你投的简历提示不合适,建议参考STAR法则

本文介绍如何使用STAR法则改进简历,使其更具吸引力。STAR法则通过情境、任务、行动和结果四个要素,帮助求职者清晰地展示自己的能力和成就。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

投简历的时候老被提示为

您与该职位不太合适,无法进入面试阶段。建议参考STAR法则对简历进行修改,并突出您在专业知识方面的优势。


目测你是在拉钩上投的,企业的投递回复都是拉钩给的模板(所谓的STAR都是套路)
如果你很想进入这家公司,尝试各个渠道投递简历,或者去微博/linkedin上面找这个公司负责这块的员工(HR或岗位直属上级)聊一下。当然以上全看运气,或者如知乎某大神经典回复,去人家公司门口堵人。

不过真尿性,但是也不得不自我思考一下

那么什么是star法则呢,我们的大百度是这样说的

STAR法则是情境(situation)、任务(task)、行动(action)、结果(result)四项的缩写。STAR法则是一种常常被面试官使用的工具,用来收集面试者与工作相关的具体信息和能力。STAR法则比起传统的面试手法来说,可以更精确地预测面试者未来的工作表现

可以精确地预测面试者未来的工作表现,是不是有点扯,人家技术硬就因为你star不匹配就不精确了?说的是有点儿绝对,但是公司企业单位这样招聘,那你想要工作就留意一下呗


STAR法则,即为Situation Task Action Result的缩写,具体含义是:
Situation: 事情是在什么情况下发生
Task: 你是如何明确你的任务的
Action: 针对这样的情况分析,你采用了什么行动方式
Result: 结果怎样,在这样的情况下你学习到了什么
简而言之,STAR法则,就是一种讲述自己故事的 方式,或者说,是一个清晰、条理的作文模板。不管是什么,合理熟练运用此法则,可以轻松的对 面试官描述事物的逻辑方式,表现出自己分析 阐述问题的清晰性、条理性和逻辑性
STAR法则,500强面试题回答时的技巧法则,备受面试者成功者和500强HR的推崇。
由于这个法则被广泛应用于面试问题的回答,尽管我们还在写简历阶段,但是,写简历时能把面试的问题就想好,会使自己更加主动和自信,做到简历,面试关联性,逻辑性强,不至于在一个月后去面试,却把简历里的东西都忘掉了(更何况有些朋友会稍微夸大简历内容)
在我们写简历时,每个人都要写上自己的工作经历,活动经历,想必每一个同学,都会起码花上半天甚至更长的时间去搜寻脑海里所有有关的经历,争取找出最好的东西写在简历上。
但是此时,我们要注意了,简历上的任何一个信息点都有可能成为日后面试时的重点提问对象,所以说,不能只管写上让自己感觉最牛的经历就完事了,要想到今后,在面试中,你所写的经历万一被面试官问到,你真的能回答得流利,顺畅,且能通过这段经历,证明自己正是适合这个职位的人吗?
那么怎样按照star法则制作简历

1.

头脑风暴+STAR法则
头脑风暴。
在脑海里仔细想出大学或工作中自己参与过所有活动(尤其是能突出你某些能力的活动),包括:
1)
社团活动 职务 时间
所做事情 
2)
在公司实习的经历 职务 时间
所做过的事情
3)
与他人一起合作的经历(课题调研,帮助朋友办事)


STAR法则应用 
Situation:事情是在什么情况下发生
Task:你是如何明确你的任务的
Action:针对这样的情况分析,你采用了什么行动方式
Result:结果怎样,在这样的情况下你学习到了什么
将每件事用S T A R 四点写出,将每一件重要的事情都做成一张表格,如下图
2
挖掘闪光点
开放性问题大家都要回答吧?大家也都知道,其实每一个开放性问题都在考查自己的每一项能力,如领导能力,沟通能力,适应能力等等。而挖掘闪光点就是在这些事件模块中找出你所能体现的这些能力,如上例辩论赛中所体现的领导能力,沟通能力,主动解决问题。这时候,就可以在下面多加“能力体现”一行。
3
写进简历
以上所说都是主要为面试而准备的,但是,写简历阶段时就应用上这些模块。
在你的工作单位,担任职务下,列出你所干过的事情,将模块中的A和R两项以简洁的语言写上。这样,当HR问你简历上的问题时,你还愁不会答吗?而且还可以突出自己的优势呢。


