前言
适用岗位:AI Agent 开发工程师、RAG 工程师、LLM 应用工程师、AI 应用后端工程师、知识库算法工程师
一、先明确:这个项目在 AI Agent 岗位里的真实定位
企业智能知识库系统是 面向企业知识场景的可控 Agentic RAG / KAG 工作流平台
它已经具备 AI Agent 岗位非常看重的多项能力:
| Agent 岗位能力 | 项目中的真实实现 |
|---|---|
| 工作流编排 | 根据普通对话、RAG、KAG 开关选择执行链路 |
| 上下文工程 | System Prompt、RAG 参考资料、KAG 图谱路径、最近 20 条对话记忆 |
| 知识检索工具 | Elasticsearch BM25 + 1024 维向量检索 |
| 图谱推理工具 | Neo4j 实体链接、关系匹配、1-2 跳路径遍历 |
| 任务执行 | 摘编、扩写、优化、续写、翻译、索引重建、图谱重建 |
| 安全边界 | 文档级 ACL,检索与图谱均过滤无权文档 |
| 输出可控 | 强制引用来源、无依据时拒答、结构化 Prompt |
| 可观测与恢复 | 任务进度、Redis 进度存储、异常降级、SSE 错误事件 |
| 多模型接入 | Qwen、DeepSeek,统一 OpenAI 兼容协议 |
但它没有实现自主 Planning + Tool Calling Agent。
因此简历中推荐使用:
- ✅
Agentic RAG 工作流 - ✅
面向企业的知识 Agent 后端 - ✅
多阶段 AI 任务编排 - ✅
检索工具与图谱工具协同 - ❌
ReAct Agent - ❌
LangGraph 多智能体 - ❌
模型自主规划并调用任意工具
这样既能匹配 AI Agent 岗位关键词,也不会在技术追问时翻车。
二、HR 和技术面试官分别在意什么
2.1 HR 想快速确认的四件事
| HR 关注点 | 简历里要出现的内容 |
|---|---|
| 是否真的做过 AI | RAG、KAG、Embedding、向量检索、大模型、Prompt、SSE |
| 是否能做后端 | FastAPI、异步 I/O、MySQL、Redis、Elasticsearch、Neo4j |
| 是否有业务价值 | 企业知识检索、问答准确率、权限隔离、引用可追溯 |
| 是否可落地 | 多级降级、缓存、任务进度、异常处理、部署验证 |
2.2 技术面试官会验证的五件事
- RAG 链路是不是自己搭的,还是只调用了现成 SDK。
- 为什么用混合检索,为什么需要 RRF 和 Rerank。
- 如何控制幻觉、引用和文档权限。
- 如何处理模型失败、Embedding 失败、ES 不可用。
- 你在项目中的职责边界到底是什么。
2.3 项目匹配度矩阵
| AI Agent 岗位常见要求 | 本项目的回答素材 | 匹配度 |
|---|---|---|
| Python 异步后端 | FastAPI + SQLAlchemy Async + asyncmy + httpx | 高 |
| LLM 应用开发 | Qwen / DeepSeek、Prompt、多轮记忆、Streaming | 高 |
| RAG | LangChain 分块、Embedding、BM25、kNN、RRF、Rerank | 高 |
| 向量检索 | Elasticsearch dense_vector,1024 维 cosine | 高 |
| 知识图谱 | Neo4j 实体、关系、多跳路径与图谱增强回答 | 高 |
| Agent 工作流 | RAG/KAG/普通对话分支,工具化知识能力 | 中高 |
| 自主 Tool Calling | 当前项目未实现 | 不写 |
| 模型评测 | 当前缺少完整离线评测集 | 面试时主动补方案 |
| LLMOps | 缓存、任务进度、降级、日志、批处理 | 中高 |
三、选一套可信的项目背景
项目背景必须与你的经历匹配。
不要四套混着写,选定一套后,简历、自我介绍和技术追问全程保持一致。
3.1 方案 A:企业内部知识 Agent(推荐)
适合大多数后端、Java、Python、全栈开发转 AI Agent 的同学。
