简历上写了 RAG / Agent 项目，面试官到底想听什么？

大家好，我是阿不达。

简历上写了 AI 项目，怎么才能拉开差距？

这几天刷牛客，发现这个问题在热榜第一挂了好几天了，这个问题我太有感触了，有点正中下怀的感觉，今天咱也来蹭个热点，哈哈。

站在 AI 概念大火的当下，相信很多同学或多或少都积累了一些 RAG 或 Agent 项目经验。不过我们这些学技术的人大多数又不善于文案，很多人花了大量精力做出来的项目，却无法用文字把亮点给写出来。如果你只是在简历中简单的来一句：

基于 Spring Boot + Vue + DeepSeek 实现了一个智能知识库问答系统。

听起来像是写了点东西，但是在面试官眼中，不能说毫无亮点吧，但至少也是平平无奇。

alt

所以问题的本质往往不是项目本身有没有 AI，而是你能不能把项目讲到面试官真正关心的地方：业务场景是什么、技术链路怎么设计、效果怎么评估、问题怎么优化、踩过哪些坑。

如果你想让 AI 项目看起来不像套壳，更能体现出项目的亮点，我觉得至少可以从以下5个方面来着手：

1. 先把业务场景讲清楚

不要上来就说“使用 LangChain / DeepSeek / Milvus 实现的一个知识库问答系统。”。

这看起来更像是技术选型，面试官听完也很难判断项目价值。更好的说法是：

本项目面向企业内部制度、项目资料及接口文档等知识检索场景，设计并实现基于 RAG 的文档问答系统，支持多格式非结构化文档解析、语义检索与大模型生成式问答，提升内部知识获取效率。

这样一说，面试官至少能立刻知道三件事：

你服务的用户是谁，处理的数据是什么，解决的痛点是什么。

后面再讲 LangChain、DeepSeek、Elasticsearch，才是顺着业务场景往下展开，而不是一上来就报技术栈。

2. RAG 链路是否完整

就拿我不久前学习过的派聪明(PaiSmart)源码为例，它逻辑链路就非常清晰：

alt

这里每一步都能展开写，比如文档解析可以写 Apache Tika，文件存储可以写 MinIO，检索可以写 Elasticsearch 的关键词 + 向量混合检索，模型可以接 DeepSeek，Embedding 可以用豆包或其他向量模型。举例来说：

设计并实现 RAG 知识库问答系统，支持多格式文档上传，基于 MinIO 管理原始文件，使用 Apache Tika 完成 PDF、Word、TXT 等文档正文抽取，并结合文档 ID、页码、上传人和权限标签建立可追溯索引。

构建文档分块、Embedding 向量化与混合检索链路，基于段落边界和滑动窗口策略进行 Chunk 切分，调用向量模型生成文本向量，并结合 Elasticsearch BM25 关键词检索与向量召回提升 TopK 命中效果。

设计 Prompt 组装、权限过滤和流式问答机制，将用户问题、检索片段、来源信息和回答约束注入大模型上下文，支持无答案拒答、来源引用、权限隔离和 SSE 流式返回，降低幻觉回答与越权召回风险。

面试官真正想看的，也正是这些东西。因为它证明你做的不是“把用户问题丢给大模型，再把结果返回页面”，而是从文档怎么进来、知识怎么被检索、答案怎么生成、结果怎么验证、答不上来怎么兜底，完整思考过一个 AI 应用从 0 到 1 落地的问题。

3. 你有没有评估效果

很多同学做 RAG 最大的问题是：只要能回答，就觉得项目完成了。

但是对于面试官官来说，他们可能会着重考察的可能有以下几个方面：

如何确保检索的准确性，你是通过什么方式实现的？
TopK 该取多少，依据是什么？
Chunk 多大，为什么要这么设置？
命中率怎么样，你是怎么来评估的？
你是怎么处理幻觉的问题的？
在回答能不能引用来源，说一说你的思路？
如果ai找不到答案，该怎么进行降级处理？

这时候如果你的简历里能写这么一句：

针对检索准确性、TopK 取值、Chunk 大小、幻觉控制、来源引用和无答案降级等问题，设计 RAG 离线评估方案：构建覆盖事实查询、跨文档综合、权限边界和无答案场景的测试集，分别统计检索阶段的 Recall@K、TopK 命中率、MRR，以及生成阶段的回答相关性、引用准确率和拒答准确率；基于评估结果对 Chunk Size、Overlap、TopK、向量/关键词混合检索权重和 Prompt 模板进行多轮调优，提升答案可追溯性与回答可靠性，降低幻觉回答比例。

如果你有真实的测试数据，你还可以这样写：

构建 200+ 条 RAG 离线评测集，覆盖事实查询、跨段落归纳、权限隔离与无答案拒答等典型场景，基于 Recall@K、MRR、TopK 命中率、引用准确率和拒答准确率评估检索与生成效果；通过多轮对比实验优化 Chunk Size、Overlap、TopK 取值及向量/关键词混合检索权重，将 Top5 命中率由 xx% 提升至 xx%，并减少无依据生成和错误引用问题。”

这就明显比“实现知识库问答”更像认真做过，也更能让面试官认可你的能力。