Day 53：第五阶段启动 —— 作品集整合与简历撰写
欢迎来到第五十三天！恭喜你完成了前四个阶段的全部学习，你已经从零基础成长为能够独立构建多智能体系统的开发者。从今天起，我们进入第五阶段——综合实战与求职准备。这个阶段的目标很明确：把你过去 52 天积累的项目、代码和知识，转化为一份有竞争力的作品集和简历，让你在 AI Agent 开发岗位上具备真正的求职能力。今天我们将完成两件事：梳理作品集和撰写简历中的项目经验。
一、今日学习目标
- 回顾并盘点前四个阶段的所有项目，筛选出最适合放入作品集的 4-5 个。
- 为每个项目撰写标准化的项目描述（背景、技术栈、个人贡献、成果）。
- 学习如何将项目经验转化为简历中的高质量 bullet points。
- 完成一份针对 AI Agent 开发岗位的简历初稿。
- 了解 AI Agent 岗位的常见面试考察点，为后续模拟面试做准备。
二、详细实现步骤
步骤 1：盘点你的项目资产
回顾过去 52 天，你完成的主要项目有：
| 阶段 | 项目 | 技术栈 | 亮点 |
|---|---|---|---|
| 第一阶段 | 命令行翻译软件 | OpenAI SDK、Prompt、JSON 解析 | 结构化输出、重试机制 |
| 第一阶段 | 全自动日报生成器 | LangChain、PydanticOutputParser | 非结构化→结构化、文件输出 |
| 第二阶段 | 数学专家 Agent | LangChain AgentExecutor、ReAct | 工具调用、多步推理 |
| 第二阶段 | 网络爬虫 Agent | requests、BeautifulSoup、ReAct | 真实世界工具、错误处理 |
| 第二阶段 | 多功能路由助手 | RunnableBranch、意图分类 | 路由分发、多链协作 |
| 第三阶段 | 带记忆客服 Agent | Chroma、SQLite、记忆抽取/更新/遗忘 | 长期记忆、记忆感知、真实工具 |
| 第四阶段 | 内容创作团队 | CrewAI | 角色分工、Task 依赖 |
| 第四阶段 | 市场调研分析团队 | CrewAI、Pydantic | 结构化输出、复杂流程 |
| 第四阶段 | 投资辩论赛 | AutoGen GroupChat | 自定义发言顺序、终止条件 |
| 第四阶段 | 迷你软件公司 | CrewAI、代码执行、迭代修复 | 闭环迭代、工具共享 |
筛选原则：
- 优先选择完整度高、有真实业务场景、体现技术深度的项目。
- 每个项目应体现不同的能力维度（如 RAG、记忆、多智能体、工具调用）。
- 避免项目同质化（如两个都是简单的 ReAct Agent）。
推荐作品集组合（4 个）：
- 带记忆的智能客服 Agent（第三阶段）——体现记忆系统、RAG、真实工具整合。
- 迷你软件公司（第四阶段）——体现多智能体协作、迭代闭环、代码生成。
- 投资辩论赛（第四阶段）——体现 AutoGen GroupChat、辩论模式、决策分析。
- 网络爬虫 Agent 或市场调研团队（二选一）——体现真实世界工具或结构化调研能力。
步骤 2：为每个项目撰写标准化描述
每个项目按以下模板撰写（用于 README 和简历素材）：
## 项目名称：带记忆的智能客服 Agent ### 项目背景 传统客服机器人无法记住用户历史，每次对话都从零开始，导致用户体验割裂。 本项目旨在构建一个能跨会话记住用户偏好、历史问题的智能客服系统。 ### 技术栈 Python、LangChain、DeepSeek API、智谱 Embedding、Chroma、SQLite ### 核心功能 - 长期记忆：自动从对话中抽取事实/偏好/事件，存入向量库 - 记忆检索：基于 MMR + 元数据过滤，精准召回相关记忆 - 记忆更新：支持偏好变更、矛盾检测、软删除 - 真实工具：订单查询、物流追踪、工单创建 - 记忆感知：对话前自动注入相关记忆，对话后自动更新 ### 个人贡献 - 设计了短期记忆 + 长期记忆的双层架构 - 实现了基于 LLM 的记忆抽取管道，准确率约 85% - 设计了记忆冲突检测机制（语义相似度 + LLM 判断） - 集成了 SQLite 订单数据库和模拟物流 API ### 成果 - 支持 5 轮以上多轮对话，记忆召回准确率 90%+ - 代码开源：github.com/xxx/customer-service-agent步骤 3：将项目转化为简历 Bullet Points
简历中的项目描述要简洁、量化、突出技术深度。每个项目 2-4 条 bullet points，使用 STAR 法则（情境、任务、行动、结果）的变体。
