简历筛选

一次调用即可从多个维度对候选人评分。

运行这个演示 ▶获取 API key →

Jev 做出的决策

在一次调用中，Jev 针对同一份输入并行评估以下每一项：

scoreexperience

截至今日(2026 年),该候选人拥有多少年的专业软件工作经验?

在一个有序量表上给它打分：

不足 2 年
2–4 年
4–7 年
7–10 年
10 年以上

scoredepth

根据其亲自构建和负责的内容评估动手技术深度 — 忽略职位头衔和公司名称。在两个等级之间难以取舍时,选较低的那个。

在一个有序量表上给它打分：

浅
有一定深度
扎实
深厚,资深级别

noulmentorship

简历是否体现出带教经验?

返回一个已校准的是/否概率。

choiceprofile

综合来看,哪种人才画像最匹配?

从这些选项中挑一个：

backend — 后端 / 系统工程师
fullstack — 全栈通才
ml — 机器学习 / AI 工程师
platform — 平台 / 基础设施

确切的请求

这就是实时演示背后真实的载荷——复制它，改一下 state，你就开始构建了：

{
  "model": "jev-latest",
  "state": "候选人简历 — Priya Okafor。\n高级软件工程师,2019 年至今,Meridian Health(旧金山)。\n- 重建了理赔处理流水线(Go、Kafka),将 P99 延迟从 4.2s 降至 380ms。\n- 负责 on-call 轮班,并将 3 名初级工程师培养到中级水平。\n- 交付了一款供支持人员使用的内部 LLM 助手(基于政策文档的 RAG)。\n更早经历:软件工程师,2016–2019,一家金融科技创业公司。计算机科学学士。\n开源:维护着一个热门的 Go 限流器库(2.4k stars)。",
  "questions": {
    "experience": {
      "type": "score",
      "instructions": "截至今日(2026 年),该候选人拥有多少年的专业软件工作经验?",
      "criteria": [
        "不足 2 年",
        "2–4 年",
        "4–7 年",
        "7–10 年",
        "10 年以上"
      ]
    },
    "depth": {
      "type": "score",
      "instructions": "根据其亲自构建和负责的内容评估动手技术深度 — 忽略职位头衔和公司名称。在两个等级之间难以取舍时,选较低的那个。",
      "criteria": [
        "浅",
        "有一定深度",
        "扎实",
        "深厚,资深级别"
      ]
    },
    "mentorship": {
      "type": "noul",
      "instructions": "简历是否体现出带教经验?"
    },
    "profile": {
      "type": "choice",
      "instructions": "综合来看,哪种人才画像最匹配?",
      "criteria": {
        "backend": "后端 / 系统工程师",
        "fullstack": "全栈通才",
        "ml": "机器学习 / AI 工程师",
        "platform": "平台 / 基础设施"
      }
    }
  }
}

把它接进你的代码

读取类型化的答案，用普通代码分支判断——无需解析。自动处理高置信度的情形，把不确定的路由给更大的模型或人工。这只是一次 API 调用，而且输出免费，所以把你需要的每个问题一次都问了吧。

构建你自己的

上面每个场景都是一次 API 调用。在 playground 里免费试用其中任意一个，然后拿一个托管 key 把它上线——无需 waitlist。

运行这个演示 ▶获取 API key →