jinbay無料で相談する

職務経歴書の記入例

LLMアプリケーションエンジニアの職務経歴書 記入例

RAG や AIエージェントを作った経験は、「作った」だけでは伝わりません。精度をどう測り、本番でどう運用したかまで書くと、評価が大きく変わります。Web のバックエンド開発から移った人の記入例で解説します。

更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)

記入例の人物:Web サービスのバックエンド開発を5年経験したあと、社内の生成AI推進チームに移って2年。31歳。
人物・会社・数字はすべて架空です。

職務経歴書

2026年11月16日現在

氏名 山田 太郎

■ 職務要約

大学卒業後、株式会社〇〇で Web サービスのバックエンド開発に5年携わり、決済と会員基盤の API を担当しました。2024年からは社内の生成AI推進チームで、RAG を使った問い合わせ対応と、営業資料を作る AIエージェントの開発をリードしています。評価データを作って精度を数字で管理し、社内規程の問い合わせでは正答率を62%から88%に上げ、月1,200件の問い合わせの約6割を自動で回答できるようにしました。

■ 活かせる経験・知識・技術

  • RAG の設計(文書の分割、検索の組み合わせ、並べ替え)と、精度改善の進め方
  • 評価データの作成と、自動評価・人による評価を組み合わせた評価のしくみづくり
  • LLM を使ったアプリの本番運用(応答時間と費用の監視、失敗時の再試行、ログの分析)
  • Python と Go による API 開発、データベース設計、非同期処理の設計

■ テクニカルスキル

言語Python(7年8か月)、Go(5年)、TypeScript(1年)
フレームワーク・ライブラリgRPC(5年)、FastAPI(2年8か月)、LangGraph(1年8か月)、Next.js(1年)
機械学習・生成AI商用LLMのAPI(2年8か月)、埋め込みモデル(1年)、pgvector(1年)
データベースRedis(6年8か月)、MySQL(5年)、PostgreSQL(2年8か月)
OS・クラウド・インフラAWS(7年8か月)、Kubernetes(5年)、Docker(1年)
ツールGitHub Actions、Datadog

■ 職務経歴

株式会社〇〇(2019年4月〜現在)

事業内容:法人向けの経費精算・請求書の SaaS 従業員数:約450名 雇用形態:正社員

所属・役職:プロダクト開発部 生成AI推進チーム(2024年4月〜)

2024年4月〜2025年3月

社内規程の問い合わせに答える RAG チャットボットの開発

総務・経理への社内問い合わせ(月約1,200件)に、社内規程や過去の回答をもとに自動で答えるチャットボットを開発。社内のチャットツールから使える。

【役割】開発リーダー 【規模】チーム4名/全体6名

【担当工程】要件定義、基本設計、詳細設計、実装・単体テスト、結合テスト、保守・運用、データ整備、モデル開発・評価

【取り組み】

  • 総務・経理の担当者と過去の問い合わせ200件を選び、正解の回答を付けた評価データを作成
  • キーワード検索とベクトル検索を組み合わせ、検索結果を並べ替える処理を追加して、規程の条番号を含む質問の取りこぼしを減らした
  • 回答に根拠の規程へのリンクを必ず付け、根拠が見つからない質問は担当者に回す流れにした
  • 評価データでの自動評価を CI に組み込み、プロンプトや検索の変更で精度が下がらないことを毎回確かめるようにした

【成果】

  • 評価データでの正答率を62%から88%に改善
  • 問い合わせの約6割を自動で回答し、総務・経理の対応時間を月約80時間削減
  • 回答までの時間を平均12秒から4秒に短縮

【使用技術】Python、TypeScript、FastAPI、Next.js、商用LLMのAPI、埋め込みモデル、pgvector、PostgreSQL、AWS、Docker

2025年4月〜現在

営業資料の下書きを作る AIエージェントの開発

商談メモと CRM の情報から、提案書の下書きと見積もりの前提をまとめる AIエージェントを開発。営業約80名が利用。

【役割】技術リード 【規模】チーム3名

【担当工程】要件定義、基本設計、詳細設計、実装・単体テスト、結合テスト、保守・運用、モデル開発・評価

【取り組み】

  • CRM の検索、過去の提案書の検索、料金表の参照をツールとして持たせ、エージェントが必要な情報を集めて下書きを作る流れを設計
  • 料金や契約条件など誤りが許されない部分は、LLM に書かせず料金表から差し込む方式にした
  • 1件あたりの費用と応答時間をダッシュボードで監視し、高い処理には小さなモデルを使い分けて費用を約4割下げた

