--- type: 求职指南 status: 已发布 level: 入门 topic: - 面试求职 - Agent --- # AI Agent 简历编写指南 > 简历不是经历流水账，而是让面试官相信你能从 0 到 1 交付 Agent 系统的证据链。 --- ## 📌 Section Goals（本节目标） - 学会把 AI Agent / RAG / 大模型项目写成可被面试追问的简历亮点。 - 区分算法岗与开发岗的表达重点，避免“一份简历投所有岗位”。 - 用 L1-L4 能力模型组织项目证据：基础认知、开发实现、高级优化、生产工程。 - 掌握一页简历结构、项目 bullet 公式、量化指标写法和常见避坑清单。 - 使用可运行脚本快速检查项目描述是否过于空泛、缺少指标或缺少技术动作。 --- ## 💡 Core Concepts（核心概念） ### 1. 简历的本质：面试入口，而不是个人传记 AI Agent 岗位的简历只需要回答三个问题： 1. **你做过什么真实问题？** 2. **你用了什么 Agent / RAG / LLM 技术解决？** 3. **结果是否能被量化、复现、追问？** 如果一句项目描述不能被追问出架构、数据、指标、取舍，它就不是有效亮点。 ### 2. 面向三类读者写简历 | 读者 | 他们关心什么 | 简历应该怎么写 | |:---|:---|:---| | ATS / AI 筛选 | 关键词匹配 | 明确写出 LangGraph、RAG、MCP、Milvus、FastAPI、评估指标等关键词 | | HR / 招聘 | 岗位匹配、稳定性 | 标题、技能、项目方向要贴 JD，避免过多陌生缩写 | | 技术面试官 | 技术深度、贡献边界 | 每个项目写清楚你的动作、指标、难点和取舍 | ### 3. 1-2-5 框架在简历中的落地 | 框架 | 简历落地方式 | |:---|:---| | 1 个原则 | 从“我学过什么”改成“我做成了什么” | | 2 条轨道 | 算法岗强调实验、模型、指标；开发岗强调系统、稳定性、业务价值 | | 5 步链路 | 简历、投递、模拟面试、Vibe Coding、成果展示要互相支撑 | ### 4. L1-L4 能力模型映射 | 层级 | 简历证据 | 常见写法 | |:---|:---|:---| | L1 基础认知 | 理解 Agent / RAG / LLM 基础 | “掌握 ReAct、Tool Use、向量检索、Function Calling 基础原理” | | L2 开发实现 | 能做出可运行系统 | “基于 LangGraph + FastAPI 实现多工具 Agent 服务” | | L3 高级优化 | 能定位瓶颈并优化 | “通过混合检索 + rerank 将 Recall@5 从 71% 提升到 84%” | | L4 生产工程 | 能上线、监控、降本、容错 | “接入日志追踪、失败重试、成本预算和评估流水线” | --- ## 🔍 Deep Understanding（深入理解） ### 一页简历推荐结构 ```text 姓名 / 电话 / 邮箱 / GitHub / 个人主页 目标岗位：AI Agent 开发工程师 / 大模型算法工程师 教育背景：学校、专业、时间、核心课程或排名 技术栈：按方向分组，不要堆满所有工具 Agent: LangGraph / AutoGen / ReAct / Tool Calling / Memory RAG: Milvus / FAISS / BGE / Reranker / GraphRAG LLM Engineering: vLLM / FastAPI / Docker / LangSmith / Promptfoo 项目经历：2-3 个强项目，每个 4-5 条 bullet 实习 / 科研 / 开源：优先放与目标岗位最贴近的经历 论文 / 博客 / 奖项：只放能增强岗位可信度的内容 ``` ### 项目 bullet 万能公式 ```text 基于【技术栈】在【业务/研究场景】中设计并实现【系统/模块】， 解决【具体问题】，通过【优化动作】将【指标】从 A 提升到 B， 并沉淀【可复用产物/工程能力】。 ``` ### 不同岗位的写法差异 #### 算法岗版本 算法岗强调“问题定义、实验设计、指标提升、创新点”。 ```text 设计面向多跳问答的 Agentic RAG 检索策略，引入 query decomposition + reranker 重排机制，在 300 条自建金融 QA 测试集上将 Recall@5 从 68.3% 提升至 82.7%， 并完成 BM25、Dense Retrieval、GraphRAG 三组 baseline 对比与消融实验。 ``` #### 开发岗版本 开发岗强调“系统落地、稳定性、性能、业务闭环”。 ```text 基于 LangGraph + FastAPI + Milvus 搭建企业知识库 Agent 服务，支持文档解析、 混合检索、工具调用和流式回答；通过缓存、异步队列和失败重试将 P95 响应 时间从 4.8s 降至 1.6s，日均稳定处理 2000+ 次查询。 ``` ### AI Agent 项目应该写出的 7 类证据 | 证据 | 说明 | 示例 | |:---|:---|:---| | 场景 | 为什么要做 | “企业制度文档检索慢，人工客服重复回答” | | 架构 | 系统如何组织 | “Planner、Retriever、Tool Executor、Evaluator 四层架构” | | 数据 | 用什么验证 | “自建 300 条 QA 集，覆盖规章、流程、异常案例” | | 指标 | 怎么衡量成功 | “Recall@5、Faithfulness、P95 延迟、工具调用成功率” | | 优化 | 做了哪些动作 | “混合检索、rerank、缓存、fallback、prompt 压缩” | | 取舍 | 为什么这样设计 | “牺牲部分召回换取低延迟，保障在线体验” | | 复盘 | 还能怎么改 | “下一步接入在线反馈和持续评估集” | ### 常见低质量写法 | 低质量写法 | 问题 | 改法 | |:---|:---|:---| | “熟悉 LangChain，做过 RAG 项目” | 没有场景、动作、指标 | 写出系统、数据集、指标和你的贡献 | | “使用大模型完成智能问答” | 过于泛化 | 写清楚检索、生成、评估、部署链路 | | “提升了系统效果” | 无法验证 | 写 Recall、准确率、延迟、成本、满意度 | | “参与项目开发” | 贡献边界模糊 | 写“负责文档解析模块 / 评估模块 / Agent 状态机” | | “阅读多篇论文” | 不是产出 | 写“复现某方法，并在自建数据集上完成对比实验” | ### 技术栈不要堆，要分组 不推荐： ```text Python、Java、C++、LangChain、LangGraph、AutoGen、CrewAI、PyTorch、TensorFlow、 Milvus、Redis、MySQL、Docker、Kubernetes、Vue、React、Linux... ``` 推荐： ```text Agent 开发：LangGraph、ReAct、Function Calling、Tool Registry、Memory RAG 系统：Milvus、FAISS、BGE Embedding、Reranker、GraphRAG 工程部署：FastAPI、Docker、Redis、异步任务、日志监控 模型训练：PyTorch、LoRA、SFT、DPO、评估集构建 ``` ### 三个可直接套用的项目模板 #### 模板 1：RAG / 知识库 Agent ```text 项目：企业级知识库 RAG Agent - 基于 FastAPI + Milvus + BGE + LangGraph 实现企业知识库问答系统，覆盖文档解析、 混合检索、rerank、引用溯源和多轮追问。 - 构建 300 条业务 QA 评估集，使用 Recall@5、Faithfulness、Answer Relevance 评估效果，将正确引用率从 72% 提升至 88%。 - 设计检索失败 fallback、敏感词拦截和日志追踪机制，降低幻觉回答比例并提升可排查性。 - 将项目沉淀为 Docker Compose 一键启动 Demo，并编写算法岗/开发岗两版项目讲解稿。 ``` #### 模板 2：Multi-Agent 协作系统 ```text 项目：旅行规划 Multi-Agent 系统 - 基于 LangGraph 设计 Planner、Researcher、Budgeter、Critic 四类 Agent， 支持用户偏好解析、景点检索、预算约束和行程反思。 - 引入状态机和任务队列控制 Agent 协作顺序，解决循环调用和上下文膨胀问题。 - 使用 50 个真实旅行需求构建评估集，从可执行性、预算一致性、用户偏好覆盖率 三个维度评估规划质量。 - 接入工具调用日志和失败重试机制，将工具调用成功率提升到 94%。 ``` #### 模板 3：Agent 评估 / Harness ```text 项目：Agent 自动化评估 Harness - 设计面向工具调用 Agent 的离线评估流水线，支持测试集管理、LLM-as-Judge、 规则评分和回归对比。 - 将任务完成率、工具调用正确率、平均成本和 P95 延迟纳入统一报告，支持 PR 前自动检查。 - 对比 Promptfoo、LangSmith、Braintrust 的适用场景，最终选择轻量自研脚本满足课程项目验证。 - 通过持续评估发现 3 类高频失败：工具参数错误、上下文污染、拒答边界不稳定。 ``` --- ## 💻 Code Examples（代码示例） ### 环境说明 - Python 版本：Python 3.10+ - 依赖：仅使用标准库 - `requirements.txt`：见 `docs/04-interview/examples/requirements.txt` ### 运行方式 ```bash cd AgentGuide python docs/04-interview/examples/resume_storytelling_check.py --mode resume python docs/04-interview/examples/resume_storytelling_check.py --mode story ``` 这个脚本不会替你写简历，但可以帮你发现三类问题： - 项目 bullet 是否缺少量化指标。 - 是否只写“负责、参与、熟悉”等弱动作。 - 项目讲述是否缺少背景、动作、结果、复盘。 ### 最小输入示例 ```text 基于 LangGraph + FastAPI + Milvus 搭建企业知识库 Agent 服务， 通过混合检索和 rerank 将 Recall@5 从 68% 提升到 84%， 并接入日志追踪、失败重试和评估集回归。 ``` ### 预期输出示例 ```text score: 100 warnings: [] suggestions: - 保留当前写法，面试时准备架构图、评估集构造和失败案例。 ``` --- ## 🎯 Interview Questions（面试中如何考） ### Q1：你这个项目到底是不是自己做的？ 回答思路： 1. 先用 20 秒讲清楚你负责的模块。 2. 再说一个你亲手解决的技术难点。 3. 最后给出指标变化或具体产物。 示例： ```text 我主要负责检索和评估模块。最开始系统直接用向量检索，FAQ 类问题还可以， 但流程类问题经常召回不全。我后来加入 BM25 + dense retrieval 的混合检索， 再用 reranker 做重排，并构建了 300 条业务 QA 测试集，Recall@5 从 68% 提升到 84%。这个结果也暴露出长文档切分粒度的问题，后面我又做了章节级切分。 ``` ### Q2：为什么不用现成平台，比如 Dify / Coze？ 回答思路： - 平台适合快速验证业务流程。 - 自研适合展示底层能力、可控性和可评估性。 - 如果岗位偏开发，可以强调平台集成能力；如果岗位偏算法，可以强调可控实验。 ### Q3：你的指标怎么来的？可信么？ 回答思路： 1. 说明测试集来源。 2. 说明指标定义。 3. 说明人工抽检或失败案例分析。 ```text 测试集来自 50 份真实制度文档和 300 条人工改写问题，覆盖定义类、流程类、 异常处理类问题。指标上我没有只看主观满意度，而是同时看 Recall@5、 引用准确率、答案相关性和人工抽检结果。 ``` ### Q4：简历中最容易被追问的点有哪些？ - 指标提升是否可复现。 - 你的贡献边界是否清晰。 - 为什么选择这个架构或框架。 - 有没有失败案例和迭代记录。 - 如果数据量扩大 10 倍，系统怎么改。 --- ## 📚 Extended Reading（扩展阅读） - [秋招完整攻略](./08-job-hunting-guide.md) - [HR 面试完全攻略](./10-hr-interview.md) - [Agent 系统面试题](./03-agent-questions.md) - [RAG 全流程面试题](./02-rag-questions.md) - [Agent 评估完全指南](../02-tech-stack/agent-evaluation-complete-guide.md) - [Agent Evaluation Harness 完全指南](../02-tech-stack/26-agent-evaluation-harness-guide.md) - [项目讲述技巧](./21-storytelling.md) --- ## ✅ 最终自检清单 提交简历前逐项检查： - 每个项目至少有 1 个量化指标。 - 每个项目都能讲清楚“背景、动作、结果、复盘”。 - 技术栈按方向分组，没有无意义堆关键词。 - 算法岗版本突出实验和指标，开发岗版本突出系统和落地。 - 简历中的每个缩写都能解释清楚。 - GitHub / Demo / 文章链接可以正常访问。 - 一页简历优先，不把空间浪费在无关课程和低相关经历上。