公司内部文档分散在企业网盘、群聊与本地目录中,员工检索依赖关键词和人工问询,历史方案难以复用。我负责设计并实现 Python AI 后端,基于 FastAPI、Elasticsearch、Neo4j 和大模型构建企业知识 Agent,支持自然语言问答、文档检索、图谱推理与引用溯源,并通过文档级权限控制保证不同团队只能检索授权内容。
适合强调:
- RAG/KAG 工程化
- 权限与数据安全
- 多轮对话与流式输出
- 企业知识场景理解
3.2 方案 B:客服 / 技术支持 AI Agent(最贴近 AI 应用落地)
适合客服系统、工单系统、SaaS、技术支持背景。
客服和技术支持团队需要重复回答大量产品问题,答案散落在历史工单、FAQ 和产品文档中。我参与搭建部门级知识 Agent,将工单和文档清洗入库,使用 BM25 + 向量混合检索与图谱增强生成,为一线人员提供带引用来源的自助问答,并在模型或检索异常时自动降级,保证核心查询链路可用。
适合强调:
- 业务问题高频、价值明确
- 答案准确性、引用和拒答
- 服务稳定性与成本
3.3 方案 C:私有化 AI 知识产品(乙方 / 外包背景)
面向企业客户交付私有化知识管理产品,支持客户导入内部文档并快速构建专属知识 Agent。我负责 AI 后端与检索链路,包括多格式文档解析、中文分块、Embedding、混合检索、KAG 图谱推理和模型配置切换,使同一套产品可以适配不同客户的内网环境与模型服务。
适合强调:
- 私有化部署
- 配置化模型接入
- 权限隔离
- 不同客户环境适配
3.4 方案 D:个人完整实战项目(最诚实、适合转行)
为验证企业知识库与 LLM Agent 的落地路径,我独立完成了一套 Python AI 后端:使用 FastAPI 构建异步 API,完成中文分块、Embedding 缓存、BM25 + kNN 混合检索、RRF 融合、LLM 重排、Neo4j 图谱推理、文档权限过滤和 SSE 流式对话,并对索引重建、异常降级和任务进度做了完整工程化验证。
个人项目不要编用户量。你的优势是:
- 对链路细节熟悉
- 能解释每个技术选择
- 能现场画架构和讲故障处理
四、简历项目名称怎么写
推荐优先级:
- 企业智能知识库 AI Agent 平台(Python AI 后端)
- 企业知识 Agent 与 RAG/KAG 检索平台
- 企业知识库智能问答与图谱推理系统
- Agentic RAG 企业知识助手
不要写:
- “基于 LangChain 的自主 Agent”
- “多智能体协作平台”
- “全自动任务执行 Agent”
原因很简单:当前 Python 代码没有这些能力。
五、可直接粘贴的简历项目条目
5.1 推荐版本:AI Agent / RAG 岗位主项目
企业智能知识库 AI Agent 平台(Python AI 后端)
角色:AI 后端 / RAG 与知识 Agent 开发
项目背景:企业知识分散在文档、工单和内部资料中,传统关键词搜索无法理解语义,也无法处理概念之间的关联。项目以 FastAPI 构建异步 AI 后端,形成“文档入库 → 智能分块 → 混合检索 → 图谱推理 → 带引用生成 → 流式输出”的企业知识 Agent 工作流。
核心职责:
- 设计 RAG 检索链路:LangChain 语义分块、1024 维 Embedding、Elasticsearch BM25 + cosine 向量检索、RRF 融合与 LLM 重排。
- 设计 KAG 链路:LLM/规则实体抽取、Neo4j 实体链接、多跳关系遍历、文档片段反查,并与 RAG 结果融合。
- 实现普通对话、RAG、KAG 三类可控执行分支,以及最近 20 条消息的会话记忆和多模型接入。
- 实现 SSE 流式问答、引用溯源、Token 统计与对话持久化。
- 实现文档级权限过滤,搜索、RAG、KAG 均采用 fail-closed 策略避免私有知识泄露。
- 实现 Embedding 缓存、批量索引重建、任务进度与模型/检索失败降级。
工程结果:
- 当前 AI 模块提供 42 个 API 路径,覆盖对话、RAG、KAG、文档处理、AI 写作、反馈和建议。
