AI智能体算法工程师简历参考：企业级Agent与RAG实战

AI智能体算法工程师是人工智能行业中专注于智能体（Agent）设计与落地的算法岗位，核心是让大模型在真实业务中自主完成复杂任务。岗位通常服务于企业级场景，如内部知识库、客服、运维等，需要将模型能力与业务工具、数据流程深度结合。

适合具备NLP或大模型应用经验、熟悉RAG和工具调用、对工程落地有热情的算法工程师，也适合有后端开发背景并转向AI应用方向的技术人员。

岗位主要职责包括设计Agent的整体链路，从用户输入到意图识别、任务规划、工具选择、结果生成与校验，并确保系统稳定可控。工作流程通常涉及需求分析、方案设计、模型微调或Prompt优化、RAG管道搭建、评测与灰度上线。

典型流程为：业务需求梳理 -> 设计Agent架构 -> 开发工具接口与Schema -> 实现RAG检索与重排 -> 构建离线评测集 -> 线上灰度与监控 -> 持续迭代。

常见业务场景包括企业知识库问答、智能客服、合同审查、运维工单处理等。项目类型多为多工具调用的Agent系统，需要处理大量内部文档和业务系统集成。

例如，一个知识库智能体需要接入多个只读业务工具，支持用户查询制度、提交工单、获取数据，并确保答案有据可查。

核心技能包括Python编程、PyTorch/Transformers框架、大模型应用开发（如Qwen/DeepSeek）、LangGraph/LlamaIndex等Agent编排工具，以及向量数据库和混合检索技术。

还需掌握Prompt工程、工具协议设计（如OpenAPI Schema）、RAG优化（切片、重排、引用追踪）和评测体系构建。

招聘方通常关注候选人的NLP基础、大模型应用经验、Agent项目落地案例，以及工程化能力，如评测体系、线上监控和问题定位。

常见要求包括：熟悉RAG和工具调用，有实际Agent项目经验，能设计可观测的链路，并具备良好的团队协作和业务理解能力。

下面整理了AI智能体算法工程师岗位求职中常见的搜索问题，方便快速了解职责、业务场景、技能要求和面试关注点。

Agent开发常用工具包括LangChain/LangGraph、LlamaIndex、Dify等编排框架，以及vLLM等推理加速平台。向量数据库如Milvus、FAISS、Chroma用于存储和检索文档。

模型方面常用开源大模型如Qwen、DeepSeek，以及闭源API。Prompt工程和工具Schema设计是日常重要工作。

AI智能体是当前人工智能应用的热点方向，企业级Agent需求快速增长，从简单问答向复杂任务执行演进。多模态、长上下文和自主规划能力将成为未来重点。

职业发展路径可从算法工程师向Agent架构师或技术专家方向成长，也可转向产品化或团队管理。持续关注开源社区和前沿论文是保持竞争力的关键。