resume_render_from_job_description

贴个职位链接，AI 自动改好简历

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署办公效率 🍴 复刻 146 🐛 待处理 5 👀 关注 13

GitHub ↗

GitHub 星标 ★ 953

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源免费，需自行部署，依赖OpenAI等API可能产生费用

项目预览

resume_render_from_job_description 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类办公效率

开发团队feder-cr

GitHubhttps://github.com/feder-cr/jev

定价模式🏷️完全免费

价格说明开源免费，需自行部署，依赖OpenAI等API可能产生费用

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言C++

技术栈/模型ai,classification,cpu-inference,decision-model,edge-ai,gguf,jev,jev-alternative,llama-cpp,llm,llm-inference,local-ai,local-llm,microsoft-decision,microsoft-decision-1,offline,on-device-ai,open-source-alternative,self-hosted,yes-no

GitHub 星标★ 953

上线时间2024-08-15 00:00:00

代码更新2026-10-18

仓库体积17.6 MB

本站数据更新2026-11-04

维护状态较活跃

收录时间2026-09-13

浏览次数2

项目介绍

Resume_Builder_AIHawk 是一个基于 Python 的开源简历定制工具，核心思路是把求职流程自动化：用户只需提供目标职位的 URL，工具会抓取并解析职位描述，再调用大语言模型（OpenAI、LangChain）分析岗位所需技能与关键词，自动调整简历内容，使其与岗位要求高度匹配。它提供交互式命令行界面，用户可在多个预定义简历样式中选择，并生成可投递的 PDF 或文本简历。项目还涉及 LinkedIn 职位抓取，适合需要批量投递、频繁针对不同岗位微调简历的求职者，能显著减少手动改简历的时间。整体定位是 AI 驱动的求职效率工具，把“看 JD—改简历”这一重复劳动交给模型完成。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-13 · 当前星标 ★ 953

技术标签

ai classification decision-model edge-ai gguf

使用教程

难度：入门约 10 分钟部署方式：本地安装 6 步

环境要求

已安装 uv（Python 包与环境管理器，命令以 uv 开头）
从 release 页面下载模型文件 jevos-q4_k_m.gguf 并放到当前工作目录
一台普通 CPU 机器即可，无需 GPU（示例使用 --device cpu --threads 16）
用于验证的 curl 或任意 HTTP 客户端

安装与启动步骤

1下载模型文件

打开 README 给出的 release 页面，下载 jevos-q4_k_m.gguf，保存在接下来的命令所在目录。
2同步项目依赖

在项目根目录执行，uv 会根据项目配置安装所需依赖并创建虚拟环境。
```
uv sync
```
3下载推理运行时

--only runtime 表示只下载本机所需的 llama.cpp 运行时，不重复下载模型。
```
uv run jev download --only runtime
```
4启动本地服务

用下载好的 gguf 启动服务，绑定 CPU 与 16 线程，监听 127.0.0.1:8017。
```
uv run jev serve --gguf jevos-q4_k_m.gguf --device cpu --threads 16
```

5发送测试请求

向 /v1/systemone 发一条文本和 yes/no 问题，返回 P(yes) 概率值，如 0.9。

curl http://127.0.0.1:8017/v1/systemone -H 'Content-Type: application/json' -d '{"model": "jev-latest", "state": "I was charged twice for the same order.", "questions": {"billing": {"type": "noul", "instructions": "Is this a billing problem?"}}}'

6打开演示页面

在浏览器访问该地址，可看到模型在 CPU 上玩 Chrome 小恐龙游戏。

关键配置

配置项	必填	说明	示例
`--gguf`	是	指定要加载的模型权重文件路径	`jevos-q4_k_m.gguf`
`--device`	是	推理设备，README 示例为 CPU	`cpu`
`--threads`	否	使用的 CPU 线程数，按机器核数调整	`16`
`model`	是	请求体中填写的模型标识	`jev-latest`
`state`	是	请求体中要判定的原始文本内容	`I was charged twice for the same order.`
`questions`	是	请求体中的问题对象，含 type 与 instructions	`{"billing": {"type": "noul", "instructions": "Is this a bill`

如何确认成功

curl 返回含 answers 的 JSON（如 billing.noul 为 0.9），或浏览器打开 http://127.0.0.1:8017/dino 能看到小恐龙画面。

常见问题

Q：服务监听在哪个地址和端口？

A：README 中所有示例都指向 http://127.0.0.1:8017，请在本地用该地址访问，不要改成其他端口。

Q：返回结果里的 noul 是什么含义？

A：这是该问题的 yes 概率，示例返回 0.9，表示 90% 可能为真；输入输出 token 数在 usage 字段中。

Q：运行时下载命令里的 --only runtime 有什么用？

A：它表示只下载本机适配的 llama.cpp 运行时，模型权重需按 Quickstart 单独从 release 页面下载。

Q：为什么不下载模型也能跑 uv sync？

A：uv sync 只负责按项目配置安装依赖，权重和运行时分别由下载文件与 jev download 命令获取。

注意事项

README 中的项目名称为 jevos，与仓库名 resume_render_from_job_description 不一致，请以实际 README 内容为准。
模型文件需放在执行 serve 命令的工作目录下，否则相对路径 jevos-q4_k_m.gguf 会找不到。
当前仅支持 yes/no 判定，多选题（Multiple choice）和打分（Scores）标注为 Soon，尚未提供。
示例为 8,192 tokens 上下文，且完全在本机免费运行，不产生按 token 计费。