AI 超级智能体项目简历写法

建议

注意，以下简历写法仅供参考，根据自己的简历丰富度、以及对于项目的理解情况有选择地去写。如果你自己还没有实现项目或者不理解，建议赶紧跟着教程把它弄懂，再写到简历上！

本项目教程的每一节讲解的 AI 知识都是不同的，可以‍单独学习，如果时间紧迫，每学完一节⁠都可以将部分内容写到简历上了。

此外，本项目以 AI 为核心，是很新的一‍类技术，因此完全可以把学到⁠的知识点运用到你做的其他项⁠目中，把该项目的亮点和你之‌前的项目进行整合。比如：

• 使用 Spring AI 开发框架
• AI 大模型接入和本地部署
• RAG 知识库构建
• 向量数据库应用
• AI 工具调用
• AI MCP 服务接入和开发
• AI 智能体构建
• Serverless 部署

专业技能

后端

可以写的内容非常多，大家挑选 4 ~‍ 8 点即可，千万别全部⁠写上去了！

• 熟悉 Java 21 特性，并能运用 Hutool、Lombok、Knife4j 等工具库提高开发效率，遵循阿里 Java 规范保证项目质量。
• 熟悉 Java 主流类库的使用，如 Kryo 高性能序列化、Jsoup 网页抓取、iText PDF 生成、Tika 文档解析等，提高项目的开发效率。
• 熟练使用 Spring Boot 3.x 框架独立开发后端项目，能整合 Knife4j 等组件实现接口文档自动生成。
• 掌握多种 AI 应用开发方式，包括 SDK / HTTP / AI 开发框架 / 第三方大模型平台（如百炼和 Dify）等，能根据业务场景选择最优方案。
• 熟悉 Spring AI、Spring AI Alibaba、LangChain4j 等主流 AI 开发框架，独立开发过企业级 AI 应用。
• 掌握主流 AI 概念如 RAG、Tool Calling、MCP、CoT、ReAct、A2A 等，独立开发过拥有自主规划能力的 AI 智能体。
• 掌握 Spring AI 框架，实践过结构化输出、多模态、ChatMemory、Advisor、RAG、Tool Calling、MCP 并通过阅读源码理解了原理。
• 掌握 Spring AI 框架的核心特性，能快速实现具有会话记忆 + RAG 知识库 + 工具调用 + MCP 能力的 AI 智能体。
• 掌握 Prompt 工程和优化技巧，比如思维链、少样本学习、多视角分析等，能够设计高质量的提示词并处理结构化输出。
• 掌握 Spring AI 框架 RAG 应用开发，能通过自主实现文档加载器、分词器、高级文档检索策略来优化 RAG 效果。
• 掌握 RAG 知识库构建技术，能基于 Spring AI 或百炼平台实现文档收集、向量转换与存储、文档检索和查询增强的完整流程。
• 熟悉 PGvector 等向量数据库的应用，能结合 Spring AI 的 VectorStore 实现 AI 知识库管理和 RAG 智能检索。
• 掌握 AI 工具调用 Tool Calling 特性，能利用 Spring AI 开发各种工具，比如网页抓取、联网搜索、PDF 生成等。
• 掌握 MCP 模型上下文协议，能够使用、开发和部署 MCP 服务，熟悉 MCP 安全问题和最佳实践。
• 熟练使用 Ollama 进行大模型本地部署和调用，理解大模型本地化的优势与限制。
• 掌握 AI 智能体相关概念如 Cot 和 ReAct，深入阅读过 OpenManus 源码，并基于分层架构实现了拥有自主规划能力的 AI 智能体。
• 掌握 SSE 技术，能运用 SSEEmitter 实现实时流式响应的 AI 对话服务接口，提升用户体验。
• 熟悉响应式编程，能使用 WebFlux 实现非阻塞式异步操作，提高系统并发处理能力。
• 熟悉 Docker 容器化技术，能够编写 Dockerfile 将应用打包成镜像，确保环境一致性和部署效率。
• 熟悉 Serverless 部署技术，能将前后端项目快速部署到云平台，实现按需扩缩容和降低运维成本。
• 熟悉主流设计模式，实践过单例模式、模板方法模式、代理模式、策略模式、工厂模式等并能快速阅读源码。

