前言

注意，看到这篇文章的简历写法，不要直接复制到你的简历上。一定要魔改一下，修改修改。避免大家的简历都太相似了，除非你是第前1000个吃螃蟹拿去面试的人。（最早来学习这个项目并拿去面试的同学有福了）

下面给几种写法思路，你理解了之后可以复制给AI，让AI帮你改改项目描述。

[!WARNING] 简历PDF制作可以用小林的网站：https://jianli.xiaolinnote.com/（免费+无水印）

Go版本

写法1-分点叙述

智能OnCall Agent系统 项目介绍：智能OnCall系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。 技术栈：Goframe、Eino、RAG、ReAct、Plan-Executor、Multi-Agent、MCP 个人职责：

  • 负责 AI Agent 架构设计：基于 Eino 框架设计并实现了多个AI Agent，包括 Knowledge Index Agent、Chat ReAct Agent和 Plan-Execute-Replan Agent
  • 负责 RAG 知识库系统设计：设计了完整的文档向量化存储和检索方案，支持内部文档的智能检索增强生成。使 AI 能够基于内部知识库提供准确的业务咨询和技术支持。
  • **负责对话功能开发：基于 ReAct 模式实现了对话Agent 。**实现业务咨询、告警自救、工单预处理等场景无缝切换，一次开发覆盖研发、运维、业务方多角色需求。
  • 负责AIOps功能开发：基于** Plan-Execute 模式实现了智能运维Agent，解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。** 项目亮点：
  • **AI Agent 架构设计：**通过图编排实现模块化的 Agent 工作流。设计并实现了多通用工具集，包括通过 MCP 协议集成日志查询工具、Prometheus 告警查询工具、MySQL 数据操作工具、联网查询等，使 AI Agent 能够灵活调用外部工具完成复杂任务。
  • RAG 知识库系统设计：在 RAG 系统中，需要处理文档分块大小和检索TopK参数的选择。分块过小会丢失上下文，过大会降低检索精度；TopK 过大会影响性能，过小可能遗漏关键信息。经过测试验证，确定了最优参数组合，知识检索准确率达到 85%+
  • 对话功能：支持多轮对话上下文记忆，并通过容错处理优化体验。同时基于SSE技术实现AI对话流式输出，解决大模型响应延迟问题，前端呈现实时对话效果。
  • AIOps功能：实现了根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议的完整业务流程。能够自动根据内部文档查询监控信息和日志信息，通过工具调用实现自动化监控告警查询和日志分析，并结合历史工单生成运维建议方案。

写法2-稍微魔改

Auto OnCall 系统

项目介绍：Auto OnCall 系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。

技术栈：Goframe、Eino、RAG、ReAct、Plan-Executor、Multi-Agent、MCP（Go语言选手）

技术栈：SpringBoot、SpringAI-Alibaba、RAG、ReAct、Plan-Executor、Multi-Agent、MCP（Java语言选手）

个人职责：

  • 负责企业知识库检索问答系统实现，采用向量数据库存储文档向量，基于检索增强生成（RAG）技术实现文档智能问答和知识检索

  • 基于Eino实现业务工具的智能编排能力，将知识库召回、日志查询、监控查询等功能封装为标准化工具。实现 LLM 根据用户意图自主选择工具、解析参数、组合调用的完整链路

  • 负责 AI 对话的实时交互系统设计与实现，基于SSE实现流式对话推送，支持多用户并发对话场景。实现对话历史的持久化存储和上下文自动加载，保证对话连贯性

  • 负责 AI Ops的设计与实现，基于** Plan-Execute 模式实现了智能运维Agent，实现了根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议**的完整业务流程。

项目亮点：

  • 对话上下文窗口超限导致 LLM 调用失败。设计对话摘要机制，保留最近50轮完整对话和历史摘要，在保证上下文连贯性的前提下，上下文 Token 使用率降低 60%

  • 多用户并发对话存在上下文混淆问题。采用用户 ID 作为会话隔离标识，为每个会话分配独立的对话记忆实例，实现万级并发用户的对话隔离和状态管理

  • AI 响应速度慢影响用户体验。通过流式输出机制实现 LLM 响应的逐字推送，解决大模型响应延迟问题，前端呈现实时对话效果。

  • 负责AIOps功能开发**。**解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。

写法3-完全合并

智能OnCall Agent系统

项目介绍：智能OnCall系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。

技术栈：Goframe、Eino、RAG、ReAct、Plan-Executor、Multi-Agent、MCP（Go语言选手）

技术栈：SpringBoot、SpringAI-Alibaba、RAG、ReAct、Plan-Executor、Multi-Agent、MCP（Java语言选手）