【成果】

  • 提案書の初稿づくりにかかる時間を、1件あたり平均90分から25分に短縮
  • 利用開始から3か月で、営業の約7割が週1回以上利用

【使用技術】Python、FastAPI、LangGraph、商用LLMのAPI、PostgreSQL、Redis、AWS

2019年4月〜2024年3月

決済 API と会員基盤の開発・運用

経費精算 SaaS の決済まわりの API と、会員・権限の基盤を担当。

【役割】メンバー(2022年からサブリーダー) 【規模】チーム6名/全体30名

【担当工程】基本設計、詳細設計、実装・単体テスト、結合テスト、総合テスト、保守・運用

【取り組み】

  • 請求の締め処理を夜間の一括処理から非同期のジョブに分け、処理の途中で失敗しても再実行できるようにした
  • 権限の設計を見直し、大企業向けの細かい承認の設定に対応

【成果】

  • 締め処理の時間を約4時間から40分に短縮
  • 障害による処理のやり直しをほぼゼロにした

【使用技術】Go、Python、gRPC、MySQL、Redis、AWS、Kubernetes

■ 資格

  • 2020年12月 応用情報技術者試験
  • 2024年7月 G検定

■ 社外での活動

  • 社外の勉強会で「RAG の評価データの作り方」を発表(2025年6月)
  • 技術ブログに生成AIの記事を12本執筆

■ URL

  • GitHub:https://github.com/example
  • 技術記事:https://zenn.dev/example

■ 自己PR

利用者の声を集めて評価データに足し、精度を数字で改善していく進め方を大切にしています。チャットボットの開発では、総務・経理の担当者と週1回、うまく答えられなかった質問を一緒に見直し、その質問を評価データに加えていきました。数字で改善が見えることで、現場の協力も得やすくなりました。

これまでの経験を活かし、LLM を使ったプロダクトの中核となる機能を、企画から本番運用まで担いたいと考えています。

以上

ダウンロードは登録なしで使えます。経験年数は、各プロジェクトの期間から自動で計算しています。

LLMアプリケーションエンジニアの職務経歴書で、見られる点

  1. 01

    精度を数字で測った経験があるか

    LLM のアプリは、作るより「良くなったかどうかを確かめる」ほうが難しい仕事です。評価用のデータセットを作った、回答の正答率を何%から何%に上げた、と書ける人は少なく、それだけで目に留まります。

  2. 02

    PoC で終わらず、本番で使われたか

    検証だけで終わった案件と、利用者がいて運用している案件では、経験の重みが違います。利用者数、1日の問い合わせ件数、応答時間、費用の管理など、本番ならではの数字を書きます。

  3. 03

    バックエンドの土台がしっかりしているか

    LLM のアプリも、中身の大半は API、データベース、認証、ジョブ管理です。生成AIの経験が2年でも、それ以前のバックエンド開発の経験はそのまま評価されるので、省かずに書きます。

  4. 04

    使った技術を、選んだ理由とあわせて書いているか

    フレームワークやベクトルデータベースの名前を並べるだけでは差がつきません。なぜそれを選んだか、試して外したものは何かを一言添えると、判断の深さが伝わります。

欄ごとの書き方

職務要約
経歴の全体を3〜4文でまとめます。「バックエンド開発5年」「生成AIの開発2年」のように年数を入れ、最後に一番の成果を1つだけ書きます。
活かせる経験・知識・技術
RAG の設計、評価のしくみづくり、運用の3つに分けて書くと、LLM のアプリを一通り任せられる人だと伝わります。
職務経歴
プロジェクトごとに「取り組み」と「成果」を分けて書きます。成果には正答率、応答時間、利用者数、削減できた工数など、数字を必ず入れます。
自己PR
技術の話は職務経歴で書けているので、自己PR では仕事の進め方を書きます。利用者の声を集めて評価データに足した、などの具体的な行動が伝わりやすいです。

よくある書き方を、こう直す

よくある書き方

RAG を用いた社内問い合わせチャットボットを開発。

直した書き方

社内規程の問い合わせに答える RAG のチャットボットを開発し、評価データ200問で正答率を62%から88%に改善。

何に答えるものか、どれだけ良くしたかが分かると、同じ経験でも伝わり方がまったく違います。

よくある書き方

LangChain、LlamaIndex、各種ベクトルDBを使用。

直した書き方

当初は LangChain で試作し、処理の流れを細かく制御するために本番では自前の実装に切り替えた。

名前を並べるより、試して選んだ経緯のほうが判断力の証拠になります。

よくある書き方

プロンプトエンジニアリングを担当。

直した書き方

回答の言い回しの揺れを抑えるため、出力の形式を JSON に固定し、検証に通らない回答は再生成するしくみを入れた。

「プロンプトを書いた」は誰でも言えます。何の問題を、どう解いたかを書きます。

あわせて読みたい