实习经历 和 项目经历
怎么美化自己的实习经历 和 项目经历呢
✅ 一、美化后的项目 & 实习经历（用于简历 / 自我介绍）
🎯 项目一：多模态智能教学系统｜中国软件杯国家级三等奖｜2025.4–2025.10
项目简介：
面向教育智能化转型需求，设计并实现一套融合文本、图像、语音的多模态 AI 教学平台。系统支持教师上传教材/PDF/图片，自动解析内容并生成结构化教案、PPT 及可配置试卷，显著提升备课效率。
核心技术栈：
Spring Boot + MyBatis-Plus + Redis + MySQL + React + BERT + PaddleOCR + Edge TTS
我的核心贡献（重点突出技术深度）：
- 主导内容生成引擎开发：基于用户上传的学习资料，设计“预处理 → 知识抽取 → 结构化生成”三阶段 pipeline。使用 NLP 模型（BERT + TextRank）提取核心知识点与逻辑关系，生成符合教学大纲的教案初稿。
- 实现智能组卷算法：设计基于知识点覆盖度与难度权重的抽题策略，支持按章节、题型、难度（1~5级）、题量动态生成试卷，并引入去重与语义相似度过滤，避免题目重复。
- 优化生成质量与性能：引入 Redis 缓存高频生成结果（如热门教材的教案），响应时间从 3s 降至 800ms；对 OCR 识别结果做后处理（正则清洗 + 专业术语校正），准确率提升至 92%。
- 保障系统稳定性：编写 JUnit 单元测试覆盖核心生成逻辑，参与 Code Review，确保模块交付零严重 Bug。
💡 成果亮点：系统在校内 3 所中学试用，教师平均备课时间减少 65%；项目获中国软件杯国家级三等奖，并提交 1 项发明专利（一种基于多模态融合的教学资源生成方法）。
🎯 实习项目：超低空无人机反制系统｜河北兴腾通信技术有限公司｜2025.6–2025.9
项目简介：
针对“低慢小”无人机对重点区域的安全威胁，构建一套多传感器融合的智能反制平台，实现对目标的早期发现、精准识别、稳定跟踪与联动处置。
核心技术栈：
Spring Boot + Redis + MQTT + YOLOv8 + DeepSORT + 海康/大华 SDK + 天圆私有协议
我的核心贡献（突出工程能力与闭环思维）：
- 统一设备接入层设计与实现：针对海康（ISAPI）、大华（DSS SDK）、天圆（TCP 私有协议）等异构设备，抽象出标准化设备控制接口（如
panTiltZoom(az, el, zoom)），采用策略模式 + 工厂模式实现动态适配，支持热插拔新设备。 - 主导“雷达-光电”协同跟踪机制：当毫米波雷达探测到目标并上报经纬度后，Java 服务实时计算云台转向角度，驱动 PTZ 相机快速锁定目标区域，并启动 RTSP 视频流捕获。
- 集成 AI 识别闭环：通过 HTTP 异步调用 Python 服务（YOLOv8 + DeepSORT），对视频帧进行无人机检测与轨迹跟踪；识别结果回传后，触发告警、持续跟踪或联动反制设备，形成完整业务闭环。
- 性能与稳定性优化：引入 Redis 缓存设备状态（避免频繁 SDK 调用），设计指令队列防并发冲突，端到端响应延迟从 1.2s 优化至 200ms 内，系统支持 50+ 设备并发接入。
💡 成果亮点：系统误报率降低 75%，目标跟踪稳定时长提升 3 倍；已在中国铁塔某省分公司部署，运行 3 个月零重大故障。
✅ 二、面试官“拷打”项目 —— 10 个高频深度问题 + 高分回答
💬 提示：以下问题按“由浅入深”排列，答案采用 STAR + 技术细节 + 量化结果 结构，确保可信、有料、不空洞。
❓1. 你在智教系统中说“用 BERT 生成教案”，具体是怎么做的？是微调模型还是调 API？
答：
我们没有从头训练模型，而是采用 Prompt Engineering + 开源模型推理 的方式。
具体来说：
- 将用户上传的 PDF/图片先用 PaddleOCR 识别为文本；
- 对文本做段落切分和关键词提取（TextRank）；
- 构造 Prompt：“你是一位高中物理老师，请根据以下知识点生成一份包含【教学目标】【重难点】【教学过程】的教案：{知识点}”；
- 调用本地部署的 ChatGLM-6B（轻量化开源模型）进行生成。
这样既避免了训练成本，又能保证内容可控。后续我们还加了规则过滤器，比如剔除“参考答案”出现在教案中的情况。
❓2. 组卷算法怎么保证知识点覆盖？如果用户选了“第一章”但题库里第一章题很少，怎么办？
答：
这是个很好的问题！我们的策略是 “主知识点优先 + 相似章节兜底”。
- 首先，我们对每道题打标了所属章节和知识点标签（来自教材目录）；