个人职责：

  • 负责 AI Agent 架构设计：基于 Eino 框架设计并实现了多个AI Agent，包括 **Knowledge Index Agent、Chat ReAct Agent 和 Plan-Execute-Replan Agent，**通过图编排实现模块化的 Agent 工作流。设计并实现了多工具集成方案，包括通过 MCP 协议集成日志查询工具、Prometheus 告警查询工具、MySQL 数据操作工具、联网查询等，使 AI Agent 能够灵活调用外部工具完成复杂任务。

  • 负责 RAG 知识库系统设计：设计了完整的文档向量化存储和检索方案，支持内部文档的智能检索增强生成。使 AI 能够基于内部知识库提供准确的业务咨询和技术支持。在 RAG 系统中，需要处理文档分割大小和检索TopK参数的选择。分割过小会丢失上下文，过大会降低检索精度；TopK 过大会影响性能，过小可能遗漏关键信息。经过测试验证，确定了最优参数组合，知识检索准确率达到 85%+

  • 负责对话功能开发：基于 ReAct 模式实现了对话Agent 。实现业务咨询、告警自救、工单预处理等场景无缝切换，一次开发覆盖研发、运维、业务方多角色需求，支持多轮对话上下文记忆，并通过容错处理优化体验。同时基于SSE技术实现AI对话流式输出，解决大模型响应延迟问题，前端呈现实时对话效果。

  • 负责AIOps功能开发：基于** Plan-Execute-Replan 模式实现了智能运维Agent**。实现了** 根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议 **的完整业务流程，**解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。**能够自动根据内部文档查询监控信息和日志信息，通过工具调用实现自动化监控告警查询和日志分析，并结合历史工单生成运维建议方案。

Java版本

写法1-分点叙述

智能OnCall Agent系统 项目介绍：智能OnCall系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。 技术栈：SpringBoot、SpringAI-Alibaba、RAG、ReAct、Plan-Executor、Multi-Agent、MCP 个人职责：

  • 负责 AI Agent 架构设计：基于 SpringAI-Alibaba 框架设计并实现了多个AI Agent，包括 Knowledge Index Agent、Chat ReAct Agent和 Plan-Execute-Replan Agent
  • 负责 RAG 知识库系统设计：设计了完整的文档向量化存储和检索方案，支持内部文档的智能检索增强生成。使 AI 能够基于内部知识库提供准确的业务咨询和技术支持。
  • **负责对话功能开发：基于 ReAct 模式实现了对话Agent 。**实现业务咨询、告警自救、工单预处理等场景无缝切换，一次开发覆盖研发、运维、业务方多角色需求。
  • 负责AIOps功能开发：基于** Plan-Execute 模式实现了智能运维Agent，解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。** 项目亮点：
  • **AI Agent 架构设计：**通过图编排实现模块化的 Agent 工作流。设计并实现了多通用工具集，包括通过 MCP 协议集成日志查询工具、Prometheus 告警查询工具、MySQL 数据操作工具、联网查询等，使 AI Agent 能够灵活调用外部工具完成复杂任务。
  • RAG 知识库系统设计：在 RAG 系统中，需要处理文档分块大小和检索TopK参数的选择。分块过小会丢失上下文，过大会降低检索精度；TopK 过大会影响性能，过小可能遗漏关键信息。经过测试验证，确定了最优参数组合，知识检索准确率达到 85%+
  • 对话功能：支持多轮对话上下文记忆，并通过容错处理优化体验。同时基于SSE技术实现AI对话流式输出，解决大模型响应延迟问题，前端呈现实时对话效果。
  • AIOps功能：实现了根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议的完整业务流程。能够自动根据内部文档查询监控信息和日志信息，通过工具调用实现自动化监控告警查询和日志分析，并结合历史工单生成运维建议方案。

写法2-稍微魔改

Auto OnCall 系统

项目介绍：Auto OnCall 系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。

技术栈：SpringBoot、SpringAI-Alibaba、RAG、ReAct、Plan-Executor、Multi-Agent、MCP

个人职责：

  • 负责企业知识库检索问答系统实现，采用向量数据库存储文档向量，基于检索增强生成（RAG）技术实现文档智能问答和知识检索

  • 基于SpringAI-Alibaba实现业务工具的智能编排能力，将知识库召回、日志查询、监控查询等功能封装为标准化工具。实现 LLM 根据用户意图自主选择工具、解析参数、组合调用的完整链路

