事实核验：2026-05-09 · 状态：维护中
记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。
warning 适用范围与维护说明
保留原有 maintenance 状态，原文未说明具体维护原因，本轮不据此升级为 active。维护边界为五类岗位的项目素材模板、AI 参与及人工校验表述和相关模板链接；正文中的方括号均为待填素材，不是已发生的项目成果，也不提供 SQL、A/B 测试或工程治理的实施教程。
AI简历项目经历素材模板
abstract 本文定位
很多人不是没有经历，而是经历散在日报、周报、需求单、群聊和脑子里。
这份模板的作用，是把那些零碎的工作，整理成可以写进简历、作品集和面试讲述的项目素材。
项目素材采集表
每个项目先按下面的问题补齐。不要急着写漂亮句子，先把骨头找出来。
项目名称：
项目所属公司/组织：
项目周期：
S-业务场景：
T-目标任务：
目标岗位相关性：
我负责的部分：
合作方：
使用的数据源：
使用的工具：
A-关键行动：
AI参与环节：
人工校验方式：
R-最终结果：
可量化指标：
沉淀资产：
失败或不足：
面试可讲细节：
隐性 STAR 采集法
项目经历不要写成“我负责了什么工具”，而要写成“我在什么局面下，承担什么目标，做了哪些关键动作，最后产生什么结果”。
简历正文里不需要机械标注 S / T / A / R，但素材整理阶段必须先把四件事补齐：
| 维度 | 你要补齐的问题 | 写作提醒 |
|---|---|---|
| S - Situation | 当时发生了什么业务问题、指标异常或组织约束？ | 不要一上来写工具，先写为什么要做 |
| T - Task | 你承担的目标是什么，指标、交付物或时限是什么？ | 写清个人责任，避免像团队年报 |
| A - Action | 你具体做了哪些分析、工程、运营或产品动作？AI 参与了哪个环节？ | AI 只能写具体环节，不能当成主角 |
| R - Result | 最终指标、效率、质量或资产有什么变化？ | 结果要有数字、沉淀物或可复盘证据 |
可以用下面这段作为项目素材的“骨架版本”：
在[S-业务场景]下，我承担[T-目标任务]；
为完成目标，我做了[A-关键行动]，其中 AI 辅助了[具体环节]，并通过[人工校验方式]控制风险；
最终带来[R-最终结果]，沉淀[可复用资产]。
通用项目经历公式
围绕[业务问题]，基于[数据源/方法/工具]完成[核心动作]；
引入 AI 辅助[具体环节]，并通过[校验机制]控制风险；
最终实现[量化结果]，沉淀[可复用资产]。
这个公式看起来朴素，但它很有效。因为它逼你回答招聘方真正关心的六件事：为什么做、怎么做、你做了什么、AI帮了什么、结果如何、以后能不能复用。
素材模板一：分析诊断类项目
适合岗位：数据分析师、AI Data Analyst、商业分析、经营分析。
围绕[指标异常/业务下滑/增长瓶颈]问题，使用 SQL/Python/BI 对[数据源]进行[漏斗/留存/分层/归因/对比]分析；
引入 AI 辅助生成假设清单、分析报告初稿和图表解读，并通过指标复算、样本排查和业务访谈校验结论；
最终定位[关键原因]，推动[产品/运营/销售/管理动作]，实现[指标变化]，沉淀[分析模板/监控看板/复盘方法]。
可替换素材：
- 指标异常：转化下降、留存下降、GMV波动、利润下滑、成本上升、用户投诉增加。
- 分析方法：漏斗分析、Cohort分析、RFM分层、A/B测试、相关性分析、对照组分析。
- AI环节：生成假设、整理访谈纪要、生成报告初稿、解释图表、总结异常原因。
- 校验机制：SQL复算、样本抽查、口径确认、业务访谈、历史趋势对比。
素材模板二：运营策略类项目
适合岗位：数据运营、增长运营、用户运营、策略运营。
