本文针对程序员在简历中描述RAG项目时存在的问题，提出了具体的改进方法。作者建议简历应突出具体的技术决策和量化成果，避免空泛描述。文章详细阐述了离线解析和在线召回模块的写法示例，并针对面试官可能提出的追问给出应对策略。此外，还讨论了如何合理估算项目效果提升的百分比，以及简历撰写时的一些实用技巧，如关键词命中、突出重点、为面试官“留钩子”等。最后，作者提供了一个完整的RAG项目简历示例，强调简历应作为面试的路线图，引导面试官深入了解自己的项目经验。

一、先说一个最常见的错误写法

很多人简历上这样写：

★

负责公司 RAG 知识问答系统的开发与维护。

这句话等于什么都没说。面试官看到这一行，脑子里的反应是：“所以你到底做了什么？解析？检索？生成？全做了还是打酱油？”

简历的核心原则是让面试官一眼看出你做了什么、用了什么技术、达到了什么效果。RAG 系统那么多模块，你不可能每个都写，要挑你最深入的 2-3 个模块，每个用一条 bullet point 写清楚。

下面我按模块给出写法示例和面试追问应对。

二、离线解析模块怎么写？

简历写法（一条 bullet point）

★

文件解析： 设计并实现多格式文档解析 pipeline，结合 OCR 与深度学习模型识别表格、图片并保留层级布局信息，对文本进行规则+语义分块，为 RAG 检索提供高保真语料。

这一条信息量已经很大了：多格式（说明你处理过复杂场景）、OCR + 深度学习（说明你不是只用 PyPDF 提取文本）、层级布局（说明你理解文档结构的重要性）、规则+语义分块（说明你的分块策略不是无脑固定长度）。

面试官会怎么追问？

“你处理过哪些格式？最难的是什么？”

答：PDF（多栏排版、扫描版）、PPT、Word、纯文本。最难的是 PDF 多栏排版，传统按行解析会把左右栏内容错误拼接，导致语义混乱。我们引入了版面分析技术，先识别物理布局再按逻辑顺序提取。

“分块策略具体怎么做的？”

答：三层策略。第一层基于文档结构（章节标题、段落边界）做规则切分，表格和代码块整段保留不截断；第二层检查相邻 chunk 的语义连贯性，过短的合并、跨页的拼接；第三层控制长度平衡，配合 chunk overlap 保持连续性。

“chunk 大小怎么定的？”

答：不是拍脑袋定的，要配合 LLM 上下文窗口。块太大 LLM 放不下几个片段，块太小语义残缺。我们通过实验在 300-500 token 之间找到了平衡点，同时设了 50 token 的 overlap。

三、在线召回模块怎么写？

简历写法（可以拆成 2-3 条）

★

混合检索： 针对金融保险领域 2 万条文本片段，同时构建 BM25 关键词索引与向量索引进行并行检索，融合后系统整体召回率提升约 10%，短查询命中率显著提高。

★

Embedding 模型微调： 基于约 1000 条领域问答对，对 BGE 预训练模型进行有监督微调（MultipleNegativesRankingLoss），专业术语相关查询的 Top10 召回率提高约 13%。

★

Rerank 重排： 对初步检索的前 100 条候选结果，使用 Cross-Encoder 模型精排，关键信息 Top3 命中率较未重排前提升约 15%。

注意每一条都有具体数字——2 万条、1000 条、提升 10%/13%/15%。面试官就爱看这些。数字不需要精确到小数点，但一定要有。

面试官会怎么追问？

“BM25 和向量检索的结果怎么融合的？”

答：我们用的 RRF（Reciprocal Rank Fusion），不看分数只看排名，公式是 1/(k+rank)，k 取 60。相比加权求和，RRF 不需要处理量纲不统一的问题，调参成本也更低。（如果面试官继续追问 RRF 和加权的区别，参考这个系列第五篇文章的内容。）

“Embedding 微调的训练数据怎么来的？”

答：两个渠道。一是从已有的客服 QA 对中提取问题和对应的正确答案段落；二是让业务同事给关键文档段落各写 3-5 个可能的用户提问。总共准备了大约 1000 条，覆盖了主要的专业术语和不同表述方式。

“为什么用 MultipleNegativesRankingLoss 而不是 Triplet Loss？”

答：因为我们只有正例对，没有手动构造负例。MultipleNegativesRankingLoss 会在 batch 内自动把其他样本当负例，省去了负例构造的工作量。batch_size 设 16，训练 2-3 轮就够了，关键是避免过拟合。

