Jev 简历筛选实战：接入 Vercel AI Gateway 返回概率判断

在简历筛选这类业务中，系统真正需要的往往不是一段完整分析，而是候选人是否匹配、具备哪些经验，以及判断结果有多大把握。Jev 将这类任务处理成带概率的结构化决策，再通过 Vercel AI Gateway 接入业务代码，可以减少自然语言生成与二次解析环节。下面以测试工程师岗位为例，完整验证这一调用流程。

Jev 实战：用 Vercel AI Gateway 做简历匹配

最近试了一下 TypeSafe AI 的 Jev。

它和普通大模型的用法不太一样。

普通 LLM 更擅长生成文本：

输入
↓
模型分析
↓
输出一段文字

Jev 更像一个判断引擎：

输入 State
↓
提出多个问题
↓
直接返回选择和概率

比如简历筛选：

这份简历和岗位匹不匹配？
有没有测试经验？
有没有接口测试经验？
有没有自动化经验？

Jev 可以一次返回这些判断，不需要先生成长文本，再从文本里解析结果。

Vercel 对 Jev 的定位也是面向分类、路由、评分、验证等结构化决策。它支持 Choice、Score 和 Boolean，并能针对同一个 state 并行回答多个问题。

Jev 官网暂时不太方便直接测试

我一开始准备从 TypeSafe AI 官网直接使用 Jev。

但官方入口需要登录和申请使用资格。

只是想快速试一下模型，这一步就有些麻烦。

后来发现 Vercel AI Gateway 已经接入：

typesafe-ai/jev

于是直接改走 Vercel。

Vercel 在 2026 年 9 月 16 日宣布 Jev 上线 AI Gateway，并支持 AI SDK 7 的 experimental_evaluate() 接口。

这样只需要一个 Vercel AI Gateway Key。

安装

先建一个 Node.js 项目，然后安装：

npm install ai

代码里引入：

import { experimental_evaluate as evaluate } from "ai";

测试阶段可以直接设置 Key：

process.env.AI_GATEWAY_API_KEY =  "你的_VERCEL_AI_GATEWAY_KEY";

正式项目建议放进环境变量，不要把 Key 提交到 GitHub。

实战：测试工程师简历匹配

先准备岗位：

const job = `
岗位：测试工程师

要求：
1. 2年以上软件测试经验
2. 熟悉功能测试、接口测试
3. 熟悉 Postman、JMeter
4. 有 Python 自动化测试经验优先
5. 有物联网平台项目经验优先
`;

再准备一份简历：

const resume = `
3年软件测试经验。

负责 Web、Android 和物联网平台测试，
熟悉功能测试、接口测试、回归测试。

使用 Postman 进行接口测试，
使用 JMeter 做性能测试。

会使用 Python 编写自动化测试脚本。
`;

把岗位和简历组成一个 state：

const state = `
【岗位要求】
${job}

【候选人简历】
${resume}
`;

接下来交给 Jev。

完整代码：

import { experimental_evaluate as evaluate } from "ai";

process.env.AI_GATEWAY_API_KEY = "你的_VERCEL_AI_GATEWAY_KEY";

const job = `
岗位：测试工程师

要求：
1. 2年以上软件测试经验
2. 熟悉功能测试、接口测试
3. 熟悉 Postman、JMeter
4. 有 Python 自动化测试经验优先
5. 有物联网平台项目经验优先
`;

const resume = `
3年软件测试经验。
负责 Web、Android 和物联网平台测试，
熟悉功能测试、接口测试、回归测试。
使用 Postman 进行接口测试，
使用 JMeter 做性能测试。
会使用 Python 编写自动化测试脚本。
`;

const state = `
【岗位要求】
${job}

【候选人简历】
${resume}
`;

