真实 Agent 简历参考库（二）

这节继续分享 10 份 Agent 方向简历。

看得简历多了你会发现，大家用到的技术栈高度趋同，很容易就能找准学习重点 😏

像意图识别、RAG 混合检索、知识图谱、多 Agent 协作、记忆管理这类核心模块，多看几份简历，就能摸清主流的 Agent 实现方式。

后面也会列一下个人技能部分，供大家参考

第一份

这个客服 Agent 如果是售后 FAQ、退换货政策咨询、会员权益查询这些走 AI，复杂问题自动创建工单转人工

ReAct 模式，意图识别 -> 任务拆解 -> 工具调用 -> 结果整合 -> 回复生成这样的 pipeline

把订单、物流、会员的查询，以及工单创建，封装为 tool call

这样 Agent 就可以自己获取这些信息，以及创建工单了

当然，创建完的工单需要人工审批。

他把产品 FAQ、退换货政策、食品安全规范，这些放到了向量数据库来检索。

但是 FAQ 用向量匹配问题，如果匹配到了，直接输出标准答案，不让 AI 生成

其余的走 RAG 的混合检索和 AI 生成流程。

在主 Agent 做了意图识别，分到投诉反馈、政策咨询等链路，如果大模型判断没解决，就会自动转人工

他这个项目成果这里大家也可以参考

智能客服 Agent 是常见的项目，大家做类似项目，可以参考这个

第二份

之前分享过一个 text2sql 的，这类需求其实挺多，

运营、销售、产品团队日常查数据的需求，让业务人员用自然语言查业务数据

其实应该叫 nl2sql，自然语言到 sql

他这个不完全是 LLM 生成 sql，你看第一条，大部分还是拼接 sql，少部分走 AI 生成

知识库里存放表、字段的信息，用关键词 + 向量来混合检索

用 LangGraph 做的多 Agent，有意图识别 Agent （就是主 Agent）、数据分析 Agent（NL2SQL 的那个）、闲聊 Agent（其他聊天）