前端

这个项目的侧重点不在前端，以‍下仅为示例写法，不⁠代表在项目中有⁠过实践。

• 熟悉 Vue 3、React 等主流前端框架，能自定义企业级前端项目模板，包括全局状态管理、用户登录态管理、动态权限控制、菜单生成与布局切换等功能。
• 熟悉 Ant Design、Material Design 等 UI 库，能够利用 Ant Design X 业务组件库快速构建 AI 应用。
• 熟悉前端工程化，能使用 Vite 构建工具实现前端项目打包和优化，结合 TypeScript 实现类型安全开发。
• 熟悉前端代码规范，能使用 ESLint + Prettier + TypeScript 进行代码风格统一和质量检测，提升项目质量。
• 熟悉 HTTP 协议和计算机网络模型，并且能够通过 SSE 技术实现对流式接口的调用和实时展示。
• 熟悉 Axios 请求库，能自定义 Axios 实例，封装全局请求与响应拦截器，实现统一的错误提示并根据环境切换请求域名。
• 熟悉前端性能优化，如 CDN 加速、懒加载、图片缩略与浏览器缓存策略，提升页面加载速度并节省流量。
• 熟悉前端代码生成工具，比如利用 OpenAPI 自动生成 API 调用代码，提升开发效率并减少错误。
• 掌握前端工具链，包括脚手架、Vite、Cursor、VS Code、WebStorm、pnpm、Git 等，能够快速搭建与管理前端项目。
• 掌握前端项目部署，能运用 Docker + Serverless + Nginx 快速完成前端项目部署，并通过反向代理解决跨域问题。
• 能利用 Cursor 等 AI 编程工具高效开发前端界面，通过 Prompt 工程快速生成符合需求的代码。

项目经历

项目名称：XX AI 超级智‍能体

建议根据自己对项目的学习理解‍程度，自己想个有区⁠分度的名字，其他名⁠称参考：

• XX AI 恋爱大师
• XX AI 超级助手
• XX AI 工具箱
• XX AI 知识助手
• XX AI Agent

教程中，只是以 AI 恋爱大师应用为‍例，带大家学习 AI 应用⁠的开发场景和方法，大家其实⁠可以尽情发挥想象力，开发属‌于你自己的 AI 应用，比如：

• AI 编程助手
• AI 智能客服
• AI 旅游规划大师
• AI 写作王
• AI 博客助手
• AI 自媒体文案助手

这样一来，就很容易拉开和其他同‍学简历的区分度。

建议大家也把项目放到代码仓库‍中，并且在主页文档⁠里补充项目架构图、⁠项目功能模块、技术‌选型等介绍信息。

但是注意不要抄袭！一定要加上自己的理解和扩展！否则一下就被面试官查出来了。

项目介绍

后端写法

可以根据简历的篇幅对下面的介‍绍进行适当的删减，⁠一般项目介绍不要超⁠过 3 行

基于 Spring Boot 3 + Spring AI + RAG + Tool Calling + MCP 的企业级 AI 恋爱大师智能体，为用户提供情感指导服务。支持多轮对话、记忆持久化、RAG 知识库检索等能力，并且基于 ReAct 模式，能够自主思考并调用工具来完成复杂任务，比如利用网页搜索、资源下载和 PDF 生成工具制定完整的约会计划并生成文档。

前端写法

基于 Vue3 + TypeScript 的企业级 AI 恋爱大师智能体，为用户提供情感指导服务。提供类似 ChatGPT 的响应式交互界面，支持多轮对话、RAG 知识库问答、工具调用和 MCP，基于 SSE 技术实时展示智能体的思考和执行过程。

