RAG 换成 Jev 后人选准确率从 44% 飙到 92%,单次成本仅几美分

Select_Condition2805 · reddit · 2026-11-21

一家外包/外派公司的开发者自建招聘 Slack bot,用 Bedrock Knowledge Base 做 RAG 排序,但多条件筛选时经常只命中单项要求。作者撤掉检索排序环节,改用 TypeSafe AI 的 Jev 对每份简历+面试笔记打「符合需求概率」,生成式 LLM 只负责写一行解释。

在 7 个客户需求、111 名工程师上用 Ragas 评测:

为什么不把全部候选人塞给生成式 LLM 挑选?作者给出两个理由:111 人的简历加笔记约 200-310K tokens,已逼近上下文上限,1000 人任何模型都装不下;对每个候选人调用一次前沿模型,成本是现有方案的 30-400 倍。

原文链接 →

「编程与Agent」频道最新

更多「编程与Agent」频道 AI 资讯 →