- 文档回答可从“关键词查找”升级为“自然语言提问 + 原文引用”。
- 模型、Embedding 或 RAG 异常时,核心文档管理和普通业务接口不被阻断。
这个版本适合作为简历主项目,信息密度高,HR 能扫到 AI 关键词,技术面试官也有足够深挖点。
5.2 精简版本:一页简历空间有限时
企业智能知识库 AI Agent 平台 | Python AI 后端
- 基于 FastAPI 构建异步知识 Agent,完成普通对话、RAG、KAG 三类工作流编排。
- 使用 LangChain 512/64 语义分块、text-embedding-v3、ES BM25 + 1024 维向量检索、RRF 与 LLM Rerank 提升召回与相关性。
- 基于 Neo4j 实现实体链接、多跳路径遍历和 KAG 图谱增强问答,并与 RAG 片段融合。
- 实现多轮记忆、SSE 流式输出、引用溯源、Token 统计、Embedding 缓存和模型异常降级。
- 在搜索、RAG、KAG 全链路接入文档 ACL,权限解析失败时返回空结果,避免私有知识越权泄露。
5.3 个人项目版本
企业知识 Agent 与 RAG/KAG 平台(个人项目)
- 独立实现 Python AI 后端,使用 FastAPI、Elasticsearch、Neo4j、Redis、MongoDB 和 Qwen/DeepSeek。
- 完成中文分块、Embedding 缓存、BM25 + kNN + RRF + LLM 重排的 RAG 流水线。
- 完成实体抽取、图谱构建、实体链接和多跳推理的 KAG 链路。
- 完成 SSE 流式对话、会话记忆、文档权限、任务进度和故障降级。
- 对 282 个 API 路径进行模块化组织,其中 AI 相关路径 42 个。
六、按 HR 阅读习惯写出的 6 条强关键词
简历最上方或项目摘要中,可以组合使用以下关键词:
- Agentic RAG 工作流
- RAG / KAG 双检索增强
- Hybrid Search:BM25 + Vector + RRF
- LLM Rerank 与引用溯源
- Neo4j 多跳图谱推理
- FastAPI 异步 AI 后端与 SSE 流式输出
完整摘要示例:
具备 Java/Python 后端开发经验,聚焦企业知识场景的 Agentic RAG 与 AI 应用工程。熟悉 FastAPI 异步架构、LangChain 文本分块、Embedding、Elasticsearch 混合检索、RRF、LLM Rerank、Neo4j 图谱推理、SSE 流式对话和文档级权限控制,具备从知识入库到带引用问答的完整落地经验。
不要把所有技术堆成一行。HR 能看懂场景,技术面试官能看到链路。
七、项目技术亮点:8 条写进简历、必须能讲透
7.1 RAG 不是“向量搜索一下”
简历写法:
设计 BM25 + 1024 维向量 kNN 双路检索,使用 RRF 以排名而非原始分数融合,避免 BM25 与 cosine 得分量纲不一致。
面试解释:
- BM25 擅长专有名词、API 名和精确匹配。
- 向量检索擅长同义词、自然语言改写和语义召回。
- RRF 只依赖排名,公式为
weight / (k + rank),默认k=60。 - 项目默认权重是向量
0.6、关键词0.4。
7.2 为什么要 LLM Rerank
在混合检索候选集上增加 LLM 1-10 分相关性重排,只把更相关的 Top-K 片段送入最终 Prompt。
可以继续展开:
- RRF 解决“怎么融合两路结果”。
- Rerank 解决“融合后前几条是否真的最相关”。
- 单块内容截断到 1000 字符,控制上下文和成本。
- 重排失败时自动回退到 RRF 排序。
7.3 中文分块策略
使用 LangChain RecursiveCharacterTextSplitter,默认 512 字符、64 重叠,按段落、换行、句号、分号、逗号的语义粒度递归切分。为什么这样写:
- 中文没有天然空格分词。
- 固定窗口容易把一句话或代码块切断。
- 64 字符重叠用于保留跨块上下文。
7.4 KAG 是“图谱检索 + 文本片段”的融合
