互联网大模型应用开发1-3年
大模型应用开发工程师简历案例与写作指南
2 年 LLM 应用研发经验，覆盖 RAG 检索增强、Agent 编排与 Prompt 工程落地。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
这份案例围绕“RAG 检索增强、Agent 编排与工程化落地”组织内容，突出从效果指标到成本指标的完整交付，而非堆砌模型名词。
大模型岗位简历常见问题是只写 demo 经验，这里强调评测体系、网关治理等生产环节，证明方案真正运行在线上环境。
工作经历写法
LLM 应用工程师
2024.07 - 至今某 AI 创业公司
- 负责智能客服与知识库问答产品的大模型应用研发，覆盖 RAG 检索链路设计与 Agent 工作流编排
- 主导检索增强全链路优化：文档切分、向量化、多路召回与重排，持续迭代问答效果
- 搭建 LLM 网关与评测看板，统一管理多模型调用、成本监控与版本效果回归
NLP 算法实习生
2023.06 - 2024.05某互联网公司
- 参与文本分类与意图识别模型训练，完成数据清洗、标注规范制定与 badcase 归因分析
- 基于 BERT 系列模型完成小样本意图识别任务，辅助智能工单预分类功能上线
项目经历怎么取舍
保留智能客服 RAG、Agent 编排与 LLM 网关三个项目：分别对应检索效果、复杂任务自动化与工程治理能力，覆盖 LLM 应用岗位最常见的三类考察场景。
智能客服 RAG 问答系统
2024.09 - 2025.06核心开发
- 基于 LangChain 与 Milvus 搭建知识库问答链路，支持多格式文档解析与增量索引更新
- 设计“向量召回 + BM25 + 重排模型”多路检索策略，配合查询改写解决口语化提问命中率低的问题
- 上线后问答准确率从 71% 提升至 89%，人工客服转接率从 35% 降至 18%
Agent 工作流编排平台
2025.07 - 2026.02核心开发
- 基于 Function Calling 与 MCP 协议实现工具调用层，打通工单、订单与内部知识系统
- 设计多步骤任务编排与失败重试机制，支持查订单、改地址、退换货等复合意图的自动处理
- 客服场景 Agent 任务自动完成率达到 76%，复杂工单平均处理时长缩短 55%
LLM 网关与评测体系
2026.03 - 2026.07独立负责
- 统一网关接入多个大模型服务，支持按场景路由到不同规格模型与 vLLM 推理集群
- 建立覆盖准确率、引用正确性、延迟与成本的自动化评测集，每次版本迭代前执行回归
- 通过语义缓存与小模型前置路由，单会话平均推理成本下降 46%，P95 响应稳定在 3 秒内
常见问题
这份大模型应用开发简历适合什么经验阶段？
案例按1-3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，优先保留与大模型应用开发直接相关的经历、成果和关键词。