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 Recall@50 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。