从问题中抽取实体,在 Neo4j 完成实体链接和 1-2 跳关系遍历,再反向查找关联文档分块,与 RAG 结果按 chunk 去重合并。
不要把它说成第二个大模型。KAG 的核心价值是:
- 补足 RAG 对实体关系、上下游依赖和跨文档关联能力不足。
- 将图谱路径作为结构化上下文注入 Prompt。
- 图谱结果仍受文档权限过滤。
7.5 防幻觉不是只在 Prompt 里写一句“不要编造”
项目中有三层约束:
- 检索层:只召回有权限且相关的知识片段。
- Prompt 层:要求只基于参考资料回答,无依据时明确拒答。
- 输出层:答案带
[1]、[2]引用,可回溯原文。
可以这样回答面试官:
我们没有把“准确性”完全交给模型。先通过检索和重排限制上下文,再通过 Prompt 约束回答范围,最后用引用让用户核对。
7.6 文档级 ACL 是 AI Agent 的底线
搜索、RAG、KAG 三条链路统一使用文档级权限过滤,权限解析异常时 fail-closed,宁可返回空结果也不返回越权内容。
这是企业 Agent 比普通 Demo 更值钱的地方。模型能回答什么,不只取决于模型,而取决于上下文访问控制。
7.7 多模型不是重复写两套客户端
使用 OpenAI 兼容协议统一接入 Qwen 与 DeepSeek;前端传 provider key,服务端映射真实模型名,避免前端传入不存在的模型导致 404。
面试时要说明:
- Qwen 同时承担 Chat 和 Embedding。
- DeepSeek 作为聊天备选。
- 模型切换靠配置,不污染业务逻辑。
7.8 长任务与降级
使用后台 asyncio 任务执行 RAG 批量重建,任务 ID + Redis 保存进度,Redis 不可用时回退进程内状态。
还可以补充:
- Embedding 失败时 RAG 降级到 BM25。
- Rerank 失败时回退 RRF。
- 文档无正文时用标题 + 摘要做索引兜底。
- 单文档索引失败不会中断整个批量任务。
八、当前项目没实现的能力:简历不能写
这一节非常重要。以下词语很容易让 AI Agent 面试官追问到底:
| 不能写 | 原因 |
|---|---|
| LangGraph / AutoGen / CrewAI | 代码没有使用 |
| ReAct、Plan-and-Execute | 当前没有通用 Planner 和 Tool Calling |
| 多智能体协作 | 当前是单服务工作流,不是多 Agent |
| 自主调用外部工具 | 当前没有标准 Tool Registry 和模型函数调用 |
| 向量数据库 Milvus / Qdrant | 当前使用 Elasticsearch |
| 生产用户量、准确率提升 90% | 没有真实业务数据时不要编造 |
| LangChain Agent Executor | LangChain 只用于文本分块 |
推荐替代写法:
- “Agentic RAG 工作流”
- “可控任务路由”
- “知识检索与图谱推理工具”
- “面向企业场景的单 Agent 能力框架”
九、60 秒项目介绍话术
这个项目是企业知识库的 Python AI 后端,重点是 Agentic RAG 和 KAG 工作流。
用户提问后,系统先判断是否开启知识库增强或图谱增强。RAG 链路会把文档按 512、64 重叠切分,用 text-embedding-v3 生成 1024 维向量,同时走 Elasticsearch BM25 和 cosine 向量检索,再通过 RRF 融合和 LLM 重排。KAG 链路会从问题中提取实体,在 Neo4j 做实体链接和多跳遍历,再找关联文档片段,与 RAG 结果融合。
生成阶段统一走 Qwen/DeepSeek,并支持最近 20 条消息记忆、SSE 流式输出和引用来源。企业场景里我最重视的是权限和稳定性,所以搜索、RAG、KAG 都接入了文档 ACL,异常时 fail-closed;Embedding、Rerank 或模型失败也都有降级路径。
这段的结构是:
项目定位 → 问题路由 → RAG → KAG → 生成 → 企业级边界不要一开始堆技术栈。先讲系统做了什么,再解释技术为什么这样选。
十、技术面试深挖题与标准回答
Q1:这算 Agent 吗?