主要工作

根据自己对项目的掌握程度，选 6 ~ 8 个左右 去写并适当调整文案，灵活一点。强烈建议参考项目扩展思路多完善下项目，增加一些区分度！

后端写法

冒号前的内容只是为了帮助大家‍快速理解每一点的核⁠心内容，写在简历上⁠时可以移除掉。

• 项目架构搭建：基于 Spring Boot 3 搭建项目核心架构，整合 Hutool、Lombok 和 Knife4j 接口文档，并通过全局异常处理器增强了项目的健壮性。
• 【推荐】AI 大模型集成：利用 Spring AI 框架快速接入通义、Ollama 等多种 AI 大模型，并封装统一的调用接口，实现了大模型的灵活切换，适应不同业务需求。
• 本地大模型部署：基于 Ollama 实现了 AI 大模型的本地部署，用于处理简单的对话，解决了网络延迟和数据安全问题，同时降低了 API 调用成本。
• 【推荐】Prompt 工程优化：运用角色定义、Few-shot 等技巧优化 AI 恋爱大师应用的提示词，并通过阿里云百炼平台反复测试，提高了模型回答的准确性。
• Prompt 模板管理：基于 Spring AI 的 Prompt Template 特性实现可变参数的提示词管理系统，支持动态插入变量，避免了提示词硬编码，提高了提示词的灵活性和可维护性。
• 【推荐】AI 多轮对话：通过 Spring AI 的 MessageChatMemoryAdvisor 和 ChatMemory 特性实现对话上下文记忆功能，使 AI 能在多轮对话中保持语境连贯。
• 【推荐】对话记忆持久化：自主实现了基于文件系统的 ChatMemory，结合 Kryo 高性能序列化库保存对话历史数据，解决了服务重启后对话记忆丢失的问题，增强了系统稳定性。
• 日志 Advisor 开发：通过实现 CallAroundAdvisor 接口开发日志 Advisor，记录 AI 对话请求和响应信息，便于开发调试。
• 【推荐】Re-Reading Advisor 开发：通过实现 CallAroundAdvisor 接口开发 Re-Reading Advisor，通过让模型重复阅读用户输入，提高了复杂问题处理的准确性。
• 【推荐】结构化输出：基于 Spring AI 的结构化输出特性实现了恋爱报告生成功能，将 AI 的回复精准转换为结构化 Java 对象，便于后续的数据处理和展示。
• AI 知识问答：利用 QuestionAnswerAdvisor 实现了 RAG 检索增强生成，使 AI 能够基于特定知识库精准回答用户问题并推荐相关课程，提高了回答质量并增加了变现机会。
• 【推荐】RAG 文档处理：使用 MarkdownDocumentReader 对恋爱知识文档进行读取和切片处理，并通过 KeywordMetadataEnricher 自动提取文档关键元信息以支持精确检索。
• 【推荐】RAG 向量存储：自定义 VectorStore 实现，结合 EmbeddingModel 将文本转换为语义向量并存储到 PGvector 向量数据库，支持语义相似度搜索和多维度过滤，提高了检索精准度。
• 【推荐】RAG 文档检索：基于 RetrievalAugmentationAdvisor 组合了文档检索器和查询转换器，通过配置相似度阈值和元信息过滤策略，优化了 AI 回复的准确性与相关性。
• 【推荐】RAG 查询增强：综合运用多查询扩展、查询重写和上下文查询增强机制，优化用户原始 Prompt，提升了知识检索的召回率和 AI 回复的准确度。
• 【推荐】RAG 云知识库集成：对接阿里云百炼知识库服务，通过 DashScopeDocumentRetriever 实现云端文档检索，简化了知识库维护成本。
• ETL 数据处理：基于 Spring AI 框架实现了对恋爱知识文档的完整 ETL 数据处理流程，使用 DocumentReader、DocumentTransformer 和 DocumentWriter 实现知识文档的抽取、转换和加载，提高了知识库构建效率。
• 文档质量优化：利用 AI 对原始知识文档进行内容结构化和格式标准化，使文档切分更加合理，提升了 RAG 的回答质量。
• 批处理优化策略：设计并实现批处理策略 TokenCountBatchingStrategy，优化大量文档的向量化过程，解决了嵌入模型的上下文窗口限制问题，同时减轻了数据库压力。
• 自动元信息标注：自定义实现 MarkdownDocumentReader 的配置，为文档自动添加元信息标注，比如文件名和恋爱状态标签，提升了多维度检索能力。
• AI 关键词提取：利用 KeywordMetadataEnricher 实现基于 AI 的智能关键词提取和元信息增强，丰富了文档的元数据，提升了多维度检索能力。
• 自定义文档切片：基于 TokenTextSplitter 自定义文档切片规则，通过配置最优分块大小和重叠比例，确保语义完整性和检索精准度。
• 元数据过滤：基于 FilterExpressionBuilder 构造元数据过滤规则，实现了精确的文档筛选逻辑，使查询结果更加精准。
• 多查询扩展：基于 MultiQueryExpander 实现智能查询扩展，将单一查询扩展为多个语义相关的变体，提高了检索的召回率和相关性。
