AI Agent 项目简历撰写指南 ​

在 [场景与规模] 下，为 [目标指标]，采用 [方案 A + 关键技术名]，[你本人主导的动作]，最终实现 [量化结果 / 明确对比]。

在 [场景与规模] 下，为 [目标指标]，采用 [方案 A + 关键技术名]，[你本人主导的动作]，最终实现 [量化结果 / 明确对比]。

差：负责 RAG 模块，使用了向量数据库。
好：在日均 1 万+ 问答请求的内部知识库场景下，为降低幻觉与尾延迟，采用混合检索（向量 + BM25）+ Cross-Encoder 重排，并落地 Redis 热点缓存与批量向量化配置，将 P95 端到端延迟从 800ms 降至 320ms，人工抽检回答准确率从 72% 提升至 86%。

差：负责 RAG 模块，使用了向量数据库。
好：在日均 1 万+ 问答请求的内部知识库场景下，为降低幻觉与尾延迟，采用混合检索（向量 + BM25）+ Cross-Encoder 重排，并落地 Redis 热点缓存与批量向量化配置，将 P95 端到端延迟从 800ms 降至 320ms，人工抽检回答准确率从 72% 提升至 86%。

浅：熟悉 RAG 与 Agent 开发。
深：针对多跳问答中「检索漂移」问题，对比仅向量检索与 HyDE + 混合检索，在业务测试集上选择后者，Recall@5 从 0.58 提升至 0.81，并记录失败样本用于周度迭代。

浅：熟悉 RAG 与 Agent 开发。
深：针对多跳问答中「检索漂移」问题，对比仅向量检索与 HyDE + 混合检索，在业务测试集上选择后者，Recall@5 从 0.58 提升至 0.81，并记录失败样本用于周度迭代。

语言与运行时：Python 3.11+（类型注解 / asyncio）
Web 与 API：FastAPI、Uvicorn、Pydantic v2
Agent 与编排：LangChain、LangGraph（或 AutoGen、自研状态机）
模型与网关：OpenAI 兼容 API、vLLM / Ollama（按需）、提示词与工具 Schema 治理
检索与向量：Milvus / Qdrant / Weaviate（三选一写实）、Elasticsearch（BM25）、混合检索、bge-reranker 等重排模型
数据与缓存：PostgreSQL、Redis（会话 / 缓存 / 限流计数）
异步与消息（如有）：Celery、Kafka、RabbitMQ
可观测：OpenTelemetry、LangSmith 或 Langfuse、结构化日志
部署与工程：Docker、Kubernetes、GitHub Actions / GitLab CI

语言与运行时：Python 3.11+（类型注解 / asyncio）
Web 与 API：FastAPI、Uvicorn、Pydantic v2
Agent 与编排：LangChain、LangGraph（或 AutoGen、自研状态机）
模型与网关：OpenAI 兼容 API、vLLM / Ollama（按需）、提示词与工具 Schema 治理
检索与向量：Milvus / Qdrant / Weaviate（三选一写实）、Elasticsearch（BM25）、混合检索、bge-reranker 等重排模型
数据与缓存：PostgreSQL、Redis（会话 / 缓存 / 限流计数）
异步与消息（如有）：Celery、Kafka、RabbitMQ
可观测：OpenTelemetry、LangSmith 或 Langfuse、结构化日志
部署与工程：Docker、Kubernetes、GitHub Actions / GitLab CI

Python · FastAPI · LangGraph · RAG（Milvus + ES 混合检索）· Redis · PostgreSQL · Docker · OTel

Python · FastAPI · LangGraph · RAG（Milvus + ES 混合检索）· Redis · PostgreSQL · Docker · OTel

