【简历优化平台-06】为什么很多简历必须写项目经验?有的简历没有项目经验?

简介: 【简历优化平台-06】为什么很多简历必须写项目经验?有的简历没有项目经验?

 平台目前的进度如下:

   淡黄色是完成的模块...

   目前来到简历本身最后一个大栏目的优化:项目经验

   其实这个也是目前最难处理的,为什么呢?因为很多简历就没有项目经验这一块....

   其实在我从业之初的那两年,一直不明白为什么简历上要既有工作经历,又要有项目经验。因为在我的印象里,在一个公司经历那就是负责一个项目的测试,所以工作经历和项目经是完全重叠的,不明白为什么要写两次。

   后来随着多年面试官经验,加上优化了那么多简历之后我明白了。

   原因有以下几点:    

   1. 面试官角度,工作经历主要看的是你的职位,公司,时间,工作内容也是比较大而广的方向概念。而项目经则是更加细节的能力观察,包括细节深度和你的职责等,从项目经的描写可以看出你这段经历是真是假,有多少水份等。

   2. 工作类型角度,一般的新手新人简历你会发现工作经历就是项目经,那就是我上面说的一家公司只负责一个项目测试。但是一些老手的过程中,在一家公司要负责两个三个甚至多个项目的测试;也有的外包经历的话,也是要经受了好几家甲方的项目;也有的是负责一个测试平台的开发,这个测试平台不断迭代了好多年是跟着你一直以来的独立项目,不管换了哪家公司,你都在研究这个。所以 公司 - 项目 便不再是一对一的关系,而是基本拆开的关系。

   3. 培训班种下的先入为主思维定势,我不知道最早的简历中有没有项目经验独立出来写,但我确实是被培训班老师教的要拆出来写的,当时问过原因,说是因为大多培训出来的会进入外包,工作经历就写乙方公司的,项目经就写甲方公司的,所以要分开来写,为了统一方便,干脆都这么写。后来发现其实真正的好处是项目经验可以更加突出细节和数据量化支撑。

   不管怎么说,项目经验都要写,而且要细致,有些新手的简历就那么可怜的一页,想凑字数,项目经验随便凑啊。


 

那接下来就说说项目经验的优化点吧:

   1. 项目数量:这个要根据你的工作年限和公司数量来取一个适当范围,而不是越少越好或者越多越好。

   2. 项目内容长短:很多粉丝的简历我看过发现了这个问题,就是恨不得把一切干过的活事无巨细的写上,结果写出去三四页的简历,这样在hr或者面试官阅读的时候就会产生腻了心理,并且也缺少层次感和神秘感。当然,太短也不行。

   3. 项目描述:这个其实很重要,首先字数不能太多,但要清晰的概括出项目的种类,量级,技术栈等必须内容。这part能精炼出来的大神并不多。很多同学的项目介绍长篇大论,好好的一个简历变成了推销广告了...

   4. 项目职责:项目职责这块,相比较前面的工作经历中的工作内容来说,要更具体更有层次感。并且主要阐述的是你为这个项目带来了什么,怎么理解这个项目,能不能分析透彻这个项目的情况。而并非罗列自己在这公司里干过的所有活,而且,千万不要多个项目的项目职责复制粘贴,千篇一律,通篇废话,全是假大空,那简历乍一看工整漂亮,但禁不起细看,会扣分。

   5. 业绩量化:业绩这栏,大部分同学简历中都未写过,其实就是主要阐述你做的工作到底效果如何,是混日子还是努力工作都能从这看出来,比如某个项目中你写用xx技术做自动化。那业绩里怎么招也要有这个自动化的落地效果,多少用例,覆盖了多少功能,提高了多少多少效率等等。

   6. 项目职责中你的技术点,举个例子,你前面的专业技能中写着很多xx技术,什么django,什么vue,什么pytest的,结果项目经历中却全都是用例设计,保障质量,测试流程,需求审核这些,半点你专业技能的技术名词都没看到,你猜面试官会怎么想?要么就是培训班填鸭式出来的,要么就是水份太多,哪怕你技术面过去了,面试官也会觉得你只是一个面霸,学过会背,但就是没有用过。

   7. 项目的时间起止,这个是很重要的一环,大部分项目的时间其实我猜你都记不清了对吧?记住一点,记不清就参考工作时间来写,千万别凭记忆瞎写,一旦工作经历的时间和项目经验时间对不上,那就出假了...比如你工作经历是2015.9-2016.4 , 下一家是2016.6-2018.2 。这期中,你在2016.5月是完全空白窗口期,结果你的某个项目经验却写着 2015.9-2016.9 。那请问你这个项目是一直做到了下一家公司了???如果是技术项目比如某测试平台还说得过去(但换了公司也要重搭建重起名才行),但可惜大部分同学的项目经验就是普通的业务项目,所以时间上一定别弄错,但是这个检查起来太麻烦了,所以才有了咱们这个自动优化平台,我会计算各个工作经历的时间段,然后分析项目经验的时间中不合理的地方给你提出。

   好!以上,就是目前的进度和即将开工的部分,欢迎小伙伴持续关注该平台。该平台的算法量已经达到了惊人的440行!在AI大模型只会说假大空的官方废话的背景下,这种精密的符合我们测试圈的细节优化才是王道。

   好,长篇大论结束,开码!