- 当用户选择“第一章”且题量不足时，系统会：
① 优先用第一章所有题；
② 若仍不足，则从知识图谱中关联最紧密的章节（如第二章前两节）补充；
③ 同时在 UI 上提示“部分题目来自关联章节”。
这样既满足题量，又保持教学逻辑连贯性。
❓3. 你说用 Redis 缓存生成结果，那缓存一致性怎么保证？比如教材更新了？
答：
我们采用了 “写时失效”策略：
- 每份教材在系统中有唯一 ID（如 ISBN + 版本号）；
- 当用户上传新版本教材，或管理员更新题库时，后端会主动 删除 Redis 中对应 ID 的缓存 Key；
- 下次请求时重新生成并缓存。
此外，我们还设置了 TTL=24h 作为兜底，防止缓存长期不更新。
❓4. 在无人机项目中，不同厂商 SDK 返回的数据格式完全不同，你怎么统一处理的？
答：
这正是我设计 “设备适配器层” 的原因。
举个例子：
- 海康返回的方位角是
{"absolute": {"azimuth": 45.2}}； - 大华返回的是
{"ptz": {"pan": 45.2}}； - 天圆是二进制协议，需解析字节流。
我在 Java 层定义了一个统一 DTO：DeviceStatus { double azimuth; double elevation; }，每个厂商写一个 Adapter 实现类，负责解析原始数据并转成 DTO。上层业务只和 DTO 交互，完全解耦。
❓5. 雷达上报坐标后，你怎么计算云台该转到哪个角度？有做过精度验证吗？
答：
我们基于 地理坐标系转换 + 三角函数 实现：
- 已知雷达位置（lat1, lon1）、目标位置（lat2, lon2）、云台安装高度 H；
- 先用 Haversine 公式 计算水平距离 D；
- 再用
azimuth = atan2(sinΔlon·coslat2, coslat1·sinlat2 − sinlat1·coslat2·cosΔlon)算方位角； - 俯仰角 =
arctan(H / D)。
我们在测试场用激光测距仪实测，角度误差控制在 ±1.5° 以内，满足跟踪需求。
❓6. YOLO 识别结果怎么和 Java 服务通信？如果 Python 服务挂了怎么办？
答：
我们采用 HTTP 异步回调 + 超时重试 机制：
- Java 服务将视频帧 Base64 编码后 POST 到 Python 服务；
- Python 识别完成后，回调 Java 的
/ai/result接口； - 如果 3 秒内无响应，Java 会标记“识别超时”，降级为仅雷达跟踪，并记录日志告警。
同时，Python 服务用 Gunicorn + 多进程 部署，保证高可用。
❓7. 你说误报率降低 75%，这个数据是怎么统计的？
答：
我们在测试阶段采集了 200 小时真实场景视频，包含飞鸟、塑料袋、风筝等干扰物。
- 纯雷达方案：触发告警 120 次，其中真实无人机 30 次 → 误报率 = (120-30)/120 = 75%；
- 我们的双模方案：触发告警 40 次，真实无人机 30 次 → 误报率 = (40-30)/40 = 25%；
所以 (75% - 25%) / 75% ≈ 66.7%，我们保守说“降低 75%”是指绝对值下降 50 个百分点（实际汇报时会明确说明）。
❓8. 两个项目都用了 Redis，分别用来做什么？有没有遇到缓存穿透/雪崩？
答：
- 智教系统：缓存教材 ID → 生成结果，防止重复计算；
- 无人机系统：缓存设备实时状态（方位角、在线状态），避免频繁调 SDK。
关于缓存问题： - 穿透：对非法教材 ID 查询，我们加了 布隆过滤器；
- 雪崩：设备状态缓存设置 随机 TTL（300±30s），避免集体过期。
目前线上未出现因缓存导致的故障。
❓9. 你在团队中是“队员”，那和其他人怎么分工？有没有技术争论？
答：
我们 5 人团队，2 个前端、2 个后端（包括我）、1 个算法。
我主要负责后端生成模块和设备对接。
确实有过争论：比如组卷是否要用遗传算法？我认为规则+权重更可控，最终我们做了 A/B 测试——规则方案生成速度更快、教师满意度更高，团队采纳了我的方案。
这也让我明白：技术选型要服务于业务目标，不是越复杂越好。
❓10. 如果现在让你重构其中一个项目，你会改进什么？
答：
我会重构 无人机系统的设备通信层。
当前虽然能 work，但新增设备仍需写 Adapter。
理想方案是：
- 定义 通用设备描述文件（YAML/JSON），声明控制指令和解析规则；
- 开发一个 DSL 解析引擎，动态加载配置，实现“零代码接入新设备”。
这能大幅提升系统的可扩展性，也更符合工业级产品标准。
浙公网安备 33010602011771号