用 sqlparse 分析 sql，判断操作是不是在白名单里、表是不是白名单里等，做一下预检

Prompt Template 大家都说 API 多，如果要管理复杂的 Prompt 模板就需要了，你看第 6 条

它这个会按照 系统角色、规则约束、动态Schema、Few-shot样例、用户问题 来拼接 Prompt，模板拆分管理，用的时候拼接

NL2SQL 也是常见 Agent，但是大家了解就行，简历还是写知识库这种比较好聊的 Agent 更好

第三份

再来一个知识库项目的

也是向量 + 关键词混合检索，这是标配了

父子分块，也就是按照大章节拆分父块，然后章节内部再分小的子块

子块通过元数据关联章节的父块

子块做向量化，携带父块元数据，存入 Milvus

这就是父子双层分块

用户的问题检索出相应的子块，可以通过父块 id 检索 PostgreSQL 里的父块原文

然后这个也是微调了一个大模型来做意图识别，上节也见过一次

一般直接用 LLM + Few-Shot 少量案例，做意图识别就足够了，复杂一点可以微调模型来做

第四份

这也是知识库项目

自纠正迭代流程，其实就是 Agentic RAG

让大模型参与检索过程，自主决策怎么检索，都是 Agentic RAG

也是关键词 + 向量混合检索

他这个查询改写部分重点说了一下

一个是口语化的表达改成专业表达

再就是会补充缺失的信息维度

之后再检索

整体来说感觉写的一般，但是他这个查询改写部分写的比较细致，可以参考

第五份

再来一个知识库项目，儿科疾病多模态知识库

他这个是语义 + 关键词 + 知识图谱的混合检索，算是 GraphRAG

文本、图片用多模态嵌入模型统一映射为向量来做图文跨模态检索

直接用多模态嵌入模型做向量化，可以图搜图

而如果是图片 OCR 提取文字，再走文本检索，会丢失图片的一些布局信息，只是根据文本来检索

那如果图片里没有文字呢？

所以直接用多模态嵌入模型来做会更靠谱一些：

比如阿里的这个，支持图片、视频、文本的向量化：

天然支持图搜图、文搜图、视频搜视频等跨模态检索

说会整体，他这个项目就是混合检索 + 知识图谱的架构：

然后他短期记忆是也是用滑动窗口 + 摘要，长期记忆是语义 + 全文检索

记忆基本都这么搞

也做了 RAG 评估体系

这个项目整体来说挺不错，如果你也做跨模态检索、知识图谱推理、混合检索的知识库，也可以参考

第六份

这个也是知识库

切分的时候也是用了父子分块机制

关键词 + 向量混合检索

通用搜索用 MCP 来接入，包括百度地图的导航链接生成也是用 MCP

第七节

这个知识库项目会统一把各种格式的文件解析为 markdown 格式

携带原文章节、路径、页码，权限信息

这样检索出来可以定位到原文，也可以根据权限过滤

然后切分策略也是父子分块

用了多模态嵌入模型来把图文转向量，可以做跨模态检索

（这种见到好多次了，做跨模态检索用多模态嵌入模型算是最佳实践了)

然后也做了查询改写、RAG 质量评估这些，写的比较完整

第八份

这是一个数字人项目，但核心还是 Agent，也就是 RAG 这部分

实现了 Agentic RAG，也就是有问题改写、评估、重新检索这些

短期记忆放 Redis、长期记忆用 Mem0

向量语义 + 关键词全文的混合检索，用 reranker 模型重排

用 LangSmith 做研发时的调试，LangFuse 做线上监控

数字人只是表现形式，核心还是 Agent 那些技术

第九份

Agent 和已有业务的整合，基本都是把其他业务封装成 tool 来调用

所以所有公司的业务都可以做 Agent

也是多 Agent，主 Agent 做意图识别和任务拆分，子 Agent 完成具体业务

第十份

这是一个养老护理文档的知识库系统。

这个也是用了父子分块，先按照章节拆分大块

内部再切分小块，子块关联父块

图片用 OCR 识别转文本放到文档块中

他这个写的比较细致，还写了块 200-800 字，重叠 50 字

也是向量 + 关键词混合检索

个人技能

Agent 项目的简历我们看了很多了，接下来看一些个人技能部分都怎么写，大家可以参考

这些简历有的是算法工程师、有的是大数据工程师，只关注 Agent 部分就好了

现在 Agent 开发岗确实各种背景的都有，有全栈、有算法

这部分参考价值也不大，每个人背景都不一样，大家只看其中 Agent 部分就好。

总结

我们又看了一些 Agent 的简历，包括项目经历、个人技能。

看的多了，你会发现各种 Agent 技术方案都差不多，那你也就自然知道了学习的重点，以及简历该怎么写。

比如想做 any2any 的跨模态检索，好几份简历提到了用多模态嵌入模型来做。

比如文档拆分，很多份简历都提到了父子分块策略。

比如多 Agent 都是主 Agent 做意图识别、子 Agent 做具体的业务

比如和已有业务结合，都是把其他业务封装为 tool

比如所有知识库都是向量 + 关键词混合检索，然后 rerank 重排，部分会再结合知识图谱来做 GraphRAG

比如都做了 LangFuse 评测系统，关注的指标也都是准确率、召回率这些

比如都是 Agentic RAG，也就是大模型参与问题改写、评估、重新检索这些，很多都提到了自主迭代循环。

RAG 基本是面试必问的，项目也大多是知识库项目，这代表着企业的需求其实也大部分是让你做这类 Agent 开发。

也有 NL2SQL 的给业务做的自然语言查询数据的 Agent

看的简历多了，你就大概知道如果你入职了 Agent 工程师，都会做啥项目，用啥技术方案了。

对于你学习 Agent 开发是辅助作用。

而且你写简历的时候，也可以以这些简历做下参考，取其精华，写的清晰、有亮点一些。