个人项目：完整链路在本地/云主机跑通，使用自建评测集与离线指标（无线上流量数据）。

个人项目：完整链路在本地/云主机跑通，使用自建评测集与离线指标（无线上流量数据）。

语言：Java 17+（Record、虚拟线程按实写）
框架：Spring Boot 3、Spring WebFlux 或 Spring MVC
集成与韧性：OpenFeign、Resilience4j（熔断 / 限流 / 重试）
检索：Elasticsearch Java API、Milvus/Qdrant 客户端（或 HTTP 调用向量服务）
数据：Spring Data JPA / MyBatis、PostgreSQL、Redis（Lettuce）
消息：Kafka / RocketMQ（如有）
可观测：Micrometer、Prometheus、Grafana
构建与部署：Maven / Gradle、Docker、Kubernetes

语言：Java 17+（Record、虚拟线程按实写）
框架：Spring Boot 3、Spring WebFlux 或 Spring MVC
集成与韧性：OpenFeign、Resilience4j（熔断 / 限流 / 重试）
检索：Elasticsearch Java API、Milvus/Qdrant 客户端（或 HTTP 调用向量服务）
数据：Spring Data JPA / MyBatis、PostgreSQL、Redis（Lettuce）
消息：Kafka / RocketMQ（如有）
可观测：Micrometer、Prometheus、Grafana
构建与部署：Maven / Gradle、Docker、Kubernetes

Java 侧负责会话、鉴权、网关、B 端编排与检索结果合并；Python 侧负责 LangGraph 与重模型推理（如实调整）。

Java 侧负责会话、鉴权、网关、B 端编排与检索结果合并；Python 侧负责 LangGraph 与重模型推理（如实调整）。

Java 17 · Spring Boot 3 · WebFlux/SSE · OpenFeign · Resilience4j · Elasticsearch · Redis · PostgreSQL · K8s

Java 17 · Spring Boot 3 · WebFlux/SSE · OpenFeign · Resilience4j · Elasticsearch · Redis · PostgreSQL · K8s

语言：Go 1.22+
Web 与 RPC：Gin / Fiber / Echo、gRPC、protobuf
Agent 相关：高性能 LLM 代理、流式 chunk 转发、工具执行器、连接池与背压
检索与存储：Redis（go-redis）、PostgreSQL（pgx）、Elasticsearch 客户端
可观测：OpenTelemetry Go、Prometheus、Grafana、zap / slog 日志
部署：Docker、Kubernetes、健康检查与优雅退出

语言：Go 1.22+
Web 与 RPC：Gin / Fiber / Echo、gRPC、protobuf
Agent 相关：高性能 LLM 代理、流式 chunk 转发、工具执行器、连接池与背压
检索与存储：Redis（go-redis）、PostgreSQL（pgx）、Elasticsearch 客户端
可观测：OpenTelemetry Go、Prometheus、Grafana、zap / slog 日志
部署：Docker、Kubernetes、健康检查与优雅退出

Go · Gin · gRPC · LLM 网关与流式代理 · Redis · PostgreSQL · OTel · Prometheus · K8s

Go · Gin · gRPC · LLM 网关与流式代理 · Redis · PostgreSQL · OTel · Prometheus · K8s

项目名称：企业级 AI Agent 智能助手平台

项目描述：
基于大模型的企业级智能客服与知识助手系统，支持多轮对话、知识库检索、工具调用与人工兜底；
面向内部员工或外部客户，对接企业文档与工单系统，满足合规与审计要求。

技术栈：
Python, FastAPI, LangChain, LangGraph, Milvus, Redis, PostgreSQL

核心职责：
1. 设计并实现 Agent 多步编排与状态持久化，支持工具失败重试与人工介入节点，日均稳定处理 X 万轮对话。
2. 搭建 RAG 流水线：文档解析、分块、向量化与增量更新，并实现混合检索 + 重排序，将 Top-5 命中率从 X% 提升至 Y%。
3. 落地会话级记忆与业务记忆分层策略，结合 Redis TTL 与 PostgreSQL 归档，将会话上下文成本降低约 Z%。
4. 与模型网关联调流式输出与限流熔断，将端到端 P95 延迟控制在 X ms 内。

