AI工程师简历示例

• 基于权限过滤的支持文档构建Python RAG服务。通过固定回答和引用测试比较检索深度及提示工程（prompt engineering）方案，采用既不泄露受限文档又改善引用可追溯性的配置。
• 将拒答行为、引用有效性和提示注入的自动测试（automated testing）加入CI/CD，让监控（monitoring）使用相同的失败分类，在回答流畅却无依据时阻止发布。
• 将Python服务打包为带版本的Docker镜像并部署到AWS ECS，通过IAM限制源文档权限。验证健康检查和旧镜像回滚，仅在引用及权限测试通过后完成发布。
• 构建区分检索错误与无依据回答的评估集，在检索前核查文档权限，同时记录引用准确率、延迟和令牌成本。
• 主导通过合成临床问题和Python测试数据评估RAG，解决无依据引用并在有限演示前完成人工审查。
• 通过Docker与CI/CD构建提示词版本自动测试，在留出数据上将重复引用失败减少34%并发布可观测性检查。

• 负责具备审批、幂等性与审计日志的智能体工具。防止重试导致客户记录重复更新。
• 调查发布指标与源记录之间的差异，追踪改变总体的转换步骤，用可复现查询修正计算。
• 比较最近成功刷新和失败运行，区分源数据缺失与转换错误，仅重跑受影响时间段，并保留原查询与修正结果供复核。

• 负责依据令牌成本与延迟监控进行模型路由
• 生成含重复、迟到和更正值的合成源记录，编写行数及键唯一性断言，记录各案例对报告指标的预期影响。
• 将分析输出与手工计算参考表核对，追踪差异所在的转换步骤，在修正查询旁保留数据字典与重跑说明。
• 主导通过手算参考验证合成数据，解决重复键导致的虚增并完成重现修正总额的笔记本。

相关课程：算法、操作系统、数据库、计算机网络

Python · RAG · LLM evaluation · Vector search · 可观测性

• 通过可复现查询发布独立方法笔记，解释数据粒度、排除记录及结果对分母变化的敏感性。