RAG开发工程师简历范文（社招）

工作经历要突出你在RAG pipeline中负责的具体环节，避免写“参与AI项目开发”这种泛泛表述。

• 举例：基于LangChain构建企业文档问答系统，设计文档分块策略（chunk size 512，overlap 64），使用OpenAI Embedding + FAISS实现Top-K检索，将回答准确率从68%提升至82%。
• 如果做过检索性能优化，可以写：针对50万级文档库，通过缓存高频查询、调整IVF参数将平均检索延迟从600ms降至120ms。
• 如果涉及模型调试，可写：针对领域术语，使用few-shot prompt优化生成结果，使得技术问答准确率提高15%。

项目经历可以独立写，重点描述你的技术选型、实施细节和效果数据。

• 可参考句式：负责xx知识库的RAG系统搭建，使用LangChain串联分块、Embedding（text-embedding-ada-002）、Chroma检索和GPT-4生成，实现用户问题实时问答，单条响应≤2s。
• 如果项目有对比基线，写清楚：相比传统BM25检索，RAG方案召回率从45%提升至78%，用户满意度评分提高30%。
• 涉及开源模型时可写：部署vLLM服务，使用Qwen2-7B作为生成模型，结合本地知识库实现离线RAG，节省API调用成本约60%。

下面这些句式适合改写到自己的简历中，替换为真实技术细节和结果数据。

• 负责企业智能问答系统的RAG pipeline设计与开发，使用LangChain+FAISS实现百万级文档的快速检索，将检索平均准确率提升至85%。
• 针对低资源场景，设计基于Chunk Overlap和Query Rewrite的检索优化方案，使复杂问题的首答案命中率提高22%。
• 部署基于vLLM的开源模型（Qwen2-7B），结合本地知识库实现离线RAG问答，相比纯API方案降低延迟40%，节省成本55%。
• 参与构建基于GraphRAG的供应链知识图谱问答系统，使用Neo4j+OpenAI Embedding实现实体关联检索，支撑日均3000+查询。

关键词建议按“框架/工具→数据库→模型→评估指标”分类，并和项目经历形成对应关系。

• 检索增强生成框架：LangChain、LlamaIndex、Haystack、RAGFlow。
• 向量数据库与搜索引擎：FAISS、Chroma、Milvus、Elasticsearch、Pinecone。
• 语言模型与部署：GPT-4、Claude、Qwen、vLLM、Ollama、Transformers。
• 评估指标：Recall@K、MRR、平均响应时间、首答案命中率、用户满意度。