后端 + AI Agent 简历怎么写
后端加 Agent 是落地最多的方向：模型要调用业务系统，就需要有人把业务能力安全、稳定地暴露给它。简历的重心放在后端：工具治理、数据管线和稳定性，对话界面这类前端工作点到即止。
01后端做 Agent 的优势在哪
Agent 上线后遇到的问题，很多都是熟悉的后端问题：模型服务超时会拖垮调用方的线程池，工具接口被重复调用会产生重复数据，模型越权调用会泄露数据，文档更新后检索结果没有及时更新。
这些问题的解法，后端工程师早就熟悉：熔断降级、幂等、权限和审计、增量同步。简历里要把这些功底和 Agent 的落地结果连起来，让面试官看到你不只是会调 API。
| Agent 遇到的问题 | 对应的后端能力 | 简历里可以写的 |
|---|---|---|
| 模型服务超时、限流 | 熔断、降级、排队 | 模型调用成功率、降级策略 |
| 工具被重复调用 | 幂等、去重 | 工具接口的幂等设计 |
| 模型越权 | 鉴权、审计 | 工具权限跟随用户身份、写操作人工确认 |
| 检索结果过时 | 数据同步、消息队列 | 文档增量同步的延迟 |
| 长任务阻塞 | 异步任务、进度回传 | 多步任务异步执行 |
02工具平台是最好的素材
如果你负责过把业务接口提供给模型调用，这段经历非常值得展开。写清楚工具是怎么注册和描述的、权限怎么控制、写操作怎么处理、调用日志怎么记录，以及接入了多少工具、带来了什么效果。
这类经历的关键词是「治理」：不是把接口直接开放给模型，而是统一做鉴权、限流、超时和审计。面试官会顺着问你怎么防止模型越权、怎么处理工具调用失败。
使用 Spring AI 实现了 Function Calling，让大模型可以调用公司的业务接口。
设计统一的工具注册规范，每个工具声明参数结构、权限范围和是否为写操作，平台统一做鉴权、限流、超时和审计；已接入 140 多个工具，涉及资金的写操作只生成待审批工单，上线以来没有出现模型直接修改业务数据的情况。
后者体现了治理的思路和安全边界，并给出了规模和结果。
03RAG 写成数据管线
后端写 RAG 经历时，可以从数据管线的角度来写：文档从哪来、怎么解析、怎么切块、怎么建索引、更新后多久能被检索到，召回不准时怎么排查。这比只写「使用向量数据库实现了 RAG」更能体现工程能力。
效果用评测集上的指标衡量，比如引用正确率、无答案比例；工程上用同步延迟、索引规模、检索耗时衡量。
- 文档规模和来源：多少篇、哪些系统、更新频率
- 切块策略：按什么切、为什么，解决了什么问题
- 召回策略：向量 + 关键词混合、重排、取多少条
- 增量更新：文档变更后多久可被检索
- 效果：评测集上的引用正确率、无答案比例的变化
04原来的后端经历要保留
转到 Agent 方向后，原来的后端经历仍然要保留业务量级和关键成果。面试官会通过这些经历判断你的基础功底，特别是高并发、数据一致性和稳定性相关的经历。
篇幅上可以让 AI 部分占更多，但后端经历至少保留两三条最有分量的成果。个人优势里也要有一条体现后端功底，比如「6 年 Java 后端经验，前 4 年做支付和账户系统」。
常见问题
Java 做 Agent 有市场吗？
有。大量业务系统是 Java 写的，把业务能力安全地接给模型，需要熟悉这些系统的后端工程师。
后端做 Agent 需要懂算法吗？
大模型应用工程师主要做工程化，不要求训练模型，但要理解检索、提示词和评测的基本原理。
Python 和 Java 选哪个？
按团队实际情况。很多公司的模型服务用 Python、业务工具平台用 Java，两者都能看懂会更有优势。