示例：带记忆的智能客服 Agent
- 基于 LangChain + DeepSeek 构建带长期记忆的电商客服 Agent，支持跨会话记住用户偏好与历史问题 - 设计短期记忆（消息窗口）+ 长期记忆（Chroma 向量库 + SQLite）双层架构，实现记忆的自动抽取、检索、更新与遗忘 - 实现基于 MMR 和元数据过滤的记忆检索策略，记忆召回准确率达 90%+ - 集成订单查询、物流追踪、工单创建等真实工具，完成端到端客服场景闭环示例：迷你软件公司
- 基于 CrewAI 构建多智能体软件开发模拟系统，包含产品经理、架构师、程序员、评审员、测试员五个角色 - 设计"需求→设计→编码→评审→测试→迭代修复"的闭环流程，测试不通过时自动触发修复迭代 - 实现代码执行工具，让测试员可实际运行生成的 Python 代码并验证功能 - 在 3 轮迭代内将生成代码的测试通过率从 60% 提升至 100%示例：投资辩论赛
- 基于 AutoGen GroupChat 构建多智能体投资辩论系统，包含死多头、大空头、裁判三个角色 - 自定义发言选择函数控制辩论节奏，实现"交替发言 + 裁判阶段总结 + 最终裁决"的流程 - 设计结构化裁决输出和自定义终止条件，避免无限辩论 - 支持辩论记录自动保存为 JSON/Markdown，便于复盘分析撰写要点：
- 用动词开头：构建、设计、实现、集成、优化。
- 量化成果：准确率、轮次、通过率、响应时间。
- 突出技术关键词：LangChain、ReAct、RAG、Chroma、MMR、CrewAI、AutoGen、GroupChat。
- 每条 bullet 不超过两行，避免冗长。
步骤 4：撰写简历初稿
AI Agent 开发岗位简历结构：
【个人信息】 姓名 | 电话 | 邮箱 | GitHub | 求职意向：AI Agent 开发工程师 【专业技能】 - 大模型应用：Prompt Engineering、Function Calling、ReAct、CoT、RAG - 框架：LangChain、CrewAI、AutoGen - 记忆系统：短期记忆管理、长期记忆（向量库 + 结构化存储）、记忆抽取与更新 - 向量数据库：Chroma、FAISS；Embedding：智谱、OpenAI - 工具与工程：Python、SQLite、Git、LangSmith、FastAPI（可选） - 模型 API：DeepSeek、OpenAI、智谱 GLM 【项目经验】 （按上述 bullet points 排列 3-4 个项目） 【教育背景】 学校 | 专业 | 时间 【其他】 - 技术博客：xxx（ReAct 技术博客链接） - GitHub：xxx（包含 10+ 个 AI Agent 项目）注意事项：
- 如果没有正式工作经验，项目经验就是核心，放在最显眼的位置。
- 技能列表要与项目经验呼应，不要写项目中未体现的技能。
- GitHub 仓库要整理干净，每个项目有完整 README。
- 技术博客是加分项，体现你的总结和表达能力。
步骤 5：整理 GitHub 仓库
你的 GitHub 应该有清晰的仓库结构。建议：
