AI 资源库 · 已整理 5 项
查看与结构化输出相关的 AI 资讯、工具、Skill、工作流和开源项目。
JoelAbrilM/cv-agent · An AI-powered recruitment assistant that compares CVs against job requirements and determines candidate fit.
cv-agent 是一个小型 Python 应用，读取本地 .txt 格式的简历文本和职位要求文本，调用 Google Gemini 生成结构化的辅助性评估，包括优势、技能缺口、可能未满足的硬性要求和指示性匹配分数，并依据“分数不低于 70 且无关键缺口”的演示规则给出推荐。项目使用 Pydantic 校验模型输出，自带模拟 Gemini 响应的单元测试，不包含数据库或网页界面；其说明明确强调结果仅供人工参考，不能作为招聘决策的唯一依据。
agentjido/req_llm · Composable Elixir library for LLM interactions built on Req and Finch
ReqLLM 是一个基于 Req 与 Finch 构建的 Elixir 库，将不同厂商 LLM API 的请求与响应标准化，提供统一、符合 Elixir 习惯的调用接口。它受 Vercel AI SDK 启发，提供 generate_text/3、stream_text/3、generate_object/4 等高层函数，内部由 Req 负责请求/响应、Finch 负责流式传输，并通过 provider 回调统一模型元数据、选项与响应格式。根据 README，其模型目录来自 LLMDB，覆盖 21 个已实现的 provider 集成、1,205 个模型，涵盖文本、嵌入、图像生成、语音、转录、重排与 OCR 等操作，同时支持 Ollama 和 LM Studio 本地推理。库还提供结构化输出、工具调用、模型路由 behaviour、评测模型（Jev）等能力。
sbshihab24/AI-Job-Recruitment
这是一个 Streamlit 应用，可导入候选人简历（PDF、DOCX、CSV、Excel 等）并解析岗位描述（文件或直接粘贴），调用 OpenAI Responses API 与 Pydantic 结构化模型，对技能、经验、学历、薪资、地点、语言和证书等维度进行打分，生成优势、缺失要求、风险提示、招聘摘要与建议行动，并支持将候选人、岗位、评分与解释结果导出为 JSON。项目自带大量已知限制说明（如候选人解析提示词复用岗位提示词、XLSX/XLS 未在导入层路由、上传文件不自动删除、缺少 .gitignore 与密钥管理、冒烟脚本会产生真实 API 调用费用、缺少重试与超时处理等），适合作为招聘辅助原型参考，不应用于自动做出最终录用决策。
做 AI Agent 的团队常常需要回头检查 Agent 的每一步表现好不好，但原来的办法要么太死板，要么太贵太慢。现在一个叫 Jev 的模型可以直接接入 LangSmith 的评估功能，当“裁判”给 Agent 的行为打分。据文中介绍，它在分类任务上比一般大模型便宜约 450 倍、快约 200 倍，还能一次并行回答多个判断问题。你可以在任意追踪项目的 Evaluators 标签页里直接试用它。
TypeSafe AI 发布了一个叫 Jev 的新模型。它和普通聊天大模型不同，不写文章式回答，而是专门对一段内容做快速判断，比如“这条客服消息急不急”，并给出概率。这能解决 AI 助手每做一步都要调用一次大模型、又慢又贵的问题：Jev 在分类任务上号称推理快 200 倍、成本低 400 倍。它现在可以通过 LangChain 的 TypeSafeClassifier 调用，适合做模型路由、自动判断危险操作等场景；但它不能替代会写代码、会推理的大模型。