   提前进群哦!平台完成后,会先开启内测,用各种各样的简历来丰富算法矩阵,群里小伙伴才可以随便内测哦。

相关文章
如何写出一份优秀的技术简历?
如何写出一份优秀的技术简历?
183 0
|
域名解析 缓存 网络协议
阿里云DNS专家,手把手教你定位域名解析不生效
域名解析不生效、ping域名IP地址不正确、网站打不开,你是否还在为这些问题困扰? 阿里云DNS专家,手把手教你庖丁解牛,定位域名解析不生效原因
30352 0
|
4月前
|
存储 人工智能 运维
当四大美女遇上 MetaGPT,一键解锁跨时空AI畅聊新体验
MetaGPT 是一个开源多智能体框架,通过角色专业化分工与流程标准化控制,突破传统单模型系统的能力瓶颈。本方案结合阿里云百炼模型服务和 Serverless AI 开发平台 Function AI,构建支持多角色、多场景的对话应用,并部署至函数计算。用户可快速获取 API-KEY、配置参数并部署项目,体验如“西游取经”、“成语接龙”等示例应用,实现高效协同推理与垂直领域专业内容动态更新,显著降低成本并提升开发效率。
|
8月前
|
人工智能 算法 搜索推荐
阿里云百炼xWaytoAGI共学课开课:手把手学AI,大咖带你从零搭建AI应用
阿里云百炼xWaytoAGI共学课开课啦。大咖带你从零搭建AI应用,玩转阿里云百炼大模型平台。3天课程,涵盖企业级文本知识库案例、多模态交互应用实操等,适合有开发经验的企业或独立开发者。直播时间:2025年1月7日-9日 20:00,地点:阿里云/WaytoAGI微信视频号。参与课程可赢取定制保温杯、雨伞及磁吸充电宝等奖品。欢迎加入钉钉共学群(群号:101765012406),与百万开发者共学、共享、共实践!
1037 10
|
10月前
|
机器学习/深度学习 存储 自然语言处理
方案测评|巧用文档智能和RAG构建大语言模型知识库
本文介绍了一款基于文档智能和大语言模型(LLM)的文档解析及问答应用,旨在提升企业文档管理和信息检索效率。系统通过文档解析、知识库构建和问答服务三大模块,实现了从文档上传到智能问答的全流程自动化。
|
数据采集 运维 算法
大数据项目管理:从需求分析到成果交付的全流程指南
【4月更文挑战第9天】本文介绍了大数据项目从需求分析到成果交付的全过程,包括需求收集与梳理、可行性分析、项目规划、数据准备与处理、系统开发与集成,以及成果交付与运维。文中通过实例展示了如何进行数据源接入、数据仓库建设、系统设计、算法开发,同时强调了需求理解、知识转移、系统运维的重要性。此外,还提供了Python和SQL代码片段,以说明具体技术实现。在大数据项目管理中,需结合业务和技术,灵活运用这些方法,确保项目的成功执行和价值实现。
3101 1
|
机器学习/深度学习 人工智能 运维
现代化运维管理系统下的自动化监控与故障排查
传统的运维管理方式已经无法适应日益复杂的信息技术环境,现代化运维管理系统的出现为企业提供了新的解决方案。本文将探讨在现代化运维管理系统下,自动化监控和故障排查的重要性,以及如何利用先进的技术手段提高效率,降低风险。
219 0
|
10月前
|
存储 自然语言处理 文字识别
开放应用架构,建设全新可精细化运营的百炼
本文介绍了阿里云智能集团在百炼大模型应用中的技术实践和运营经验。主要内容包括:1) RAG技术的背景及其在落地时面临的挑战;2) 多模态多语言RAG技术的研发与应用;3) 多模态多元embedding和rank模型的训练;4) 基于千问大模型的embedding和rank模型;5) 开源社区推出的GT千问系列模型;6) 模型应用中的可运营实践;7) AI运营的具体方法论和实践经验。通过这些内容,展示了如何解决实际应用中的复杂需求,提升系统的准确性和用户体验。
|
11月前
|
前端开发 JavaScript API
前端的全栈之路Meteor篇(完):关于前后端分离及与各框架的对比,浅析分离之下的潜在耦合
本文探讨了Meteor.js这一全栈JavaScript框架的特点与优势,特别是在前后端分离架构中的应用。Meteor通过共享数据结构和简化全栈开发流程,实现了前后端的紧密协作。文章还对比了其他全栈框架,如Next.js、Nuxt.js等,分析了各自的优势与适用场景,最后讨论了通过定义文档归属者和用户专有数据集简化后端构建及端云数据同步的方法。
699 0
|
自然语言处理 监控 自动驾驶
大模型在自然语言处理(NLP)、计算机视觉(CV)和多模态模型等领域应用最广
【7月更文挑战第26天】大模型在自然语言处理(NLP)、计算机视觉(CV)和多模态模型等领域应用最广
744 11