技术亮点：
1. 使用 LangGraph（或自研状态机）显式建模「规划 → 工具 → 反思 → 输出」，配置循环与步数上限，避免无限 ReAct。
2. RAG 侧采用「向量 + 关键词」混合检索与 Cross-Encoder 重排，对 PDF 表格与 FAQ 做结构化解析与路由。
3. 建立评测集与线上 bad case 回流机制，固定节奏发布提示词与检索参数版本。

项目成果：
- 响应准确率（人工抽检）从 XX% 提升至 XX%。
- P95 检索延迟从 XX ms 降至 XX ms；核心接口可用性达 XX%。
- 工具调用成功率从 XX% 提升至 XX%；平均对话轮次 X 轮，用户满意度 X/5。

项目名称：企业级 AI Agent 智能助手平台

项目描述：
基于大模型的企业级智能客服与知识助手系统，支持多轮对话、知识库检索、工具调用与人工兜底；
面向内部员工或外部客户，对接企业文档与工单系统，满足合规与审计要求。

技术栈：
Python, FastAPI, LangChain, LangGraph, Milvus, Redis, PostgreSQL

核心职责：
1. 设计并实现 Agent 多步编排与状态持久化，支持工具失败重试与人工介入节点，日均稳定处理 X 万轮对话。
2. 搭建 RAG 流水线：文档解析、分块、向量化与增量更新，并实现混合检索 + 重排序，将 Top-5 命中率从 X% 提升至 Y%。
3. 落地会话级记忆与业务记忆分层策略，结合 Redis TTL 与 PostgreSQL 归档，将会话上下文成本降低约 Z%。
4. 与模型网关联调流式输出与限流熔断，将端到端 P95 延迟控制在 X ms 内。

技术亮点：
1. 使用 LangGraph（或自研状态机）显式建模「规划 → 工具 → 反思 → 输出」，配置循环与步数上限，避免无限 ReAct。
2. RAG 侧采用「向量 + 关键词」混合检索与 Cross-Encoder 重排，对 PDF 表格与 FAQ 做结构化解析与路由。
3. 建立评测集与线上 bad case 回流机制，固定节奏发布提示词与检索参数版本。

项目成果：
- 响应准确率（人工抽检）从 XX% 提升至 XX%。
- P95 检索延迟从 XX ms 降至 XX ms；核心接口可用性达 XX%。
- 工具调用成功率从 XX% 提升至 XX%；平均对话轮次 X 轮，用户满意度 X/5。

项目名称：企业级智能问答与 Agent 编排服务平台

项目描述：
基于 Spring Boot 的企业级 LLM 应用平台，提供同步/流式问答、会话管理、工具编排及与企业 SSO、审计日志集成；
检索层对接 Elasticsearch 与向量检索服务，支撑知识库与工单检索场景。

技术栈：
Java 17, Spring Boot 3, Spring WebFlux, OpenFeign, Resilience4j, Elasticsearch, Redis, PostgreSQL, Kafka（可选）

核心职责：
1. 设计并实现模型网关调用层：流式 SSE、超时重试、熔断与配额，保障大促期间核心链路可用性达 X%。
2. 封装工具执行与权限校验（角色、数据域），与内部 CRM/工单 API 集成；工具失败时降级为纯 RAG 回答。
3. 主导检索策略在 Java 侧的编排：查询改写请求发送、结果合并与重排结果融合，将业务相关问题的 Top-3 命中率提升 X%。
4. 使用 Micrometer + Prometheus 搭建核心指标大盘，缩短平均故障定位时间。

技术亮点：
1. WebFlux + SSE 实现低延迟流式体验，线程池隔离与背压策略避免阻塞扩大。
2. Resilience4j 实现按租户限流与多模型供应商切换，单点故障时自动降级备用模型。
3. 与向量/Agent 服务通过 gRPC/HTTP 明确契约与 SLA，前后端链路 Trace ID 贯通。

