互联网知识图谱算法工程师3-5年
互联网知识图谱算法简历案例与写作指南
4 年知识图谱经验，深耕实体与关系抽取、图谱存储查询优化、搜索推荐落地及 GraphRAG 应用。下面展示完整简历，并拆解适合复用的内容结构。
案例内容已做脱敏或示例化处理，仅供结构与表达参考。
这份案例怎么写
这份案例按图谱技术链路组织：抽取段解决数据从哪来，大厂段解决图谱怎么存、怎么用，项目覆盖抽取建模、GraphRAG 与存储优化三环，呈现"构建-存储-应用"的完整视角。
成果统一用业务可感知口径表达：问答准确率、卡片覆盖率、查询耗时与人均时长，并写出与大模型结合的新方向，帮助面试官快速定位候选人的技术纵深。
工作经历写法
知识图谱算法工程师
2024.06 - 至今某大厂
- 负责亿级实体知识图谱构建与更新，实体链接准确率达 94%，图谱日增量更新覆盖 300 万实体
- 主导 GraphRAG 检索增强问答上线，实体子图召回替代纯向量召回，问答准确率提升 11%，幻觉率下降 30%
- 推动图谱推理特征接入推荐系统，图谱+序列双路召回上线，人均使用时长提升 4.5%
NLP 算法工程师（信息抽取方向）
2022.07 - 2024.05某互联网公司
- 负责实体抽取与关系抽取模型迭代，从 BERT 序列标注升级为联合抽取架构，F1 提升 6.2 个百分点
- 建设远程监督标注流水线，人工标注量减少 70%，日均处理文档 500 万篇
- 支持搜索知识卡片数据供给，卡片覆盖率从 38% 提升到 67%，卡片点击率提升 15%
项目经历怎么取舍
选取 GraphRAG 问答、联合抽取建模、存储查询优化三个项目：分别证明前沿应用能力、信息抽取功底与工程优化能力，对应图谱岗位必问的构建、应用与性能问题，数字来自线上与离线评测集。
GraphRAG 检索增强问答系统
2024.08 - 2025.09算法负责人
- 设计实体子图召回与文本向量双路检索架构，结合大模型做子图推理与答案生成，证据链可追溯
- 问答准确率较纯向量 RAG 提升 11%，幻觉率下降 30%，在客服与搜索两个场景规模化落地
实体与关系抽取联合建模
2022.09 - 2023.11核心开发
- 落地全局指针实体抽取与级联指针关系抽取的联合框架，抽取 F1 提升 6.2 个百分点
- 结合远程监督与主动学习降低标注成本，人工标注量减少 70%，支撑日均 500 万篇文档处理
图谱存储与查询性能优化
2025.10 - 至今技术负责人
- 推动存储层迁移为属性图+倒排双存储架构，核心查询 P99 耗时从 220ms 降至 45ms
- 设计图谱分层缓存与增量更新机制，日均更新实体 300 万，存储成本下降 35%
常见问题
这份知识图谱算法工程师简历适合什么经验阶段？
案例按3-5年经验设计，适合作为同阶段求职者的结构和表达参考。
可以直接复制这份简历吗？
可以先复制到编辑器，但必须把公司、项目、数据和技能替换成自己的真实经历。
怎样让案例更匹配目标岗位？
对照目标岗位描述，优先保留与知识图谱算法工程师直接相关的经历、成果和关键词。