← 返回岗位列表
RAG 工程师
RAG Engineer
技术岗爆发增长2024 大规模招聘
构建和优化检索增强生成 (RAG) 管线，将 LLM 连接到企业知识库——设计向量搜索、文档切分、Embedding 策略和检索逻辑，让 AI 基于真实的公司数据回答问题而非编造答案。任何拥有私有数据的企业（银行、媒体、医疗、律所）都需要这个角色。澳洲四大行和新加坡金融机构目前是亚太区最大雇主。
- 薪资范围
- $120K–$200K+
- 招聘企业
- Pinecone · Microsoft · ANZ Bank
- 热门地区
- 美国澳洲新加坡英国印度
- 核心技能
- 向量数据库 · Embedding · LLM
在匠人学院系统学习这个方向
以下是 JR Academy 真实在售的课程，点击直接查看完整大纲和报名入口
岗位 JD 分析
核心职责
- 设计和构建企业级 RAG 管线：文档摄入→切片→Embedding→向量存储→检索→生成
- 优化检索质量：调优 Chunk 策略、Embedding 模型选型、重排序算法和混合检索
- 将 RAG 系统与企业知识库（Confluence、SharePoint、内部 Wiki）对接，处理多格式文档
- 建立 RAG 系统的评测框架，监控召回率、准确率和幻觉率等核心指标
- 与安全团队协作，实现文档级权限控制，确保用户只能检索到授权范围内的内容
必备要求
每条要求点一下：我有、还没有，还是不确定。下面马上出你和这个岗位的第一版差距。不用登录；保存之前，勾选只留在这个页面，刷新就会清空。
- 精通至少一种向量数据库（Pinecone、Weaviate、Qdrant、Milvus）的部署和调优
- 深入理解 Embedding 模型（OpenAI、Cohere、BGE）及其在不同语言/领域的表现差异
- 3+ 年 Python/TypeScript 工程经验，熟悉 LangChain 或 LlamaIndex
- 掌握文档处理技术：PDF 解析、OCR、表格提取、Markdown 转换
- 有生产环境部署经验，能处理百万级文档的性能和成本优化
Gap view · L0
你的第一版差距
你自己说的 · 来自勾选先勾一条要求，这里会列出你缺什么、对应页面上转型路径的哪一步。
想更准？
现在的结果只来自你自己的勾选。补一份材料，依据会升级：
- 上传简历，做 AI 简历分析
依据升级为：来自简历
- 用求职匠拿简历对照真实招聘原文
依据升级为：简历 × 岗位原文
- 做职业影响小测
依据升级为：测出来的
要动手做的作品和项目，在 CareerOS 桌面版完成。了解 CareerOS 桌面版
加分项
- 有 Elasticsearch 或 Solr 等传统搜索引擎经验
- 了解 GraphRAG 和知识图谱增强检索
- 熟悉金融/法律/医疗等行业的文档结构和合规要求
典型的一天
- 上午：检查 RAG 管线的夜间同步日志，修复文档摄入失败的问题
- 上午：分析用户反馈中的"AI 回答不准确"案例，定位是检索问题还是生成问题
- 下午：测试新的 Chunk 策略——对比按段落、按语义和按滑动窗口三种切片方式
- 下午：和安全团队一起实现基于文档标签的权限过滤逻辑
- 傍晚：评估新发布的 Embedding 模型在中文文档上的检索效果
转型建议
适合转入的背景
- 搜索引擎 / 信息检索工程师：核心技能高度重合，最快可转型
- 后端工程师：有数据管线和 API 开发经验，补充 Embedding 和向量知识即可看这个职业现在的情况：软件工程师
- 数据工程师：熟悉 ETL 和数据处理，文档处理管线是自然延伸看这个职业现在的情况：数据工程师
- NLP 工程师：有文本处理和语义理解基础，直接进入深水区
转型路径
- 第 1 步：学习 Embedding 原理和向量相似度搜索基础，完成向量数据库入门教程
- 第 2 步：用 LangChain + Pinecone 搭建一个简单的问答 RAG 原型
- 第 3 步：深入学习 Chunk 策略、混合检索（关键词+向量）和重排序技术
- 第 4 步：在真实数据集上优化 RAG 管线，建立评测 Benchmark（召回率、NDCG）
- 第 5 步：完成一个生产级 RAG 项目（如企业知识库问答），准备面试作品集
学习路线图
Phase 1: 基础 (1-2 月)
理解 Embedding 原理、向量空间和相似度度量学习向量数据库基础操作（CRUD、索引、查询）用 LangChain 搭建第一个 RAG 原型项目
Phase 2: 核心技术 (2-4 月)
深入 Chunk 策略：固定窗口、语义切片、递归切片掌握混合检索：BM25 + 向量检索 + 重排序（Cohere Rerank）学习多格式文档处理：PDF、Word、HTML、图片 OCR实现 RAG 评测框架：RAGAS、TruLens 等工具
Phase 3: 生产实战 (4-6 月)
构建百万级文档的 RAG 系统，优化性能和成本实现权限控制、增量同步和缓存策略探索 GraphRAG 和 Agentic RAG 高级架构
常见误区
误区
认为 RAG 就是把文档丢进向量数据库，然后查询就行
正解
Chunk 策略、Embedding 选型、检索重排序每一步都影响最终质量，需要精细调优
误区
只用向量检索，忽略关键词检索
正解
混合检索（向量 + BM25）在大多数场景下效果优于纯向量检索
误区
不做评测就上线，靠手动测试几个问题判断效果
正解
必须建立自动化评测集，持续监控召回率和准确率
推荐学习资源
准备好了吗？
开始学习 RAG 工程师 所需的核心技能
开始学习 →