项目成果：
- 流式首字延迟（TTFT）P95 从 XX ms 降至 XX ms。
- 生产环境重大事故从 X 次/季度降至 0；检索相关客诉下降 XX%。
- 日均请求量 X 万，峰值 QPS X，错误率 < X%。

项目名称：企业级智能问答与 Agent 编排服务平台

项目描述：
基于 Spring Boot 的企业级 LLM 应用平台，提供同步/流式问答、会话管理、工具编排及与企业 SSO、审计日志集成；
检索层对接 Elasticsearch 与向量检索服务，支撑知识库与工单检索场景。

技术栈：
Java 17, Spring Boot 3, Spring WebFlux, OpenFeign, Resilience4j, Elasticsearch, Redis, PostgreSQL, Kafka（可选）

核心职责：
1. 设计并实现模型网关调用层：流式 SSE、超时重试、熔断与配额，保障大促期间核心链路可用性达 X%。
2. 封装工具执行与权限校验（角色、数据域），与内部 CRM/工单 API 集成；工具失败时降级为纯 RAG 回答。
3. 主导检索策略在 Java 侧的编排：查询改写请求发送、结果合并与重排结果融合，将业务相关问题的 Top-3 命中率提升 X%。
4. 使用 Micrometer + Prometheus 搭建核心指标大盘，缩短平均故障定位时间。

技术亮点：
1. WebFlux + SSE 实现低延迟流式体验，线程池隔离与背压策略避免阻塞扩大。
2. Resilience4j 实现按租户限流与多模型供应商切换，单点故障时自动降级备用模型。
3. 与向量/Agent 服务通过 gRPC/HTTP 明确契约与 SLA，前后端链路 Trace ID 贯通。

项目成果：
- 流式首字延迟（TTFT）P95 从 XX ms 降至 XX ms。
- 生产环境重大事故从 X 次/季度降至 0；检索相关客诉下降 XX%。
- 日均请求量 X 万，峰值 QPS X，错误率 < X%。

项目名称：高并发 LLM 网关与 Agent 执行引擎

项目描述：
面向高 QPS 场景的 LLM 代理与工具执行服务，负责请求路由、流式转发、计费与限流；
下游对接多家模型供应商与自托管推理集群，上游对接业务方与统一鉴权。

技术栈：
Go, Gin（或 Fiber）, gRPC, Redis, PostgreSQL, OpenTelemetry, Prometheus, Kubernetes

核心职责：
1. 实现高性能流式代理：chunk 转发、连接复用、优雅关闭，单机压测支撑 X k QPS（写明环境）。
2. 设计工具执行沙箱与超时控制，隔离用户输入与下游 HTTP 调用，降低 SSRF 与资源耗尽风险。
3. 基于 Redis 的令牌桶与滑动窗口限流，按租户与模型维度配额，保障核心客户 SLA。
4. 全链路 Trace ID 贯通网关、工具与向量检索，可观测数据在 P95 X ms 内完成上报。

技术亮点：
1. 连接池与内存分配优化，降低 GC 压力与尾延迟。
2. 多模型路由策略：成本优先 / 延迟优先 / 质量优先可配置，失败自动切换。
3. 与 Python Agent 编排服务职责分离：Go 负责 IO 密集与网关，复杂编排走独立服务（按实写）。

项目成果：
- 网关层 P99 延迟 XX ms；错误率 X%。
- 通过限流与路由优化，模型调用成本下降约 XX%。
- 支撑 X 个租户、日均 X 亿 token（或日均 X 万次请求）。

项目名称：高并发 LLM 网关与 Agent 执行引擎

项目描述：
面向高 QPS 场景的 LLM 代理与工具执行服务，负责请求路由、流式转发、计费与限流；
下游对接多家模型供应商与自托管推理集群，上游对接业务方与统一鉴权。

