回归测试；同时在实车路测中采集了200km数据，用于仿真场景的校准与补充。”
或者更简洁的表述：“利用路测采集的cut-in场景数据，在仿真中构建参数化场景库，用于MPC控制器的鲁棒性验证。”
行业特有格式惯例：项目时间与里程数、计算平台（Orin、Q6）、中间件（ROS2）的标注方式
智能驾驶行业的简历有一些不成文的格式惯例，写对了显得“圈内人”，写错了会显得外行。
计算平台：项目涉及部署优化时，写明平台型号——NVIDIA Orin（254 TOPS）、Xavier（30 TOPS）、地平线征程5、TI TDA4等。这不仅是信息标注，更是展示你在“算力受限”条件下做工程的能力。
中间件与通信：明确写ROS/ROS2还是CyberRT，以及你用它做了什么。ROS2的DDS通信机制与ROS1差异很大，如果你用过ROS2的lifecycle node或确定性执行，一定要写出来。
时间与里程：涉及路测或数据集时，给出具体数字。例如“完成200km实车路测”“在xx园区累计运行3个月”“处理了5000帧点云标注数据”。数字让经历变得可信且可衡量。
数据指标：涉及算法性能时，使用行业标准指标——感知用mAP、NDS、IoU；规划用碰撞率、舒适性指标（jerk）；跟踪用MOTA、ID Switch。不要自创指标，面试官会换算不过来的。
智能驾驶工程师简历模板推荐与排版技巧
框架和内容都有了，接下来解决怎么组织的问题。针对Junior岗位，我推荐三种模板结构，你可以根据自己的背景选择。
针对junior岗位的三种简历模板结构（侧重项目/侧重学术/综合平衡）
模板一：侧重项目（推荐大多数候选人使用）
个人信息
教育背景（简洁）
项目经历（2-3段，占简历50%以上篇幅）
实习经历（如有）
技能清单
适用场景：你有1-2段高质量的项目经历（包括毕设），但没有论文或竞赛。项目经历是简历的主体，技能清单放在后面作为补充。
模板二：侧重学术（适合有论文/竞赛成果的候选人）
个人信息
教育背景（突出GPA、核心课程）
学术成果（论文、竞赛、开源贡献）
项目经历（1-2段，与学术成果互补）
技能清单
适用场景：你有顶会论文或高含金量竞赛成绩。学术成果放在项目经历之前——因为在筛选者眼中，“ICRA一作”比“xxx项目”更能预测你的研究潜力和算法功底。
模板三：综合平衡（适合经历丰富但每项都不突出的候选人）
个人信息
教育背景
技能清单（前置，因为项目经历不够突出，需要先展示硬技能）
项目经历（2段）
实习经历（1段）
学术成果与竞赛（如有）
适用场景：你的项目经历和学术成果都不够“硬”，但技能清单里有实打实的干货（如“有TensorRT部署经验”“有ROS2实际开发经验”）。把技能前置，先让面试官看到你的工具链完整度，再看项目细节。
排版细节：如何让技术栈、项目名称、数据指标在视觉上一目了然
技术简历的排版原则是：让读者在3秒内找到关键信息。
- 项目名称加粗，项目时间右对齐，技术栈用斜体或灰色小字写在项目名称下方。
- 量化指标加粗或高亮（如“mAP 52.3%”“推理耗时17ms”），让面试官扫视时能快速捕捉到你的成果。
- 每段经历控制在3-5个bullet points，每个bullet不超过两行。超过两行的描述，面试官大概率不会细读。
- 字体统一，标题层级清晰。推荐使用10.5pt或11pt正文，姓名用最大字号，模块标题用加粗或下划线区分。
一页纸原则的例外：何时可以扩展到两页（如发表多篇顶会论文）
传统的“一页纸简历”原则在智能驾驶岗位有例外。如果你的经历足够硬，两页完全合理。以下是适合扩展到两页的情况：
- 有2篇以上顶会一作论文，需要完整列出
- 有2段以上高含金量实习经历，每段都有实质性贡献
- 项目经历丰富且每个项目都值得展开（注意：是“值得展开”，不是“舍不得删”）
但请注意：两页简历的前提是每一行都有信息量。如果你的第二页只有半页内容，那说明你没写满一页，而不是“需要两页”。宁可删减到一页半，也不要为了凑两页而稀释内容密度。
智能驾驶工程师求职加分项：简历之外的准备
