1. 岗位能力画像与简历优化模板
金融RAG工程师不是“会调大模型API的算法同学”，也不是“只懂金融业务的传统开发”。这个岗位的核心矛盾在于：金融场景对准确率、合规性、可追溯性的要求极高，而RAG系统本身存在检索噪声、生成幻觉和上下文截断等固有风险。面试官真正想确认的是：你是否理解这个矛盾，并有能力用工程手段把它压到可接受范围内。
本章先建立岗位能力画像，再给出简历结构与关键词清单，最后提供可直接套用的成果量化句式。后续29章将围绕检索、重排、生成、评测、合规、部署逐层展开。
一、核心原理：为什么金融RAG的能力画像与众不同
通用RAG的优化目标通常是“回答相关性”，而金融RAG的优化目标是“在合规边界内给出可验证、可追溯、可拒答的答案”。这意味着能力权重发生偏移：检索召回率固然重要，但引用准确率、拒答正确率、敏感信息拦截率的优先级更高。面试中如果只谈“用了LangChain+向量库”，基本会被判定为初级。
金融文档具有三个显著特征：版式复杂（PDF表格、脚注、跨页）、口径敏感（同一指标在不同报告中的定义不同）、时效性强（监管文件更新频繁）。因此，能力画像必须覆盖从解析、切分、索引、检索、重排到生成、评测、审计的完整链路。
二、方法流程：简历结构如何映射能力画像
建议简历采用“能力标签 + 项目STAR + 量化成果”三段式结构。能力标签放在简历顶部，用6-8个关键词覆盖五维模型；项目经历按STAR展开，每个项目只突出2-3个与金融RAG强相关的技术决策；量化成果用数字收尾。
| 简历模块 | 写作要点 | 关键词示例 |
|---|---|---|
| 能力标签 | 覆盖五维，避免堆砌 | 混合检索、重排、引用溯源、拒答策略、RAGAS评测 |
| 项目背景 | 点明金融场景与合规约束 | 年报问答、研报摘要、监管条款检索 |
| 技术动作 | 写决策与权衡，不写流水账 | BM25+向量融合、Cross-Encoder精排、上下文压缩 |
| 量化结果 | 准确率、时延、成本、覆盖率 | 引用准确率92%、P95时延1.8s、幻觉率下降37% |
三、案例/场景：成果量化句式与关键词清单
以下句式可直接改写使用，注意把括号内容替换为真实数据：
- “针对年报表格跨页断裂问题，设计基于版面分析的切分策略，使表格召回率从61%提升至89%。”
- “引入BM25与向量混合召回+Cross-Encoder重排，在监管条款问答场景下引用准确率提升23个百分点。”
- “构建拒答与引用溯源机制，将无依据回答占比从18%降至4%，满足合规审计要求。”
- “搭建RAGAS+人工抽检双轨评测，定位检索噪声与生成幻觉根因，迭代周期从2周缩短至3天。”
关键词清单建议按五维分组记忆：金融语义（口径、指标、术语归一）、检索重排（混合召回、精排、上下文压缩）、生成可控（引用、拒答、约束解码）、评测归因（RAGAS、召回率、根因分析）、合规工程（权限、审计、私有化部署）。
# 简历量化句式模板
[动作] + [金融场景约束] + [技术方案] + [量化结果]
示例：
重构 研报摘要 场景的切分与重排链路，
采用 语义切分+BM25/向量混合召回+Cross-Encoder精排，
使 引用准确率 从 74% 提升至 91%，P95时延控制在 2.1s。四、误区/复盘：面试中常见的三类失分点
误区二：量化成果缺少基线。“提升了准确率”没有意义，必须给出“从多少到多少”。如果记不清，可以用“相对提升百分比”或“人工抽检100条，错误从22条降至7条”替代。
误区三：忽略拒答与审计。金融RAG必须能说“我不知道”，并且每次回答可追溯到原文片段。简历中若完全没有拒答策略、引用溯源、权限过滤相关描述，会被认为不具备金融场景落地经验。
复盘建议：把每个项目按“业务口径→检索策略→生成约束→评测指标→合规边界”五问自检，任何一问答不上来，就在简历中弱化该描述，避免面试被追问击穿。