技术栈：
Go, Gin（或 Fiber）, gRPC, Redis, PostgreSQL, OpenTelemetry, Prometheus, Kubernetes

核心职责：
1. 实现高性能流式代理：chunk 转发、连接复用、优雅关闭，单机压测支撑 X k QPS（写明环境）。
2. 设计工具执行沙箱与超时控制，隔离用户输入与下游 HTTP 调用，降低 SSRF 与资源耗尽风险。
3. 基于 Redis 的令牌桶与滑动窗口限流，按租户与模型维度配额，保障核心客户 SLA。
4. 全链路 Trace ID 贯通网关、工具与向量检索，可观测数据在 P95 X ms 内完成上报。

技术亮点：
1. 连接池与内存分配优化，降低 GC 压力与尾延迟。
2. 多模型路由策略：成本优先 / 延迟优先 / 质量优先可配置，失败自动切换。
3. 与 Python Agent 编排服务职责分离：Go 负责 IO 密集与网关，复杂编排走独立服务（按实写）。

项目成果：
- 网关层 P99 延迟 XX ms；错误率 X%。
- 通过限流与路由优化，模型调用成本下降约 XX%。
- 支撑 X 个租户、日均 X 亿 token（或日均 X 万次请求）。

编程语言：Python（主力）、SQL、Shell
Agent 与 LLM：LangChain、LangGraph、提示词工程、工具调用（OpenAPI/JSON Schema）、简单评测与 bad case 分析
检索与 RAG：Milvus、Elasticsearch、混合检索、重排序、Embedding 模型选型与切块实验
后端：FastAPI、异步 IO、REST/SSE、鉴权与多租户（按实写）
数据：PostgreSQL、Redis、缓存与一致性经验（按实写）
工程化：Docker、CI/CD、单元测试/集成测试、基础 K8s
其他：英语读写（CET-6）、技术博客/开源（如有）

编程语言：Python（主力）、SQL、Shell
Agent 与 LLM：LangChain、LangGraph、提示词工程、工具调用（OpenAPI/JSON Schema）、简单评测与 bad case 分析
检索与 RAG：Milvus、Elasticsearch、混合检索、重排序、Embedding 模型选型与切块实验
后端：FastAPI、异步 IO、REST/SSE、鉴权与多租户（按实写）
数据：PostgreSQL、Redis、缓存与一致性经验（按实写）
工程化：Docker、CI/CD、单元测试/集成测试、基础 K8s
其他：英语读写（CET-6）、技术博客/开源（如有）

应届，在校期间完成基于 LangChain 的 RAG 问答项目：实现文档解析、Milvus 索引与混合检索；
在自建 200 条问答集上 F1 达 0.78，代码与实验记录已开源于 GitHub（可附链接）。

应届，在校期间完成基于 LangChain 的 RAG 问答项目：实现文档解析、Milvus 索引与混合检索；
在自建 200 条问答集上 F1 达 0.78，代码与实验记录已开源于 GitHub（可附链接）。

2 年后端经验，近 1 年聚焦 LLM 应用：独立负责检索与评测闭环，推动混合检索与重排上线，
核心业务场景 Top-3 命中率提升 15%，P95 延迟下降 40%。

2 年后端经验，近 1 年聚焦 LLM 应用：独立负责检索与评测闭环，推动混合检索与重排上线，
核心业务场景 Top-3 命中率提升 15%，P95 延迟下降 40%。

X 年 Java 后端，系统学习 LLM 应用开发并完成生产级 RAG 项目：
负责 Spring 侧网关与检索编排对接，流式链路 P95 达标；自学 Python 评测脚本与提示词迭代，离线指标与线上一致性按月对齐。

X 年 Java 后端，系统学习 LLM 应用开发并完成生产级 RAG 项目：
负责 Spring 侧网关与检索编排对接，流式链路 P95 达标；自学 Python 评测脚本与提示词迭代，离线指标与线上一致性按月对齐。