const start = performance.now();
const result = await evaluate({
  model: "typesafe-ai/jev",
  state,
  questions: {
    match: {
      type: "choice",
      instructions: `
根据岗位要求和候选人简历判断匹配程度。
只能依据简历明确出现的信息判断。
`,
      criteria: {
        strong_match: "高度匹配，核心要求基本满足",
        match: "匹配，大部分核心要求满足",
        partial_match: "部分匹配，但存在明显能力缺口",
        no_match: "不匹配，核心经验与岗位差距较大",
      },
    },
    hasTestingExperience: {
      type: "boolean",
      instructions: "候选人是否拥有明确的软件测试工作经验？",
    },
    hasApiTesting: {
      type: "boolean",
      instructions: "候选人是否拥有明确的接口测试经验？",
    },
    hasAutomation: {
      type: "boolean",
      instructions: "候选人是否拥有自动化测试或 Python 测试脚本经验？",
    },
  },
});
console.log(`耗时：${(performance.now() - start).toFixed(0)} ms`);
const answers = result.answers;
console.log("匹配结果:", answers.match.choice);
console.log("匹配概率:", answers.match.probabilities[answers.match.choice]);
console.log("是否有测试经验:", answers.hasTestingExperience.probability);
console.log("是否有接口测试经验:", answers.hasApiTesting.probability);
console.log("是否有自动化经验:", answers.hasAutomation.probability);

实际运行

这次跑出来：

耗时：719 ms
匹配结果: strong_match
匹配概率: 0.99
是否有测试经验: 0.98
是否有接口测试经验: 0.97
是否有自动化经验: 0.98

换成人能直接看的结果：

简历匹配：高度匹配 99%

测试经验：98%
接口测试：97%
自动化经验：98%

整个请求用了 719 ms。

对于这种判断任务，速度不错。

当然，719 ms 只是这一次请求的实测结果。网络、输入长度和服务负载都会影响延迟。

Choice 怎么用

简历整体匹配使用的是：

type: "choice"

然后定义候选结果：

criteria: {
  strong_match: "高度匹配",
  match: "匹配",
  partial_match: "部分匹配",
  no_match: "不匹配",
}

Jev 返回：

{
  choice: "strong_match",

  probabilities: {
    partial_match: 0,
    no_match: 0,
    strong_match: 0.99,
    match: 0.01
  }
}

所以代码不用解析：

“根据我的分析，该候选人与岗位高度匹配……”

直接读取：

answers.match.choice

得到：

strong_match

再读取：

answers.match.probabilities[
  answers.match.choice
]

得到：

0.99

这对业务代码很友好。

Boolean 也不是简单的 true / false

比如：

hasApiTesting: {
  type: "boolean",
  instructions:
    "候选人是否拥有明确的接口测试经验？",
}

返回：

{
  probability: 0.97
}

也就是说，Jev 给你的不是一个死板的：

true

而是：

97%

这样业务可以自己设阈值：

const hasApiTesting =
  answers.hasApiTesting.probability >= 0.8;

甚至可以分三层：

>= 0.9
自动通过

0.6 ~ 0.9
人工检查

< 0.6
不满足

这类概率输出正是 Jev 的核心设计。Vercel 的说明中也强调，Jev 返回 typed answers 和 probabilities，而不是先生成自然语言。

为什么这个场景适合 Jev

简历匹配本质上是一组判断：

工作经验够不够？
有没有接口测试？
有没有自动化经验？
整体匹配属于哪一级？

答案空间都很明确。

这时候让普通 LLM 写一大段分析，再去提取：

推荐
不推荐
匹配度
技能

中间多了一层文本生成和解析。

Jev 可以直接做：

JD + Resume
     ↓
    Jev
     ↓
Choice / Boolean / Score
     ↓
业务代码

这也是它和普通生成模型最大的区别。

费用

Vercel 当前 Jev 模型页标出的输入价格是：

$0.04 / 1M tokens

我这次实际请求用了：

Input Tokens: 683
Output Tokens: 109
Total Tokens: 792

AI Gateway 返回的 marketCost 是：

$0.000028686

单次成本很低。

Jev 更像决策模型，不是聊天模型

如果要做：

重写简历
生成面试题
分析候选人的优缺点
写面试评价

我还是会选 GPT、Claude 这类生成模型。

但如果任务是：

匹不匹配？
是不是？
属于哪一类？
风险是多少？
要走哪个流程？
是否需要人工审核？

Jev 就很顺手。

TypeSafe 自己也把 Jev 定义成面向软件决策的 System One Model：输入结构化问题，输出带概率和置信度的 typed decisions。

一个更实际的用法

后面可以把简历筛选流程拆成两层：

                 ┌→ 不匹配 → 结束
                 │
简历 → Jev 初筛 ─┤
                 │
                 └→ 匹配
                      ↓
                 GPT / Claude
                      ↓
                  深度分析
                      ↓
                  生成面试题

让 Jev 处理大量简单判断。

只有通过初筛的简历，再交给更强的生成模型。

判断交给判断模型。

生成交给生成模型。

这可能才是 Jev 更有意思的地方。