  • 负责 AI 对话的实时交互系统设计与实现，基于SSE实现流式对话推送，支持多用户并发对话场景。实现对话历史的持久化存储和上下文自动加载，保证对话连贯性

  • 负责 AI Ops的设计与实现，基于** Plan-Execute 模式实现了智能运维Agent，实现了根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议**的完整业务流程。

项目亮点：

  • 对话上下文窗口超限导致 LLM 调用失败。设计对话摘要机制，保留最近50轮完整对话和历史摘要，在保证上下文连贯性的前提下，上下文 Token 使用率降低 60%

  • 多用户并发对话存在上下文混淆问题。采用用户 ID 作为会话隔离标识，为每个会话分配独立的对话记忆实例，实现万级并发用户的对话隔离和状态管理

  • AI 响应速度慢影响用户体验。通过流式输出机制实现 LLM 响应的逐字推送，解决大模型响应延迟问题，前端呈现实时对话效果。

  • 负责AIOps功能开发**。**解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。

写法3-完全合并

智能OnCall Agent系统

项目介绍：智能OnCall系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。

技术栈：SpringBoot、SpringAI-Alibaba、RAG、ReAct、Plan-Executor、Multi-Agent、MCP

个人职责：

  • 负责 AI Agent 架构设计：基于 SpringAI-Alibaba 框架设计并实现了多个AI Agent，包括 **Knowledge Index Agent、Chat ReAct Agent 和 Plan-Execute-Replan Agent，**通过图编排实现模块化的 Agent 工作流。设计并实现了多工具集成方案，包括通过 MCP 协议集成日志查询工具、Prometheus 告警查询工具、MySQL 数据操作工具、联网查询等，使 AI Agent 能够灵活调用外部工具完成复杂任务。

  • 负责 RAG 知识库系统设计：设计了完整的文档向量化存储和检索方案，支持内部文档的智能检索增强生成。使 AI 能够基于内部知识库提供准确的业务咨询和技术支持。在 RAG 系统中，需要处理文档分割大小和检索TopK参数的选择。分割过小会丢失上下文，过大会降低检索精度；TopK 过大会影响性能，过小可能遗漏关键信息。经过测试验证，确定了最优参数组合，知识检索准确率达到 85%+

  • 负责对话功能开发：基于 ReAct 模式实现了对话Agent 。实现业务咨询、告警自救、工单预处理等场景无缝切换，一次开发覆盖研发、运维、业务方多角色需求，支持多轮对话上下文记忆，并通过容错处理优化体验。同时基于SSE技术实现AI对话流式输出，解决大模型响应延迟问题，前端呈现实时对话效果。

  • 负责AIOps功能开发：基于** Plan-Execute-Replan 模式实现了智能运维Agent**。实现了** 根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议 **的完整业务流程，**解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。**能够自动根据内部文档查询监控信息和日志信息，通过工具调用实现自动化监控告警查询和日志分析，并结合历史工单生成运维建议方案。

Python版本

写法1-分点叙述

智能OnCall Agent系统 项目介绍：智能OnCall系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。 技术栈：LangChain、LangGraph、RAG、ReAct、Plan-Executor、Multi-Agent、MCP 个人职责：

  • 负责 AI Agent 架构设计：基于 LangChain 框架设计并实现了多个AI Agent，包括 Knowledge Index Agent、Chat ReAct Agent和 Plan-Execute-Replan Agent
  • 负责 RAG 知识库系统设计：设计了完整的文档向量化存储和检索方案，支持内部文档的智能检索增强生成。使 AI 能够基于内部知识库提供准确的业务咨询和技术支持。
  • **负责对话功能开发：基于 ReAct 模式实现了对话Agent 。**实现业务咨询、告警自救、工单预处理等场景无缝切换，一次开发覆盖研发、运维、业务方多角色需求。
  • 负责AIOps功能开发：基于** Plan-Execute 模式实现了智能运维Agent，解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。** 项目亮点：
  • **AI Agent 架构设计：**通过图编排实现模块化的 Agent 工作流。设计并实现了多通用工具集，包括通过 MCP 协议集成日志查询工具、Prometheus 告警查询工具、MySQL 数据操作工具、联网查询等，使 AI Agent 能够灵活调用外部工具完成复杂任务。
  • RAG 知识库系统设计：在 RAG 系统中，需要处理文档分块大小和检索TopK参数的选择。分块过小会丢失上下文，过大会降低检索精度；TopK 过大会影响性能，过小可能遗漏关键信息。经过测试验证，确定了最优参数组合，知识检索准确率达到 85%+
  • 对话功能：支持多轮对话上下文记忆，并通过容错处理优化体验。同时基于SSE技术实现AI对话流式输出，解决大模型响应延迟问题，前端呈现实时对话效果。
  • AIOps功能：实现了根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议的完整业务流程。能够自动根据内部文档查询监控信息和日志信息，通过工具调用实现自动化监控告警查询和日志分析，并结合历史工单生成运维建议方案。