有了事情模块,也知道了每个事件自己所体现出的能力,这时候的你,还需要害怕那些开放性问题吗?
以上所说都是主要为面试而准备的,但是,写简历阶段时就可以应用这些模块,针对你某阶段的某一件事,将模块中的A,R两项以简洁的语言写上。这样,当HR问你简历上的问题时,你就可以有备而回答之啦!当然,针对 职位的不同,要求自然也不同,但是,这一切都可以参考STAR法则来解决,例如,你要申请的是销售类的,你就将关于沟通能力,营销经验的事例写上,并且突出自己与其的相关性,这样,自然就可以提高简历的命中率。
--------------------------------------------------------分割线---------------------------------------------------

star法则一句话就是你在什么情形下遇到什么问题,然后你采用什么技术或方式解决问题(没有解决),最后获得了什么样的心得体会或经验


最后想说的是

一个公司想拒绝你的理由用航空母舰都装不完 star法则只是其中之一吧,

还是提高自我的能力,还有就是运气了哦

function [optimal_k, L1_star, L2_star, min_cost, primaries] = pipeline_optimization() % 主函数 - 管道最优铺设解决方案 % 加载数据 [A, points, labels] = load_data(); % STEP-1: 估算k范围 [k_min, k_max, L_total] = estimate_k_range(points); fprintf('MST总长: %.2fkm, k_min=%d, k_max=%d\n', L_total/1000, k_min, k_max); % 初始化结果存储 costs = inf(k_max, 1); L1_values = zeros(k_max, 1); L2_values = zeros(k_max, 1); all_primaries = cell(k_max, 1); all_clusters = cell(k_max, 1); feasible_flags = false(k_max, 1); % 遍历k值 for k = k_min:k_max try % STEP-2: 分簇与选站 (使用MST约束聚类) [clusters, primaries] = mst_constrained_clustering(points, A, k, labels); % STEP-3: 费用计算 (考虑一级站间连接) [L1, L2, cost] = calculate_cost_with_level1_connections(A, primaries, clusters); % 存储结果 costs(k) = cost; L1_values(k) = L1; L2_values(k) = L2; all_primaries{k} = primaries; all_clusters{k} = clusters; feasible_flags(k) = true; fprintf('k=%2d: L1=%.2fkm, L2=%.2fkm, Cost=%.2f万元\n', ... k, L1/1000, L2/1000, cost/10000); catch ME fprintf('k=%d 计算失败: %s\n', k, ME.message); end end % 选择最优k值 (只考虑可行解) feasible_k = find(feasible_flags); if isempty(feasible_k) error('没有找到可行解'); end [min_cost_val, idx] = min(costs(feasible_k)); optimal_k = feasible_k(idx); L1_star = L1_values(optimal_k); L2_star = L2_values(optimal_k); min_cost = min_cost_val; primaries = all_primaries{optimal_k}; clusters = all_clusters{optimal_k}; % 输出最终结果 fprintf('\n=== 最优解 ===\n'); fprintf('最优k*: %d\n', optimal_k); fprintf('I型管总长L1*: %.2fkm\n', L1_star/1000); fprintf('II型管总长L2*: %.2fkm\n', L2_star/1000); fprintf('最小总费用C*: %.2f万元\n', min_cost/10000); % 显示一级站列表 fprintf('\n一级站坐标列表 (k*=%d):\n', optimal_k); disp('序号 X坐标 Y坐标 标签'); for i = 1:size(primaries, 1) fprintf('%2d %5.1f %5.1f %s\n', ... i, primaries{i, 1}(1), primaries{i, 1}(2), primaries{i, 3}); end % 可视化 visualize_solution(A, points, primaries, clusters, optimal_k, min_cost); end function [clusters, primaries] = mst_constrained_clustering(points, A, k, labels) % 构建全局MST dist_matrix = pdist2(points, points); G = graph(dist_matrix, 'upper'); T = minspantree(G); % 初始化簇 clusters = {1:size(points, 1)}; % 初始为一个大簇 % 迭代切割直到满足约束且达到k个簇 while numel(clusters) < k new_clusters = {}; for i = 1:numel(clusters) cluster_indices = clusters{i}; cluster_points = points(cluster_indices, :); % 计算簇的MST长度 if numel(cluster_indices) > 1 cluster_dist = pdist2(cluster_points, cluster_points); G_cluster = graph(cluster_dist, 'upper'); T_cluster = minspantree(G_cluster); cluster_length = sum(T_cluster.Edges.Weight); else cluster_length = 0; end % 若长度超限则切割 if cluster_length > 30000 [subclusters, success] = split_cluster_by_mst(cluster_points, cluster_indices); if success new_clusters = [new_clusters, subclusters]; else new_clusters = [new_clusters, {cluster_indices}]; end else new_clusters = [new_clusters, {cluster_indices}]; end end % 检查簇数量 if numel(new_clusters) > k % 合并小簇 [new_clusters, merged] = merge_small_clusters(new_clusters, points, k); if ~merged error('无法调整簇数量'); end end clusters = new_clusters; end % 选择一级站 (考虑中心站距离和簇内中心性) primaries = cell(numel(clusters), 3); % {坐标, 原始索引, 标签} for i = 1:numel(clusters) cluster_indices = clusters{i}; cluster_points = points(cluster_indices, :); % 计算加权得分 dist_to_A = vecnorm(cluster_points - A, 2, 2); centrality = zeros(size(cluster_points, 1), 1); for j = 1:size(cluster_points, 1) centrality(j) = mean(vecnorm(cluster_points - cluster_points(j, :), 2, 2)); end scores = 0.7 * dist_to_A + 0.3 * centrality; % 选择得分最小的点 [~, min_idx] = min(scores); selected_point = cluster_points(min_idx, :); point_idx = cluster_indices(min_idx); primaries(i, :) = {selected_point, point_idx, labels{point_idx}}; end end function [subclusters, success] = split_cluster_by_mst(points, indices) % 构建簇的MST dist_matrix = pdist2(points, points); G = graph(dist_matrix, 'upper'); T = minspantree(G); % 寻找最长边 [~, max_idx] = max(T.Edges.Weight); edge = T.Edges.EndNodes(max_idx, :); % 移除最长边 T_temp = rmedge(T, edge(1), edge(2)); comp = conncomp(T_temp); % 创建子簇 subclusters = {}; for i = 1:max(comp) sub_indices = indices(comp == i); subclusters{end+1} = sub_indices; end success = true; end function [clusters, merged] = merge_small_clusters(clusters, points, target_k) merged = false; while numel(clusters) > target_k % 计算簇大小和簇间距离 cluster_sizes = cellfun(@numel, clusters); [min_size, min_idx] = min(cluster_sizes); % 找到最近邻簇 min_dist = inf; merge_idx = 0; for j = 1:numel(clusters) if j == min_idx, continue; end dist = min(pdist2(points(clusters{min_idx}, :), points(clusters{j}, :), [], 'all'); if dist < min_dist min_dist = dist; merge_idx = j; end end % 尝试合并簇 merged_cluster = [clusters{min_idx}, clusters{merge_idx}]; merged_points = points(merged_cluster, :); % 检查约束 if numel(merged_cluster) > 1 merged_dist = pdist2(merged_points, merged_points); G_merged = graph(merged_dist, 'upper'); T_merged = minspantree(G_merged); merged_length = sum(T_merged.Edges.Weight); else merged_length = 0; end if merged_length <= 30000 % 合并簇 clusters{min_idx} = merged_cluster; clusters(merge_idx) = []; merged = true; else % 无法合并 break; end end end function [L1, L2, total_cost] = calculate_cost_with_level1_connections(A, primaries, clusters) % 提取一级站坐标 primary_coords = cell2mat(cellfun(@(x) x, primaries(:, 1), 'UniformOutput', false)); % I型管道: 中心站和所有一级站构成的MST all_nodes = [A; primary_coords]; dist_I = pdist2(all_nodes, all_nodes); G_I = graph(dist_I, 'upper'); T_I = minspantree(G_I); L1 = sum(T_I.Edges.Weight); % 米单位 % II型管道: 每个簇的MST长度 L2 = 0; for i = 1:size(primaries, 1) % 获取簇内所有点 (包括一级站) cluster_indices = clusters{i}; cluster_points = points(cluster_indices, :); % 计算簇的MST if size(cluster_points, 1) > 1 cluster_dist = pdist2(cluster_points, cluster_points); G_cluster = graph(cluster_dist, 'upper'); T_cluster = minspantree(G_cluster); cluster_length = sum(T_cluster.Edges.Weight); else cluster_length = 0; end % 检查约束 if cluster_length > 30000 error('簇%d违反长度约束: %.2fkm > 30km', i, cluster_length/1000); end L2 = L2 + cluster_length; end % 总成本 (米单位) total_cost = 1291 * L1 + 445 * L2; end function visualize_solution(A, points, primaries, clusters, k, cost) % ... (与之前相同的可视化代码) % 添加一级站间连接的绘制 primary_coords = cell2mat(cellfun(@(x) x, primaries(:, 1), 'UniformOutput', false)); all_nodes = [A; primary_coords]; dist_I = pdist2(all_nodes, all_nodes); G_I = graph(dist_I, 'upper'); T_I = minspantree(G_I); % 绘制一级站间连接 for j = 1:size(T_I.Edges, 1) edge = T_I.Edges.EndNodes(j, :); if edge(1) == 1 || edge(2) == 1 % 跳过中心站的连接 continue; end idx1 = edge(1)-1; % 调整索引 (第一个节点是中心站) idx2 = edge(2)-1; p1 = primaries{idx1, 1}; p2 = primaries{idx2, 1}; plot([p1(1), p2(1)], [p1(2), p2(2)], ... 'b-', 'LineWidth', 2.0, 'Color', [0, 0.5, 0]); end % 更新图例 h6 = plot(nan, nan, 'b-', 'Color', [0, 0.5, 0], 'LineWidth', 2.0); legend_items = [legend_items, {'一级站间连接'}]; legend([h1, h2, h3, h4, h5, h6], legend_items, 'Location', 'Best'); end % 其他辅助函数 (load_data, estimate_k_range) 保持变,帮我优化这个代码,同时帮我看一下,如何能够让这个K在合理的范围内最小
最新发布
07-20
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值