大家好，我是吴师兄。
今年最热门的一个求职方向应该是
大模型应用开发工程师，
很多大厂给出的薪资待遇都是以年薪百万起步。
最近就有学员在咨询我，最近发现某家 AI 大厂的 Offer 薪资
远超
他的预期，很多要求他都感觉很符合，岗位涉及 RAG（检索增强生成）方向，想去投递一波，但在写简历和项目经历时却犯了难：
“
“师兄，我做的这个 RAG 项目挺复杂的，涉及了数据预处理、向量检索、Prompt 调优这些东西，但怎么在简历里突出亮点？哪些部分该详细展开，哪些部分又该简洁带过？”
这其实是很多求职 AI 公司、尤其是涉及大模型项目的新人都会遇到的难题。做的事情不少，但不知道该怎么展示，尤其是面对面试官，怕说不到点上，反而显得“光说不练”。
所以，今天我就结合自己辅导过众多学员的经验，详细拆解一下：
如何撰写一份有深度、有亮点的 RAG 项目简历描述
。
1. 明确项目背景与动机
问题陈述
在撰写 RAG 项目经历时，首先要交代清楚“为什么做”这个项目。比如：
-
-
-
实时知识更新 → 通过外挂知识库，随时补充最新信息
-
精准检索 → 通过高效召回策略，提高生成答案的准确率
示例描述
“
“负责构建面向金融业务的 RAG 问答系统，解决了大模型在知识更新和幻觉问题上的局限性，整合 5000+ 份多模态文档（PDF、PPT、扫描图片等），为公司员工提供基于本地知识库的智能问答服务。”
这一段的目的是交代清楚“做这个项目的背景”和“采用 RAG 的技术动机”，为后面系统架构和成果展示铺垫。
2. 详细阐述系统架构与核心流程
这部分是最容易写成“流水账”的部分，但也是
最能体现技术实力
的部分。
(1) 数据准备阶段
-
数据清洗与预处理
：描述如何对多源数据（如PDF、PPT、OCR结果）进行格式统一和清洗。
-
文本分割策略
：说明如何基于 Embedding 模型的 Token 限制进行智能切分，保持语义完整性。
-
向量化与入库
：使用哪种 Embedding 模型（如 M3E、BGE），如何利用 FAISS/Milvus 构建索引。
示例描述
“
“在数据准备阶段，我设计了一种基于上下文窗口的动态文本切分策略，结合 M3E 模型生成 768 维向量，并利用 FAISS 构建高效检索索引，缩短召回时间 30%。”
(2) 应用阶段
-
检索策略
：相似性检索、全文检索与排序策略（如倒排索引、RRF 融合）。
-
Prompt 设计与调优
：如何引导大模型生成更精准的答案，减少幻觉问题。
-
模块化设计
：如何拆分成检索、生成、对话管理等独立模块，提升系统稳定性。
示例描述
“
“引入倒排索引和 BM25 召回策略，结合 RRF 重新排序，召回率提升 20%。通过多轮 Prompt 生成与对比，减少幻觉率 15%。”
3. 突出个人贡献与方法论落地
很多人在描述项目时，容易写成“我所在团队做了什么”，但更关键的是——
你做了什么
。
(1) 个人贡献
(2) 创新点与优化措施
(3) 量化成果
-
用具体数据证明优化成效（如准确率提升、响应时间缩短等）
示例描述
“
“在项目中，我提出了一种基于分层召回 + RRF 排序的策略，将生成准确率提升 18%。通过动态文本分割策略，将检索响应时间缩短了 30%。”
4. 总结经验与方法论推广
示例描述
“
“本项目采用的模块化架构和动态召回策略，为后续的智能客服、金融法律等场景提供了可复制的模板，成功推动了 3 个下游业务场景的智能化升级。”
5. 写在最后：如何在简历中呈现这些内容？
-
围绕 STAR 法则
（Situation→Task→Action→Result）组织描述
-
突出技术和方法论结合的部分
，尤其是你个人的思考和创新
-
完整模板
6. 总结
做了好项目 ≠ 写出好项目经历。
在 RAG 这种涉及底层检索、生成和优化的项目中，
不仅要展示你做了什么，更要体现你在系统设计、方法论创新和结果落地上的价值
。
想在 AI 大厂站稳脚跟，RAG 项目简历一定要写出深度和亮点！
最后，如果你对大模型感兴趣，欢迎点击这个链接进行咨询：
吴师兄大模型训练营
