大模型应用工程师简历参考：RAG与Agent工程化实践

大模型应用工程师是连接大语言模型与实际业务场景的关键角色，负责将模型能力封装成可用的产品功能，如智能问答、文档摘要、自动化流程等。该岗位在AI应用公司、互联网企业、传统行业数字化转型部门中都有需求。

适合具有后端开发经验，熟悉Python、API设计，对大模型技术有热情并愿意深入学习的工程师。也适合有算法背景但希望转向工程化落地的求职者。

主要职责包括设计并实现RAG系统、开发Agent工具调用逻辑、优化Prompt、搭建评估体系、保障服务稳定性等。工作流程通常从需求分析开始，经过技术方案设计、开发实现、测试评估、部署上线，再到持续监控和迭代优化。

需要与算法工程师协作确定模型选型，与业务方沟通需求，与运维团队配合部署，形成闭环。

• 设计文档解析、切片、向量索引、召回重排等RAG链路
• 开发Agent工具调用协议，实现自动分诊、工单创建等功能
• 配置日志、限流、灰度发布、成本统计等工程化能力

常见项目包括企业知识库问答、智能客服助手、工单自动处理、文档摘要生成等。例如，在制造业中，构建设备维修知识库，帮助售后人员快速定位问题；在金融行业，实现合规文档的智能检索。

这些场景通常涉及大量非结构化文档，需要处理格式多样性、权限控制、引用溯源等问题。

需要掌握Python、FastAPI等后端开发技术，熟悉LangChain、LlamaIndex等大模型应用框架，了解向量数据库（如Milvus、FAISS）的使用和优化。

同时，需要具备Prompt工程、模型评估、性能调优等能力，并了解基本的机器学习概念。

• 熟练使用Python、FastAPI、PostgreSQL、Redis、Kubernetes
• 掌握LangChain、LlamaIndex等框架，能实现RAG和Agent
• 熟悉Milvus等向量数据库，了解混合检索、重排策略
• 具备Prompt版本管理和离线评测经验

招聘方通常关注候选人的实际项目经验，尤其是从0到1搭建RAG或Agent系统的经历。会考察对框架的熟悉程度、系统设计能力、性能优化技巧，以及面对复杂问题的解决思路。

此外，沟通协作能力和对业务的理解也很重要，因为需要与多方角色紧密配合。

• 有完整的RAG或Agent项目落地经验
• 能展示系统架构设计、性能调优的具体案例
• 熟悉模型评估方法，能通过数据驱动优化
• 具备良好的团队协作和项目推进能力

下面整理了大模型应用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。

大模型应用开发涉及多种工具和框架，选型需考虑性能、易用性和社区活跃度。常用框架包括LangChain、LlamaIndex，向量数据库有Milvus、Chroma，部署工具包括Docker、Kubernetes。

此外，Prompt管理工具和评测平台也是提升效率的关键。

• LangChain：用于构建RAG和Agent流程
• Milvus：高性能向量数据库，适合大规模检索
• FastAPI：快速构建高性能API服务
• Kubernetes：实现服务编排和弹性伸缩

随着大模型技术快速发展，应用工程师的角色日益重要，从简单的问答扩展到复杂的Agent工作流、多模态应用等。未来，对工程化能力、模型微调、评估体系的要求会更高。

职业发展路径可以走向技术专家、架构师，或者转向产品经理、技术管理等方向。

• 关注多模态大模型的应用落地
• 学习模型微调和评估技术
• 提升系统架构设计能力，向全栈发展