简历上的AI项目，面试官到底想看什么？

Hi，我是马丁。

AI 堪称第四次工业革命，无论什么工种都难逃影响，程序员更是首当其冲。

之前发了 Ragent AI 的项目介绍，和大家详细聊了 RAG 在实际落地中的复杂度——远不止跑通一个 Demo 那么简单。数据处理、分块策略、问题重写、意图识别、引导澄清、检索策略、会话记忆、动态数据 MCP、深度思考、停止回答、请求风控、模型负载均衡……这些 Ragent AI 都做了完整实现。

Ragent 是拿个 offer 星球的第一个 AI 项目，但只是起点。接下来的方向很明确：All in AI。

作为星球在 AI 领域的第一个项目，从架构设计到每一行代码都反复打磨，质量标准对齐之前 12306、短链接等项目，不砸自己招牌。项目上线至今收获了 200+ Star，大家的反馈也验证了这一点。

GitHub 开源地址：Ragent AI[1]

考虑到金三银四的节奏，为了让大家尽快用上这个项目去面试，马哥这段时间集中更新了 20 篇技术教程，覆盖 RAG 原理、OpenAI API、Milvus、Function Call、MCP 等核心知识点。有了这些基础，不管是应对面试中的技术追问，还是深入理解 Ragent AI 的源码，都会顺畅很多。

过程中有不少同学提到：能不能先出一版“怎么把项目写进简历”的教程？ 这样可以带着目标去看代码，学习效率更高。就在昨天，我更新了一版 如何将 Ragent AI 写入到简历[2] 的教程。

这篇公众号一方面是通知星球里的同学，另一方面也把简历教程中的部分内容公开出来，供还没加入的同学参考，看看是否对自己有帮助。

Ragent – 企业级 RAG 智能体平台

1. 项目名
   写进简历时建议用更通用的名称，降低重复率。以下提供两个参考：

Ragent 智能体：突出 AI Agent 概念，适合投 AI 方向或技术氛围浓的团队
RetriBot 检索机器人：突出检索能力，适合投业务导向或偏传统行业的岗位

2. 项目简介
   写法一：侧重技术深度（适合投技术氛围浓的团队）

Ragent 是一个企业级 RAG 智能体平台，围绕智能文档检索与问答场景，提供多路检索引擎、意图识别、问题重写、会话记忆、MCP 工具调用等核心能力。系统采用多模型路由与熔断降级机制，支持高并发场景下的稳定服务。通过分布式队列限流和全链路追踪，保障系统在并发下的可用性与可观测性。

写法二：侧重业务价值（适合投业务导向型公司）

Ragent 是基于 Java 17 + SpringBoot 3 构建的企业级 RAG 系统，解决企业知识库检索与智能问答场景中的信息孤岛和效率提升问题。系统实现了意图定向检索与全局向量检索的双路召回策略，配合问题重写、会话记忆压缩、模型容错等机制，提供高准确率的智能问答服务。采用分布式队列限流控制并发，通过熔断器和优先级降级保障多模型场景下的高可用性，支持 MCP 协议集成外部工具调用。

💡 建议根据目标行业调整项目场景（如银行客服、旅游助手等），Ragent 的通用能力支持各类智能问答需求，也能有效降低简历重复率。

3. 技术架构
   技术架构：SpringBoot + MyBatis Plus + Milvus + RocketMQ + Nacos + Redis + Redisson + Apache Tika + Sa-Token
4. 个人职责
   给大家分享一个项目描述的参考模板 👇

通过多路检索引擎实现意图定向与全局向量的双路召回策略，采用 CompletableFuture 并行执行检索通道，配合去重、重排序等后处理流水线，在保证召回率的同时提升检索精准度，解决单一检索方式覆盖率不足的问题。
基于 Redis 信号量 + ZSET + Pub/Sub 实现分布式队列限流，通过 Lua 脚本保证队列声明的原子性，支持公平排队和超时拒绝，配合 SSE 实时推送排队状态，有效控制并发场景下的模型调用压力。
集成 MCP 协议实现工具调用能力，通过意图识别关联 MCP 工具 ID，使用 LLM 自动提取工具参数，支持并行执行多个 MCP 工具调用，实现知识检索与外部系统调用的无缝融合，扩展智能体的业务能力边界。
实现基于 LLM 的树形意图分类器，从 Redis 缓存加载意图树，支持三种意图类型（KB、MCP、SYSTEM），识别置信度不足时主动引导用户澄清，有效提升意图识别的准确性和用户体验。
项目中落地策略模式、工厂模式、责任链模式、装饰器模式等经典设计模式，检索通道、后处理器、MCP 工具均可插拔替换，新增组件通过 Spring 自动发现机制零配置生效，提升系统的可扩展性和可维护性。
以上是部分职责参考，完整版本（含更多亮点描述和面试高频追问点）已更新在星球内。

小提示：别直接复制粘贴哦！最好用 ChatGPT/Claude 等工具，把模板改写成符合你项目的个性化表达。这样写出来的简历才不会“撞衫”。

以上是简历教程的部分内容。完整版包含更多职责描述、面试问题追问点拆解，以及每个模块对应的源码导读等，会更新在星球内。

如果你觉得这些内容对你有帮助，下面简单介绍下星球里目前有什么。

已更新的教程目录
这个项目不止是讲 RAG 本身。教程从大模型基础概念讲起，覆盖 Prompt 工程、Embedding、向量检索、Function Call、MCP 协议等 AI 核心知识，再到 RAG 全链路拆解和 Agent 工具调用的落地实现——目标是帮你建立一套完整的 AI 工程认知，而不是只会调一个接口。

AI & RAG 基础扫盲

认识大模型
调用大模型 API
Prompt 工程入门
什么是 RAG？
用 Apache Tika 解析文档
数据分块 Chunk 策略与实践
元数据的作用与管理
从文本到向量——理解 Embedding
向量数据库的原理与选型
RAG 中的检索策略详解
RAG 中的生成策略详解
理解函数调用 Function Call
MCP 协议入门与实践
从零启动 Ragent AI——前后端全流程

本地开发环境搭建
Docker 本地中间件部署
MySQL 数据库初始化
项目启动指南
项目配套

项目概述：构建真正的企业级 RAG 系统
简历教程：如何在简历中呈现 RAG 项目？
以上为已发布内容，后续会围绕 SpringAI、MCP 深度解读、源码逐行拆解、面试追问点、进阶专题、企业真实场景等方向持续更新，目标 100+ 篇。

如何学习？
如果你也在准备校招/社招，尤其是项目讲不出亮点、面试被追问就卡壳的情况，欢迎来我的星球[3]。

我会围绕真实面试视角，带大家从 0 到 1 打磨更“能讲、能扛拷打、能加分”的项目，帮助你把项目从“写在简历上”变成“面试里能聊赢”的硬通货。

定位：校/社招面试中可深挖难点与亮点的项目库

🚄｜12306铁路购票（高并发）
🔗｜SaaS短链接平台（企业真实场景）
🎫｜牛券优惠系统（亿级流量）
⚙️｜美团动态线程池（基础组件）
🚀｜Ragent AI（26年新出）
谁适合加入？

想要用一个能扛拷打的项目提升简历含金量
想把项目从“会做”升级到“会讲、讲得漂亮”
需要场景题/系统设计的成体系训练
备战校招/社招，希望少走弯路
目前有一个入圈优惠，感兴趣的同学可以了解下，面试的时候你会明显感受到差别。