• 查询重写优化：基于 RewriteQueryTransformer 实现查询重写，将用户输入的原始查询智能优化为更清晰专业的表达，提升了检索的准确度。
• 动态 Advisor 工厂：使用工厂模式，根据用户查询动态生成合适的 RAG Advisor，实现了查询与知识库的精准匹配。
• 上下文查询增强：集成 ContextualQueryAugmenter 上下文查询增强器，通过自定义空上下文处理逻辑，当用户提出和恋爱知识无关的问题时，给出联系人工客服的友好引导。
• RAG 参数优化：基于 DocumentRetriever 优化 RAG 检索参数配置，包括相似度阈值、返回文档数量和元信息过滤规则，提升了查询准确度。
• 模块化 RAG 架构：基于 RetrievalAugmentationAdvisor 实现了模块化 RAG 架构，划分预检索、检索和后检索阶段，提高了系统的可扩展性。
• 【推荐】AI 工具调用：利用 Spring AI 的工具调用注解实现了多种工具调用功能，包括文件操作、联网搜索、网页抓取、终端操作、资源下载和 PDF 生成，扩展了 AI 的能力边界。
• 文件操作工具：封装统一的文件读写工具，并通过隔离文件存储目录实现了安全的文件系统访问，让 AI 能够保存用户恋爱记录文件。
• 终端命令执行：通过 Java Process API 实现终端命令执行和结果获取，并针对不同操作系统进行了兼容性处理，让 AI 能够执行 Python 脚本来分析用户恋爱报告。
• 资源下载工具：基于 Hutool 的 HTTP 工具类实现了指定 URL 的网络资源下载，让 AI 能够下载图片，使生成的恋爱报告更生动。
• 网页抓取工具：基于 Jsoup 实现了网页抓取工具，能够提取特定 URL 的网页内容，为 AI 提供实时的外部信息。
• 【推荐】联网搜索工具：基于 Search API 开发了网页搜索工具，支持从搜索引擎获取最新信息，增强了 AI 的实时信息获取能力。
• PDF 生成工具：基于 iText 实现了 PDF 生成工具，支持中文内容和自定义排版，让 AI 能够为用户生成恋爱报告 PDF 文档。
• 工具调用可观测性：通过配置 Spring AI 工具调用管理器的日志级别实现了工具调用过程的可视化，便于调试和排查问题。
• 工具上下文传递：应用 ToolContext 上下文信息传递机制，在工具调用过程中携带用户身份信息，省去了用户需要自主告诉 AI 信息的麻烦，同时确保了多用户环境下的安全访问。
• 【推荐】集中式工具注册：基于单例模式实现了集中式工具注册类，统一管理和配置所有可用工具。通过 Spring Bean 注入简化了工具的添加和移除流程，提高了代码的可维护性。
• 【推荐】集成地图 MCP：利用 Spring AI 的 MCP Client 以本地 Stdio 模式集成高德地图 MCP，让 AI 能够准确地基于地理位置推荐约会地点。
• 【推荐】图片搜索 MCP：利用 Spring AI MCP Server 集成 Pexels 图片 API 实现了图片搜索 MCP 服务，让 AI 能够联网检索图片资源；同时实现了 Stdio 和 SSE 两套传输模式，适应不同的部署场景。
• 【推荐】部署发布 MCP：基于阿里云百炼平台以 Serverless 方式部署了图片搜索 MCP 服务，并将其发布到了 MCP.so 服务市场，供他人快速使用。
• 【推荐】自主规划智能体：基于 ReAct 模式构建了具备自主规划能力的 AI 智能体，能够分解任务、自主决策、选择工具、循环执行直到完成复杂任务，比如帮用户自动寻找约会地点并生成约会计划 PDF。
• 【推荐】分层智能体架构：参考 OpenManus 实现了拥有自主规划能力的分层 AI 智能体架构（BaseAgent、ReActAgent、ToolCallAgent），实现了高扩展性和可维护性。
• 【推荐】深度思考：参考 OpenManus 的提示词实现了 CoT 深度推理模式，让智能体能够在处理复杂问题时逐步推理，显著提升了推理准确性和可解释性。
• 【推荐】解决 Agent Loop 死循环：基于 Agent Loop 思想实现了 AI 智能体的自主多步骤执行，并通过最大步骤限制、Agent 状态管理和死循环检测，防止智能体陷入无限循环。
• 智能体任务完成：设计实现了特殊工具机制，开发了终止工具让 AI 自主判断任务结束时机，有效解决了智能体执行流程控制问题，合理中断 Agent Loop。
• 【推荐】AI 流式接口：使用 SseEmitter 实现了 SSE 流式响应 AI 应用接口，并通过 CompletableFuture 将 AI 推理任务异步化，避免阻塞主线程，提升了用户体验。
• 推理过程实时输出：运用 SSE 实现了智能体执行进度的实时反馈，将原本黑盒式的 AI 推理过程转变为透明可见的步骤展示，提升了用户体验。
• 跨域问题解决：掌握 CORS 跨域问题的解决方案，通过 WebMvcConfigurer 实现全局跨域配置，解决前后端分离开发中的跨域问题。
• 【推荐】AI 服务部署：编写 Dockerfile 进行后端项目容器化，并通过云托管 Serverless 平台进行部署，能够自动扩缩容、降低运维成本并提高系统可用性。