针对[目标人群]在[转化/活跃/复购/留存]上的问题，基于用户行为、交易和触达数据进行分层；
使用 AI 辅助生成运营策略、文案变体和复盘框架，并通过A/B测试、频控规则、品牌审核和负反馈监控筛选方案；
最终实现[转化/留存/ROI]提升[数值]，沉淀[人群标签/触达规则/活动复盘模板]。
可替换素材：
- 人群：新用户、沉默用户、高价值用户、价格敏感用户、流失预警用户、会员用户。
- 策略：权益激励、内容推荐、召回触达、会员升级、交叉销售、活动玩法。
- AI环节：文案生成、活动主题发散、用户反馈聚类、复盘摘要、竞品玩法整理。
- 边界指标：退订率、投诉率、疲劳度、补贴成本、长期留存。
素材模板三：数据工程类项目
适合岗位：数据开发、数据工程师、数仓工程师、实时数据工程师。
负责[业务域]数据链路建设，完成[采集/清洗/建模/调度/服务]等工作，支撑[报表/分析/算法/运营/AI应用]场景；
使用 AI 辅助生成SQL初稿、字段说明、测试用例和排障思路，并通过代码审查、数据对账、质量规则和监控告警保障稳定性；
最终将[延迟/耗时/失败率/维护成本]降低[数值]，沉淀[数据模型/数据服务/监控规范/文档资产]。
可替换素材：
- 工程动作：数仓分层、实时链路、数据同步、任务调度、性能优化、数据服务API。
- AI环节：代码初稿、SQL解释、异常排查建议、文档生成、测试用例生成。
- 质量机制：数据对账、唯一性检查、完整性检查、SLA监控、重跑机制、权限控制。
- 成果指标：任务稳定性、查询耗时、数据延迟、工单数量、成本下降。
素材模板四：数据治理类项目
适合岗位：数据治理、数据质量、元数据、AI-ready Data、数据安全。
围绕[业务域]数据资产在[口径/质量/权限/血缘/语义]上的问题，梳理核心数据对象、责任人、规则和治理流程；
使用 AI 辅助整理字段解释、指标说明、异常归因和培训材料，并通过人工评审、SQL复算、权限校验和审计日志控制风险；
最终提升[数据质量/口径一致性/资产可发现性/AI问数可用率]，沉淀[指标字典/数据合约/质量规则/权限清单]。
可替换素材：
- 治理对象：指标、字段、主数据、标签、报表、数据接口、AI问答知识库。
- AI环节：生成说明文档、整理问题清单、辅助异常归因、生成样例问题。
- 风险控制：敏感字段标注、权限审计、口径评审、血缘分析、版本管理。
- 成果指标：质量规则覆盖率、问题闭环时长、口径争议次数、自助使用率。
素材模板五：数据产品类项目
适合岗位：数据产品经理、BI产品经理、AI数据产品经理。
主导[数据产品/BI看板/指标平台/AI问数]建设，基于用户访谈和业务流程梳理核心场景、指标口径、权限规则和验收标准；
使用 AI 辅助整理访谈纪要、生成PRD初稿、设计样例问题和帮助文档，并通过业务评审、灰度发布和使用数据分析持续迭代；
上线后实现[使用率/自助查询率/工单下降/决策效率]提升[数值]，沉淀[PRD模板/指标体系/反馈闭环/Eval用例]。
可替换素材：
- 产品形态：经营看板、指标平台、数据门户、智能问数、分析Agent、数据服务控制台。
- AI环节：需求整理、PRD初稿、FAQ生成、样例问法、反馈聚类、报告摘要。
- 评估指标：DAU/WAU、留存、查询成功率、采纳率、工单量、满意度、ROI。
- 风险控制：权限、错误兜底、日志审计、灰度、人工确认。
素材强度自评
你可以给每个项目打分：
- 强素材：有明确业务问题、有你的关键动作、有量化结果、有可追问细节、有沉淀资产。
- 中素材：有真实工作和部分结果，但业务价值或个人贡献不够清楚。
- 弱素材：只有职责描述，没有结果，也讲不清你到底改变了什么。
如果一个项目暂时是弱素材，不一定要删除。可以先补三件事：
- 找到真实业务问题。
- 补充结果口径或过程指标。
- 写清你个人承担的部分。