个人技能&项目重难点思考

#简历上如何体现你的“AI”能力？#

一、个人技能：AI 工程化能力矩阵
见下图⬇️

------

二、项目难点深度阐述（STAR 话术参考）

2.1 模型选型：不只是“会用”，而是“会选”

技术要点：

• 文生图/视频：SDXL（开源可控）、Midjourney（艺术质感）、Sora（长视频逻辑）。选型关键看 Latency（延迟） 与 Cost（成本）。

• 多模态：GPT-4V（强推理）、Gemini Pro Vision（性价比）。难点在于视觉问答（VQA）的 prompt 构造。

• 编码模型：DeepSeek-Coder（开源首选）、Claude 3.5 Sonnet（代码解释强）。选型依据是 Context Length（上下文长度） 和 Repo 理解能力。

2.2 规划：ReAct 编排机制

技术原理：

ReAct = Thought (推理) → Act (行动) → Observe (观察)。它通过显式生成推理链（“我需要先查A，再查B”），解决了 LLM 的“黑箱决策”问题，让 Agent 具备可解释性 。

落地难点：

• 循环失控：Agent 容易陷入死循环（如一直搜索不到结果）。

• 解决策略：设置 Max Iteration（最大步数） 和 Self-Correction（自我修正） 机制。例如，在 Thought 步骤强制要求“如果失败，下一步策略是什么”。

2.3 记忆：从“聊天记录”到“工作记忆”

架构设计：

• 短期记忆：存储在内存或 Redis 中，仅保留最近 3-5 轮对话，用于维持会话连贯性。

• 长期记忆：基于 RAG + 向量数据库（如 Chroma, Milvus），存储项目文档、用户画像，实现跨会话的知识复用 。

Agentic RAG 实战难点：

1. 上下文过长：采用 “渐进式加载”（Progressive Loading）。先检索摘要，Agent 判断需要详情时再拉取全文，而非一次性灌入所有内容。

2. 噪音控制：严禁将工具调用的中间结果（如 raw JSON）直接塞入上下文。必须经过 Extract-Transform 步骤，只保留关键字段，避免干扰 LLM 的注意力 。

2.4 工具调用：MCP 底层原理与实战

MCP 核心流程：

MCP 通过 JSON-RPC 2.0 协议，在 Client（模型端） 和 Server（工具端） 间建立标准化通信 。

1. 初始化：Client 向 Server 发送 initialize，协商能力（Tools/Resources）。

2. 调用：Client 发送 callTool 请求，Server 执行并返回结构化结果。

3. 传输：本地用 stdio（低延迟），云端用 SSE/HTTP（分布式）。

自定义 Skills 技巧：

• Skill 封装：将“查数据库”封装为 query_database(sql)，而非直接让 LLM 拼接 SQL 字符串。

• 权限与安全：在 MCP Server 层做参数校验和权限拦截，防止 LLM 生成恶意指令。
—————————

1. MCP 是未来：它解决了工具生态碎片化问题。以前每个模型都要写一套插件，现在工具只需实现一次 MCP Server，即可被所有客户端（Claude, Cursor）复用 。

2. Agentic RAG > 传统 RAG：传统 RAG 是“检索→回答”的管道，而 Agentic RAG 是“观察→决策→检索→反思→行动”的闭环，具备自主决策能力 。

最后建议：在介绍项目时，务必强调你如何解决“Token 成本”和“幻觉控制”这两个工程核心痛点，这比单纯罗列技术栈更有说服力。