前端写法

• AI 前端项目生成：利用 AI 编程工具 Cursor 快速生成了基于 Vue3 的前端项目，实现了多页面切换、聊天室界面和实时消息显示等核心功能。
• SSE 流式接口消费：设计实现了针对 SSE 流式接口的前端消费方案，实现了打字机效果的实时内容展示，大幅提升了用户体验。
• 会话管理功能：开发了区分不同会话的聊天室功能，自动生成聊天室 ID 并维护会话状态，实现了多轮对话的隔离和连贯性。
• 环境配置管理：实现前端环境配置管理，根据 process.env.NODE_ENV 环境变量自动切换 API 请求地址，简化了开发和部署流程。
• 用户界面设计：设计开发了聊天界面 UI，区分用户消息和 AI 回复的展示样式，并优化响应式布局兼容多种屏幕尺寸。
• 前端项目部署：编写 Dockerfile 进行前端项目容器化，集成 Nginx 实现静态资源服务和 API 反向代理，解决了跨域问题；并通过云托管 Serverless 平台进行部署，能够自动扩缩容、降低运维成本并提高系统可用性。

个人评价

• 具备扎实的 AI 应用开发功底，熟练掌握 Spring AI、LangChain4j 等主流框架，能快速构建问答系统、自主规划智能体等 AI 应用。
• 深入理解 RAG 检索增强技术，能从文档处理、向量存储到查询增强的全流程进行优化，提升知识问答系统的准确性和相关性。
• 善于将复杂 AI 技术与实际业务场景结合，通过工具调用、MCP 服务集成等方式扩展 AI 能力边界，解决实际问题。
• 具备 AI 系统架构设计能力，能从性能、安全、成本多角度进行技术选型和方案优化，如使用多级缓存提升响应速度、优化 Token 使用降低运营成本。
• 熟练掌握 Prompt 工程技巧，能通过思维链、少样本学习等优化手段显著提升大模型输出质量，实现更精准的 AI 响应。
• 有很强的自主学习能力，能通过阅读官方文档、开源项目和论文自学前沿 AI 技术，比如阅读 Spring AI 官方文档掌握了核心特性、参考 OpenManus 源码实现了类似的项目、通过国外 AI 资讯了解了 A2A 等新概念。
• 有不错的产品思维，能够利用 AI 改进传统业务，比如能利用 RAG 知识库为用户推荐课程资源；能利用 SSE 技术实时展示 AI 的推理过程，提升用户体验。