建议回答:
它更准确地说是面向企业知识场景的 Agentic Workflow,不是通用自主 Agent。系统具备可控执行分支、上下文记忆、检索工具、图谱工具、文档处理任务和结果约束,但没有让模型自由规划并调用任意工具。企业知识场景更强调可控、可审计和权限安全,因此我们优先采用确定性工作流。
这是 strongest answer:既承认边界,又体现架构判断。
Q2:为什么不用 LangGraph 或 ReAct?
当前核心问题不是让模型自由探索,而是保证检索质量、引用和权限。固定工作流更容易测试和观测。后续可以在外层增加 Intent Router 和标准 Tool Registry,再引入 ReAct;但高风险的企业知识场景不会直接把所有工具交给模型自主调用。
Q3:为什么 RAG 还需要 KAG?
RAG 擅长从文档中找到相似文本,但对“A 依赖 B、B 使用 C”这种跨文档关系不够直接。KAG 从 Neo4j 中取实体和关系路径,为模型补充结构化上下文,两者融合可以覆盖“文本相似”和“关系推理”两类问题。
Q4:RRF 为什么比分数加权更稳?
BM25 和 cosine 的分数分布不同,直接加权需要大量调参。RRF 只使用排名,1/(k+rank) 对两路结果做稳定的秩融合,适合异构检索器。项目还保留两路原始得分,方便排查。Q5:如何避免大模型乱答?
第一,权限和检索先缩小上下文;第二,Prompt 要求只根据资料回答并拒答;第三,答案输出引用编号;第四,检索或重排失败时降级而不是放任模型自由发挥。后续还可以加入答案一致性检查和离线评测。
Q6:Embedding 成本怎么控制?
以 MD5(text) 作为 Redis Key,默认缓存 24 小时;批量 Embedding 每批 10 条;Redis 故障不阻断主流程。重复重建和重复问题时可以直接命中缓存。Q7:为什么用 Elasticsearch,不单独上向量数据库?
当前同时需要 BM25、向量检索、过滤条件和文档元数据,ES 可以在一套索引中完成文本和向量能力,减少系统复杂度。数据规模进一步扩大、向量查询占主导后,再评估独立向量库。
Q8:批量重建索引怎么做?
提交任务后立即返回 taskId,后台逐文档删除旧索引、分块、Embedding、写入 ES;进度写 Redis,TTL 一小时,Redis 不可用时内存兜底;单文档失败会记录 failed 数量,不阻断后续文档。
Q9:如何保证私有文档不被 AI 回答出来?
搜索、RAG、KAG 都计算当前用户不可见文档集合,并在查询侧排除。权限解析异常时 fail-closed 返回空结果。Agent 的上下文安全比输出提示词更重要。
Q10:如果流量上来,哪里最先成为瓶颈?
