Jev模型并非专为简历优化设计，而是基于TypeSafe AI理念的结构化输出服务；其核心是通过明确JSON Schema、嵌入JD与约束的Prompt、以及Pydantic校验的SDK调用，实现可编程、可校验、可集成的简历处理。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Jev 模型本身不是专为简历优化设计的工具，它是一个主打 TypeSafe AI 理念的结构化输出模型服务，核心能力是让大模型稳定、可控地返回指定格式（如 JSON Schema）的结构化结果。所以，用 Jev 做简历优化，关键不在于“它懂不懂 HR 逻辑”，而在于：你怎么用结构化指令把它变成一个可编程、可校验、可集成的简历处理单元。
下面分三块说清楚怎么设置指令——不讲空话，只列你真正要填、要写、要验证的关键项：
一、必须声明输出 Schema（这是 TypeSafe 的起点）
Jev 要求你在请求中明确告诉它：“我要什么字段、什么类型、哪些必填”。比如，你不是让它“优化一段经历”，而是定义好你要的结构：
{
"optimized_bullets": [
{
"original": "负责用户增长工作",
"rewritten": "驱动私域裂变活动3轮，新增高意向用户12,500人，转化率提升22%",
"quantified": true,
"jd_keyword_matched": ["用户增长", "转化率"]
}
],
"ats_score": 87,
"missing_jd_keywords": ["A/B测试", "漏斗归因"]
}→ 实操时，在调用 Jev SDK 的 schema 参数里传入这个 JSON Schema（Python SDK 支持直接传 Pydantic Model 或 dict）。没这一步，就退化成普通大模型，输出不可控。
二、Prompt 里要嵌入 JD + 原始经历 + 明确约束
Jev 不自动理解“HR 要什么”，你需要把规则写进 prompt。推荐这样组织输入：
角色指令：
“你是一名有 8 年招聘经验的互联网公司技术招聘官，专注筛选后端/数据/产品类岗位。你只做一件事：严格按我给的 Schema 输出，不加解释、不加 markdown、不补额外字段。”-
输入材料：
- 岗位 JD 全文（至少含 3 条职责 + 2 项硬性要求，如“熟练使用 Spark”“需有 AB 实验经验”）
- 原始简历段落（例如：“2022.06–2024.03｜XX科技｜数据分析师｜参与用户行为分析项目”）
-
强约束指令（必须写）：
- 所有 rewritten 字段必须含动词 + 对象 + 可验证量化结果（单位/百分比/人数/毫秒等）
- 每条 rewritten 必须匹配至少 1 个 JD 中出现的完整关键词（不能拆词，如 JD 写“Flink”，不能用“流式计算”替代）
- 如果原始内容无法支撑量化，返回空字符串，不编造
→ 这些不是“建议”，是 Jev 在结构化模式下实际执行的校验依据。少一条，输出就容易松散。
三、用 Python SDK 接入时的关键参数设置
你不用手拼 HTTP 请求。Jev 的 jev-python SDK 提供了开箱即用的结构化调用方式：
from jev import JevClient
client = JevClient(api_key="sk-xxx")
# 定义你想要的输出结构（Pydantic 模型更稳）
class ResumeOptimizeOutput(BaseModel):
optimized_bullets: List[Dict[str, str]]
ats_score: int
missing_jd_keywords: List[str]
response = client.generate(
prompt=full_prompt, # 上面组装好的 prompt
response_format=ResumeOptimizeOutput, # ← 关键！传入模型类
temperature=0.3, # 低温度保稳定，别让模型“发挥”
max_tokens=1024
)→ 注意：response_format 必须是能被 JSON Schema 映射的类型。如果你传 dict，Jev 会尝试推断，但易出错；用 Pydantic 是最稳妥的。
不复杂但容易忽略。Jev 的价值不在“它多懂简历”，而在你能让它每次返回的都是程序能直接 response.optimized_bullets[0]["rewritten"] 拿来就用的干净字段。