“Rerank 用的什么模型？为什么只排前 100 条？”

答：用的 BGE-reranker-base。Cross-Encoder 的计算成本高，每条候选都要做一次 Transformer 前向推理，100 条已经是效率和效果的平衡点了。再多延迟就不可接受了。另外我们做了分页优化——只对前 3 页做精排，第 4 页之后跳过 Rerank，直接用初始排序。

四、数字从哪来？——一个大家不好意思问的问题

写到这里，估计很多人心里在想：**“我的项目没有严格做过 A/B 测试，这些 10%、13%、15% 的数字从哪来？”**

说实话，大多数项目确实没有严格的对照实验。但简历上的数字不是论文数据，不需要精确到小数点后两位。你需要的是一个合理的量级估计。

怎么估？

方法一：做一个小规模对比测试。 准备 50 条测试查询，跑一遍优化前的系统和优化后的系统，手动看看 Top 3 的结果哪个更准。数 50 条里有多少条"变好了"，除以 50，就是一个大致的提升比例。这不需要多复杂的评估框架，一下午就能搞定。

方法二：基于指标推算。 如果你做了前面文章里讲的 MRR、NDCG、P@K 评估，直接用指标的变化量就行。MRR 从 0.58 提到 0.82，提升 41%——这就是可以写在简历上的数字。

方法三：业务侧反馈。 比如上线后客服人工介入率降了多少、用户满意度评分涨了多少。如果有，这比技术指标更有说服力。

核心原则是：数字要有，但不要虚得离谱。 写"提升约 10%"比写"提升 200%“可信得多。面试官都是老手，一看数字不合理就会追问"这个数字怎么得到的”，到时候圆不回来就尴尬了。

五、写简历时的几个实用建议

关键词要命中。 简历筛选越来越多靠机器过滤，确保你的简历里出现这些高频词：RAG、向量检索、Embedding、BM25、Rerank、Cross-Encoder、Milvus/FAISS、OCR、语义分块、混合检索。不是堆砌，而是自然地嵌入在你的描述中。

挑你最深的 2-3 个点写，不要贪多。 宁可把混合检索和 Rerank 写得很深（含技术细节和数据），也不要把离线解析、在线召回、Prompt 构建、多轮对话全列上去但每个都只有一句话。简历不是 feature list，而是展示你的深度。

为面试官"留钩子"。 好的简历描述会让面试官忍不住追问。比如你写了"规则+语义分块"，面试官一定会问"具体怎么做的"；你写了"召回率提升 10%“，他一定会问"怎么评估的”。这些追问的答案你提前准备好，面试就变成了你引导面试官往你擅长的方向走。

六、一个完整的 RAG 项目简历示例

最后给一个完整示例，把前面讲的串起来：

项目名称： 金融保险知识库 RAG 问答系统

项目背景： 面向保险业务的智能问答系统，知识库包含 5000+ 份多格式文档（PDF/PPT/扫描件），服务内部员工的制度查询、产品咨询和理赔流程等场景。

我的职责：

• 文档解析 pipeline： 设计多格式文档解析流程，结合版面分析与 OCR 处理多栏 PDF 和扫描件，采用规则+语义三层分块策略并保留层级元数据，解析覆盖率从 72% 提升至 95%。
• 混合检索+精排： 构建 BM25 + 向量索引并行检索架构，使用 RRF 融合策略；对 BGE 模型进行领域微调（1000 条问答对 + MultipleNegativesRankingLoss），并引入 Cross-Encoder 重排 Top 100 候选，MRR 从 0.58 提升至 0.82，Precision@3 从 0.47 提升至 0.71。
• 性能优化： 设计三级缓存架构（Embedding/检索结果/答案缓存），配合全链路异步和 HNSW 索引调优，热门查询首字响应时间从 5s 降至 50ms 以内。

三条 bullet point，分别覆盖离线解析、在线召回、性能优化三个模块。每条都有技术方案和量化结果。面试官看到任何一条都可以展开追问 10-15 分钟，而你已经把答案准备好了。

写在最后

技术文章看了再多，最终要落到简历上才有用。

这篇文章的核心其实就一句话：简历不是技术文档，而是面试的路线图。 你写什么，面试官就问什么。所以不是把所有技术点都堆上去，而是挑你最能聊深的几个点，写得让面试官"忍不住追问"，然后把追问的答案全部提前准备好。

这个 RAG 系列到这里已经从技术原理、工程实战一直讲到了简历和面试，算是一个比较完整的闭环了。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】