首先是 Embedding 和 LLM 外部调用,其次是 ES 检索和 Neo4j 多跳查询。优化顺序是缓存、批量、并发控制、超时和降级;模型层可以按任务拆分不同模型,简单任务不用最大模型。
十一、STAR 法则:三分钟讲清一个难点
案例:RAG 搜不到但文档明明存在
Situation
知识库中已有 PostgreSQL 教程,但用户询问 PostgreSQL 和 MySQL 对比时,检索结果为空或回答没有引用。
Task
需要定位问题发生在 Embedding、ES 索引、检索过滤还是 Prompt 上下文。
Action
逐层检查索引字段和文档正文,确认向量存在、维度为 1024、cosine mapping 正常;检查 ACL 文档过滤集合;把关键词搜索和向量搜索拆开验证;再检查 RRF 和 Rerank 候选;修复索引和权限链路后重新执行批量重建。
Result
文档重新进入混合检索候选,回答可以携带原始引用;同时补充批量重建进度接口,避免只能等待全量任务结束。
这个案例的优势是:
- 有明确故障现象。
- 有分层排查过程。
- 不是只改了一个参数。
十二、HR 面试话术
12.1 为什么想做 AI Agent?
我之前做后端和知识库,发现大模型真正进入企业后,难点不只是调 API,而是如何把检索、权限、任务执行、上下文和可靠性组合成可用的工作流。Agent 是 AI 应用工程化最集中的方向,我希望继续做能够落地的知识 Agent、RAG 和工具编排。
12.2 你在这个项目里最大的贡献是什么?
不是单独“写了一个聊天接口”,而是把知识入库、混合检索、图谱推理、上下文构造、引用输出和权限过滤串成完整链路,并为模型和检索异常补了降级与任务进度。
12.3 你遇到最大的困难是什么?
检索效果问题通常不是单点问题,而是分块、向量、BM25、权限过滤和 Prompt 共同作用。我的处理方式是拆开每一层分别观测,确认候选召回、融合排序、权限过滤和最终引用是否各自正确。
12.4 你希望下一份工作做什么?
希望继续做 Agent 工作流和工具调用,包括 Intent Router、Tool Registry、Agent Trace、评测体系和更复杂的多步任务,同时保持对企业权限和稳定性的重视。
十三、最适合 AI Agent 岗位的最终简历版本
企业知识 Agent 与 RAG/KAG 平台(Python AI 后端)
角色:AI 后端开发 / Agentic RAG 工作流负责人
- 基于 FastAPI 构建异步企业知识 Agent,根据请求能力开关编排普通对话、RAG、KAG 三类执行分支,支持最近 20 条消息记忆与 SSE 流式输出。
- 设计 RAG 流水线:LangChain 中文分块、1024 维 Embedding、ES BM25 + cosine 向量检索、RRF 融合、LLM 1-10 分重排。
- 设计 KAG 链路:实体抽取、Neo4j 实体链接、多跳关系遍历、关联片段反查,并与 RAG 候选融合生成带图谱上下文的答案。
- 实现引用溯源、无依据拒答、Token 统计、Embedding Redis 缓存、批量重建任务和进度查询。
- 在搜索、RAG、KAG 全链路实现文档 ACL 与 fail-closed 降级,保证不同团队只能使用授权知识。
- 统一接入 Qwen/DeepSeek OpenAI 兼容接口,支持模型切换、重排降级、Embedding 失败回退 BM25。
工程结果:AI 模块现有 42 个 API 路径;知识问答从关键词搜索升级为“混合检索 + 图谱推理 + 原文引用”的可控 Agent 工作流;模型或检索异常时,普通文档业务仍可运行。
这版适合投递:
- AI Agent 开发工程师
- RAG / LLM 应用工程师
- AI 应用后端工程师
- 企业知识库算法工程师
- AI 平台工程师
结语
AI Agent 岗位最怕两种简历:
- 只写“调用大模型 API”,没有任何检索和任务链路。
- 把普通 RAG 吹成“多智能体自主协作”,一追问就露底。
这个 Python 项目真正有竞争力的地方,不是虚构一个更大的 Agent 概念,而是你已经掌握:
知识入库
→ 中文分块
→ Embedding
→ 混合检索
→ RRF
→ Rerank
→ 图谱推理
→ 上下文构造
→ 带引用生成
→ 流式输出
→ 权限与降级把这条链路讲透,比在简历上写十个 Agent 框架更有说服力。