简历只是敲门砖，真正决定你能否拿到offer的，是简历之外你还能展示什么。以下三个加分项，建议所有候选人认真准备。
作品集与GitHub：如何展示可运行的Demo或仿真结果
对智能驾驶工程师来说，一个能跑的demo胜过千言万语。如果你的项目有可视化结果——无论是CARLA仿真中的车辆行驶视频、BEV感知的heatmap可视化、还是实车测试的录屏——请把它放到GitHub或B站上，并在简历中附上链接。
演示视频的推荐内容结构：展示场景（城市道路/园区/高速）→ 展示算法输出（检测框/规划轨迹/控制指令）→ 展示关键指标（帧率/延迟/成功率）。视频时长控制在1-3分钟，不要上传10分钟的无剪辑素材。
GitHub仓库的README要写好：项目简介、系统架构图、运行方法、结果展示截图、依赖环境。一个结构清晰、文档完整的仓库，本身就是工程素养的证明。
针对不同细分方向（感知、融合、规划控制）的简历微调策略
智能驾驶岗位的细分方向差异很大，简历不能一封走天下。投递不同方向时，需要调整内容重心：
- 感知方向：突出深度学习模型的训练与优化能力、数据集的构建与处理、对BEV/Transformer等前沿架构的理解。竞赛和论文的分量更重。
- 融合方向：突出对多传感器特性的理解、时空对齐的工程实现、卡尔曼滤波/粒子滤波等状态估计算法。项目描述中的传感器失效场景处理是重要加分项。
- 规划控制方向：突出对搜索算法、优化方法、控制理论（PID/MPC/LQR）的掌握，以及实车调试经验。仿真环境的搭建与corner case构造也是亮点。
微调的方式是：将简历中与该方向最相关的项目提前、展开，将关联度低的项目压缩或删除。例如投规划控制岗位时，“基于A*与DWA的园区无人车路径规划”应该占最大篇幅，而“基于YOLOv5的车辆检测”只需简略带过或直接删去。
求职信与内推邮件：如何用技术语言打动智能驾驶团队负责人
投递简历时附上一封简短的技术型求职信，能有效提高简历被阅读的概率。但注意：不要写通用模板——“我对贵公司仰慕已久，希望能获得面试机会”——这种话没有任何信息量。
一封有效的技术求职信应该包含：
- 你做的方向和岗位的匹配点（一句话）
- 你最拿得出手的一个技术成果（一句话，给出量化指标）
- 你对这个团队/公司技术方向的理解（一句话，证明你做过功课）
示例：
XX团队负责人您好：
我是XX大学计算机专业硕士，研究方向为基于LiDAR与Camera融合的3D目标检测。在nuScenes benchmark上，我实现的融合检测方案NDS达到0.52，单帧推理耗时在Orin平台上为23ms。
注意到贵团队在BEV感知方向有多篇顶会论文发表，且正在推进城市NOA的量产落地。我在实车项目中处理过传感器时间同步与失效降级的问题，对从算法到产品的链路有实际体感。
简历与项目代码附后（GitHub链接），期待有机会进一步交流。
这封邮件里没有一句废话，每一行都在告诉对方“我能干活，而且我懂你们在做什么”。这样的求职信，技术负责人大概率会回复——哪怕暂时没有headcount，也会记住你。
结语：从简历到面试，智能驾驶工程师的长期成长路径
简历写得好，只是拿到了面试的入场券。真正的筛选发生在面试中——面试官会围绕你简历上的每一个技术点深挖，验证你是否真的理解你写下的内容。
所以，写简历的过程本质上是一次自我技术梳理。如果你在写某个项目时发现讲不清技术选型的理由、说不明量化指标的来源，那这个项目大概率在面试中也经不起追问——与其等面试时露怯，不如现在就把它想清楚，或者干脆从简历中去掉。
智能驾驶行业还在快速演进——端到端方案逐步从学术界走向工程界，Occupancy Network取代传统栅格占据表示，数据闭环成为各家的核心壁垒。但无论技术栈怎么变，招聘方对候选人的底层要求是稳定的：扎实的工程能力、对系统的安全敬畏、对真实物理世界的理解，以及持续学习的好奇心。
把简历写好，只是第一步。真正让你走得更远的，是在每一个项目中都保持“知其然且知其所以然”的态度——这会让你的简历每一版都更强，也会让你在面试中的每一次深挖中都能从容应对。