阅历 YueLi

Jev 简历批量分类桌面工具（Windows / macOS / Linux）：导入一个文件夹的简历（PDF / DOCX / TXT，支持拖拽整文件夹进窗口），后台并发送入 TypeSafe Jev 决策模型，输出每个回答的四维判定：

维度	形式	说明
岗位分类	choice	后端/前端/移动端/算法/数据/测试/运维/产品/其他（判据可在 criteria.toml 中编辑）
资历级别	choice	实习 / 初级1-3年 / 中级3-5年 / 高级5-10年 / 专家10年+
技术强度	score 0-10	项目可量化程度、技术深度、主导性
注水嫌疑	noul 0-1	时间线矛盾、头衔失实、数字堆砌等信号

批次可随时取消；结果本地缓存（按内容哈希），改判据自动失效重判；可导出 CSV（Excel 兼容）/ JSON。

判定由 AI 模型生成，仅供参考，不构成招聘决策依据。简历内容会发送至 api.typesafe.ai 进行判定，请遵守当地个人信息保护法规，仅处理你有权处理的简历。

架构

• crates/jev-core — 无 UI 依赖的核心库：三格式文本提取（pdfium-render / zip+quick-xml / 原文）、Jev 客户端（容错解析 + 429/5xx 退避重试）、批量流水线（Semaphore 并发 + 内容哈希缓存 + 取消）、判据 TOML（版本化）、CSV/JSON 导出。全量单元测试。
• crates/jev-app — Tauri 2 桌面应用：Rust 命令层（src/commands.rs，批次线程 + 事件泵）+ ui/ 下的 React + Vite + TypeScript 前端（结果表 / 工具栏 / 状态栏）。

本地开发

# 1. Rust 1.98.1（rust-toolchain.toml 已钉住）与 Node 20+
rustup toolchain install 1.98.1

# 2. pdfium 动态库（脚本会放到 vendor/ 与 target/{debug,release}/ 旁，无需环境变量）
./scripts/fetch-pdfium.sh

# 3. 测试核心与前端
cargo test -p jev-core
npm install
npm test

# 4. 运行桌面应用（自动起 Vite dev server）
npm run dev

API Key

推荐：应用内点「设置」（未配置 Key 时顶部提示可直接点击）填入 TypeSafe API Key，保存即生效。也可以直接编辑配置文件：

• macOS: ~/Library/Application Support/yueli/config.toml
• Windows: %APPDATA%\yueli\config.toml
• Linux: ~/.config/yueli/config.toml

api_key = "apikey_..."
base_url = "https://api.typesafe.ai"
model = "jev-latest"
concurrency = 4

改配置文件后无需重启，下一批次即生效。

判据校准

分类体系在 config.toml 同目录的 criteria.toml：9 个默认分类的 description 是判定标准本身，改措辞即改判定；每次保存自动递增版本号，旧缓存自动失效。与 zhihu-jev 相同的校准流程：拿 ~20 份你有把握的简历当测试集，只改判据措辞，直到判定与你的判断一致。

安装包（GitHub Release）

从 GitHub Releases 下载对应平台安装包：

• macOS: .dmg / .app.tar.gz（未签名，安装后执行 xattr -cr /Applications/yueli.app 即可打开；或系统设置 → 隐私与安全性 → 仍要打开）
• Windows: -setup.exe (NSIS) / .msi（SmartScreen 提示点「仍要运行」）
• Linux: .deb / .AppImage / .rpm

pdfium 动态库已通过 bundle.resources 打入安装包，macOS / Windows / AppImage 开箱即用；.deb 如提示找不到 pdfium，设置环境变量 PDFIUM_DYNAMIC_LIB_PATH 指向系统 pdfium 即可。

License

MIT