github.com/yourname/ ├── ai-agent-learning/ # 学习历程仓库（可选） │ ├── week1_basics/ │ ├── week2_advanced/ │ ├── week3_memory/ │ └── week4_multi_agent/ ├── customer-service-agent/ # 独立仓库：带记忆客服 ├── mini-software-company/ # 独立仓库：迷你软件公司 ├── investment-debate/ # 独立仓库：投资辩论赛 ├── web-scraper-agent/ # 独立仓库：爬虫 Agent └── market-research-crew/ # 独立仓库：市场调研团队每个仓库的 README 应包含：
- 项目简介
- 架构图（可用 Mermaid 或文字描述）
- 技术栈
- 运行指南（安装依赖、配置环境变量、启动命令）
- 示例输出/截图
- 项目亮点
步骤 6：了解 AI Agent 岗位面试考察点
为后续模拟面试做准备，先了解常见考察方向：
| 考察维度 | 常见问题 |
|---|---|
| 基础原理 | ReAct 和 CoT 的区别？Function Calling 的原理？ |
| 记忆系统 | 短期记忆和长期记忆如何设计？如何防止 Token 超限？ |
| RAG | 文档切分策略？如何提升检索准确率？MMR 是什么？ |
| 多智能体 | CrewAI 和 AutoGen 的区别？什么时候用多智能体？ |
| 工程实践 | 如何调试 Agent 的死循环？如何评估 Agent 的效果？ |
| 项目深挖 | 你项目中最大的挑战是什么？如何解决的？ |
| 系统设计 | 设计一个带记忆的客服系统，你会怎么架构？ |
三、常见问题与调试
Q1：项目太多，简历放不下怎么办？
→ 精选 3-4 个最有代表性的项目。其他项目可以在 GitHub 中展示，简历中只放精华。也可以在简历中写"更多项目见 GitHub"。
Q2：项目没有量化数据怎么办？
→ 可以补充简单的评估：例如"测试了 20 个查询，检索准确率 85%"、“迭代 3 轮后测试通过率 100%”。即使是小规模测试，也比没有数据好。
Q3：GitHub 仓库代码很乱，需要重写吗？
→ 不需要重写，但需要整理：删除无用文件、补充 README、确保代码能运行。可以加一个.gitignore忽略.env和__pycache__。
Q4：没有技术博客怎么办？
→ 把 Day 35 写的 ReAct 博客发布到知乎/掘金/CSDN，或者在 GitHub 仓库中放一个blog/目录。博客不需要很长，重点是展示你的理解。
Q5：简历中的项目描述和实际代码不一致怎么办？
→ 确保简历中的每个技术点你都能在代码中找到对应实现。面试官可能会追问细节，不要写自己没做过的功能。
Q6：如何让简历通过 HR 筛选？
→ 关键词匹配很重要。JD 中出现的词（LangChain、RAG、Agent、多智能体、Prompt）要在简历中自然出现。同时，量化成果和项目亮点要放在显眼位置。
四、今日总结与作业
今天你完成了：
- ✅ 盘点了前四个阶段的所有项目，筛选出 4 个作品集项目。
- ✅ 为每个项目撰写了标准化的项目描述。
- ✅ 将项目经验转化为简历中的高质量 bullet points。
- ✅ 完成了 AI Agent 开发岗位的简历初稿。
- ✅ 了解了面试常见考察点。
今日作业（必做）：
- 完成你的简历初稿（可以用 Markdown 或 Word），包含个人信息、专业技能、3-4 个项目经验、教育背景。保存为
resume.md。 - 为你的 4 个作品集项目分别创建独立的 GitHub 仓库（或整理现有仓库），确保每个仓库有完整的 README、
.gitignore、requirements.txt，并且代码能正常运行。 - 将 Day 35 的 ReAct 博客发布到至少一个技术平台（知乎/掘金/CSDN），并在简历中加上链接。
- （思考题）如果面试官问你"你项目中最大的技术挑战是什么？"，你会选哪个项目、哪个挑战来回答？请用 150 字以内准备你的回答。
明日预告：我们将进行第一轮模拟面试，重点考察基础原理和项目深挖。我会扮演面试官，向你提出 10 个高频问题，并给出参考答案和点评。请准备好你的简历和项目代码，明天我们实战演练！
有任何问题欢迎评论交流！
