RAG项目简历怎么写？别再写"调了LangChain搭了RAG"，向量检索、混合检索、Rerank亮点这么写才对

RAG项目是大模型简历里出现频率最高的项目类型，没有之一。

但我在知识星球 (opens new window)里看的简历，RAG项目写出来几乎一个样：

• 使用LangChain搭建RAG流程
• 调用OpenAI API实现问答
• 使用Milvus存储向量
• 实现文档解析和智能问答

你这么写，面试官看完就一个感觉：又一个跟着教程跑Demo的。

RAG项目确实容易上手——LangChain的pipeline跑通不难，但跑通和写好之间差了十万八千里。面试官看RAG项目，不是看你有没有搭过RAG，是看你在检索链路上做了什么决策、踩了什么坑、拿到了什么结果。

今天专门讲RAG项目怎么写出技术深度。

RAG项目，面试官到底想看什么

RAG的核心链路是：Query → 文档处理 → Chunking → Embedding → 检索 → Rerank → 生成。

你简历上写的每一行，都应该对应这条链路上的某个环节，并且说清楚你在那个环节做了什么决策。

面试官看RAG项目，重点就三件事：

1. 检索策略你怎么设计的？ 纯向量还是混合检索？为什么？Chunk怎么切的？Embedding模型怎么选的？
2. 检索不准你怎么办的？ Rerank加了吗？Query改写了吗？多路召回做了吗？
3. 幻觉你怎么处理的？ Prompt约束？输出校验？检索结果和生成结果的对齐？

每个环节你做了什么选择、解决了什么问题、效果提升了多少——这才是面试官想看的。

RAG项目的三个技术深度维度

RAG项目要写出技术深度，从三个维度展开：

维度一：检索链路设计

这是最基础的。你得让面试官知道你理解RAG不是"调一次向量检索就完了"。

反面：

• 使用Milvus进行向量检索

面试官：用的什么索引？HNSW还是IVF？检索延迟多少？为什么选Milvus不选其他？

正面：

• 选用Milvus做向量存储，HNSW索引检索延迟<50ms，对比FAISS方案更适合生产环境的多副本部署需求

区别在哪？左边只说"用了什么"，右边说了"选了什么、为什么选、效果怎么样"。

维度二：优化策略

这是拉开差距的关键。你的RAG项目有没有做过优化？优化了什么？效果如何？

反面：

• 优化了检索效果

面试官：怎么优化的？从多少优化到多少？优化了准确率还是召回率？

正面：

• 设计向量+BM25混合检索策略，准确率从72%提升至91%
• 引入BGE-Reranker对检索结果重排序，Top5召回率从71%提升至89%
• 实现Query改写+多路召回，专业术语查询的召回率提升35%

每一条都是：做了什么优化 → 拿到了什么结果。

维度三：量化指标

RAG项目必须有指标。没有指标的RAG项目，面试官会认为你只是跑通了流程，没有做过评估。

RAG项目常见的指标：

• 检索指标：准确率、召回率、MRR、检索延迟、QPS
• 生成指标：幻觉率、答案相关性、可读性评分
• 工程指标：端到端延迟（P50/P99）、Token成本、并发量

反面：

• 优化了系统性能

正面：

• 接口P99延迟从2.1s优化至0.4s（vLLM部署+KV Cache+流式输出）
• 单次查询Token消耗从1200降至400（Prompt压缩+上下文裁剪），推理成本降低60%

完整反面/正面对比

同一个RAG项目，两种写法：

反面：

基于大模型的智能问答系统

• 使用LangChain搭建RAG流程
• 调用OpenAI GPT-4 API实现问答
• 使用Milvus存储向量
• 实现文档解析和智能问答
• 部署到服务器上

正面：

基于RAG架构的企业知识库问答系统，面向10万+内部员工的知识检索场景，实现文档自动解析、语义检索与智能生成

个人工作：

• 设计向量+BM25混合检索策略，准确率从72%提升至91%
• 实现递归切分+overlap=200的Chunk策略，针对PDF/Word/Markdown分别优化解析逻辑，解析准确率从68%提升至94%
• 引入BGE-Reranker对检索结果重排序，Top5召回率从71%提升至89%
• 封装动态Prompt模板，引入RAG约束+输出自校验，幻觉率降低40%
• 接口P99延迟从2.1s优化至0.4s（vLLM部署+KV Cache+流式输出）

项目难点：

• 长文档检索召回率不足（单chunk信息丢失），通过上下文窗口扩展+Parent-Child检索策略解决
• 专业术语检索效果差（纯向量对精确匹配不敏感），增加BM25精确匹配补充
• 大模型输出格式不可控（JSON解析失败率35%），引入结构化Prompt+输出自校验，解析失败率降至5%

个人收获：

• 深入掌握RAG工程化落地，积累了向量检索调优与大模型部署经验

看出区别了吗？左边5行全是操作步骤，右边每一条都是技术决策+量化结果。

RAG项目最容易忽略的3个亮点

写RAG项目简历时，这三个亮点很多人做了但没写出来，非常可惜：

1、文档解析的优化

PDF里有表格、图片、分栏，解析不是"用了个PDF解析库"就完了。你针对不同格式做了什么优化？OCR怎么处理的？表格怎么识别的？解析准确率多少？

这往往是RAG项目里最脏最累的活，但写出来就是亮点。

2、Chunk策略的选择

Chunk怎么切直接影响检索效果。你用的是固定长度、递归切分还是语义切分？overlap设的多少？为什么？不同文档类型分别怎么处理的？

面试官问这个，是在看你有没有真的做过RAG，而不是只跑了LangChain的默认配置。

3、幻觉处理

RAG项目最大的坑就是幻觉。你做了什么来降低幻觉？RAG约束、输出自校验、检索结果和生成结果的对齐——这些都是实打实的工程问题，写出来面试官就知道你真做过。

一张表总结

维度	写什么	不写什么
检索链路设计	选了什么方案、为什么选、效果如何	只写"用了Milvus"
优化策略	做了什么优化、从多少到多少	"优化了检索效果"
量化指标	准确率/召回率/延迟/成本的具体数字	"系统性能提升了"

RAG项目简历的核心：不是展示你搭了RAG，是展示你在检索链路上做了什么决策、解决了什么问题、拿到了什么结果。

下一篇讲Agent项目简历怎么写。