互联网AI应用工程师（RAG方向）3-5年
互联网AI应用工程师（RAG方向）简历案例与写作指南
4 年 AI 工程经验，专注企业知识库 RAG 与 Agent 编排，主导混合检索与评测体系，幻觉率下降 60%。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
案例按"平台建设—评测驱动—Agent 演进"组织：先用 RAG 平台证明工程落地能力，再用评测体系证明科学方法论，最后以 Agent 编排展示方向延展性。
RAG 岗位面试最怕只谈概念，案例每条经历都绑定召回率、幻觉率、采纳率等指标，并强调成本与延迟权衡，用可复现的评测结果证明新兴岗位的能力成熟度。
工作经历写法
AI 应用工程师（RAG 方向）
2024.06 - 至今某上市科技公司
- 负责企业知识库问答产品检索链路，服务内部 3 万员工，日均问答 1.2 万次
- 主导混合检索改造，BM25 与向量双路召回加 Cross-Encoder 重排，Top5 召回率从 71% 提升至 89%
- 建立幻觉率与引用准确率评测集，上线引用溯源功能后幻觉率从 23% 降至 8%
后端工程师（AI 方向）
2022.07 - 2024.05某互联网公司
- 负责内容中台搜索服务开发，参与倒排索引与向量索引双引擎架构迁移，查询延迟下降 30%
- 搭建文档解析与切分预处理管线，日处理 PDF、Word 等文档 5 万份，解析成功率 99.2%
- 参与智能客服语义匹配模块，意图识别准确率提升 11 个百分点，人工转接率下降 18%
项目经历怎么取舍
选取知识库 RAG 平台、评测体系、Agent 编排三个项目：分别证明检索工程能力、评测方法论与编排扩展能力，覆盖 RAG 岗位考察的三大核心问题，且每个指标都有评测集可复现。
企业知识库 RAG 平台
2024.07 - 2025.05检索链路负责人
- 设计版式感知的文档解析与层次化切分方案，表格与图片走独立抽取通道，语义完整率提升 25%
- 落地 BM25 与向量混合检索加重排方案，端到端检索延迟控制在 800ms 以内
- 平台覆盖研发、HR、财务等 6 大知识域，周活跃用户占比 65%，问题一次解决率 81%
RAG 效果评测体系建设
2025.06 - 2026.02评测负责人
- 构建含 3200 条样本的分层评测集，覆盖召回率、忠实度、幻觉率与拒答能力 4 类指标
- 开发自动化回归流水线，模型或检索参数变更后 2 小时内输出评测报告
- 以评测驱动 3 轮迭代，回答采纳率从 62% 提升至 85%，幻觉率再降 5 个百分点
智能问答 Agent 编排
2025.09 - 至今核心开发
- 基于函数调用实现知识检索、工单创建与数据查询三类工具编排，支持多轮任务规划
- 设计会话记忆压缩策略，长对话场景 token 消耗下降 40%，多轮任务完成率提升 16%
- 通过意图分流与缓存复用，单次问答平均成本下降 35%，P95 响应时间从 4.2s 降至 2.1s
常见问题
这份AI应用工程师（RAG方向）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AI应用工程师（RAG方向）直接相关的经历、成果和关键词。