写法2-稍微魔改

Auto OnCall 系统

项目介绍：Auto OnCall 系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。

**技术栈：**LangChain、LangGraph、RAG、ReAct、Plan-Executor、Multi-Agent、MCP

个人职责：

  • 负责企业知识库检索问答系统实现，采用向量数据库存储文档向量，基于检索增强生成（RAG）技术实现文档智能问答和知识检索

  • 基于 LangChain 实现业务工具的智能编排能力，将知识库召回、日志查询、监控查询等功能封装为标准化工具。实现 LLM 根据用户意图自主选择工具、解析参数、组合调用的完整链路

  • 负责 AI 对话的实时交互系统设计与实现，基于SSE实现流式对话推送，支持多用户并发对话场景。实现对话历史的持久化存储和上下文自动加载，保证对话连贯性

  • 负责 AI Ops的设计与实现，基于** Plan-Execute 模式实现了智能运维Agent，实现了根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议**的完整业务流程。

项目亮点：

  • 对话上下文窗口超限导致 LLM 调用失败。设计对话摘要机制，保留最近50轮完整对话和历史摘要，在保证上下文连贯性的前提下，上下文 Token 使用率降低 60%

  • 多用户并发对话存在上下文混淆问题。采用用户 ID 作为会话隔离标识，为每个会话分配独立的对话记忆实例，实现万级并发用户的对话隔离和状态管理

  • AI 响应速度慢影响用户体验。通过流式输出机制实现 LLM 响应的逐字推送，解决大模型响应延迟问题，前端呈现实时对话效果。

  • 负责AIOps功能开发**。**解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。

写法3-完全合并

智能OnCall Agent系统

项目介绍：智能OnCall系统通过AI Agent解决团队真实痛点，整合知识库、对话、运维三大核心能力，实现问题自动应答和故障智能排查的一体化服务。致力于降低团队OnCall的人力成本，提升团队效率。

**技术栈：**LangChain、LangGraph、RAG、ReAct、Plan-Executor、Multi-Agent、MCP

个人职责：

  • 负责 AI Agent 架构设计：基于 LangChain 框架设计并实现了多个AI Agent，包括 **Knowledge Index Agent、Chat ReAct Agent 和 Plan-Execute-Replan Agent，**通过图编排实现模块化的 Agent 工作流。设计并实现了多工具集成方案，包括通过 MCP 协议集成日志查询工具、Prometheus 告警查询工具、MySQL 数据操作工具、联网查询等，使 AI Agent 能够灵活调用外部工具完成复杂任务。

  • 负责 RAG 知识库系统设计：设计了完整的文档向量化存储和检索方案，支持内部文档的智能检索增强生成。使 AI 能够基于内部知识库提供准确的业务咨询和技术支持。在 RAG 系统中，需要处理文档分割大小和检索TopK参数的选择。分割过小会丢失上下文，过大会降低检索精度；TopK 过大会影响性能，过小可能遗漏关键信息。经过测试验证，确定了最优参数组合，知识检索准确率达到 85%+

  • 负责对话功能开发：基于 ReAct 模式实现了对话Agent 。实现业务咨询、告警自救、工单预处理等场景无缝切换，一次开发覆盖研发、运维、业务方多角色需求，支持多轮对话上下文记忆，并通过容错处理优化体验。同时基于SSE技术实现AI对话流式输出，解决大模型响应延迟问题，前端呈现实时对话效果。

  • 负责AIOps功能开发：基于** Plan-Execute-Replan 模式实现了智能运维Agent**。实现了** 根据告警信息 → 检索知识库 → 规划执行步骤 → 调用工具查询 → 分析结果 → 生成建议 **的完整业务流程，**解决了传统运维需要人工排障的低效问题，将运维响应时间从小时级降低到分钟级。**能够自动根据内部文档查询监控信息和日志信息，通过工具调用实现自动化监控告警查询和日志分析，并结合历史工单生成运维建议方案。