企业官网建设流程全解析

用 ollama-python 搭 AI 简历筛选器：手把手教程，1000 份简历 10 分钟搞定

【免费下载链接】ollama-pythonOllama Python library项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-python

HR 最怕的场景是什么？一个岗位收 1000 份简历，人工逐份看要熬 3 个通宵，还容易漏掉黑马。ollama-python 是 Ollama 的官方 Python 库，它能让你用几行代码调用本地大模型，本文就带你用它的嵌入（Embedding，把文字变成可比较的数字向量）接口，搭一个本地 AI 简历筛选器：1000 份简历从 3 天压到 10 分钟，全程无需 API 密钥，简历数据不出内网。

读完本文你将带走 3 件事：

• 会用embed一个接口把简历变成向量，算出和岗位 JD 的匹配分
• 掌握批量嵌入 + 缓存两套提速技巧，100 份简历提速 4 倍
• 拿到可直接复制的 Docker 部署命令，把筛选器上线到团队服务器

先睹为快：跑通后长什么样

对比一下"跑通前 vs 跑通后"👇

最终你得到的是一份按分数排序的清单，比如：

1. 张三_后端.docx —— 匹配度 92.4% 2. 李四_AI.docx —— 匹配度 87.1% 3. 王五_数据.docx —— 匹配度 81.6% ...

HR 只需重点复核前 10% 的高分简历，其余交给 AI 兜底。

拆开看原理：两个概念就够

嵌入（Embedding）：把一段文字转成一串数字（向量）。意思越接近的两段文字，向量越"贴近"。ollama-python 的embed方法（实现在 ollama/_client.py 第 406-427 行）会把文本 POST 到本地 Ollama 的/api/embed接口，返回这个向量，最小示例就在 examples/embed.py（第 1-4 行）。

余弦相似度：用夹角衡量两个向量的接近程度，取值 0~1，越大越匹配。它不关心向量长短（即不关心简历写得多啰嗦），只看"方向"是否一致——这正是筛选需要的。

整个流程就是三步：JD 和每份简历各转成一个向量 → 两两算余弦相似度 → 按分数排序。原理就这么多，下面直接跑通。

三步跑通：从安装到出结果

第 1 步：环境准备

git clone https://gitcode.com/GitHub_Trending/ol/ollama-python pip install ollama ollama pull nomic-embed-text # 专用嵌入模型，体积只有几百 MB

简历筛选不需要大语言模型，用专门的嵌入模型又快又准；模型拉取也可以在代码里做，参考 examples/pull.py。

第 2 步：核心两行代码

把 JD 和简历都转成向量，剩下的事交给向量本身：

from ollama import embed # 一次调用拿到 JD 向量（embed 也接受列表，见下节批量技巧） jd = embed(model='nomic-embed-text', input=job_description) resume = embed(model='nomic-embed-text', input=resume_text)

相似度用一行标准库就能算：

def cosine(a, b): dot = sum(x * y for x, y in zip(a, b)) return dot / ((sum(x * x for x in a) ** 0.5) * (sum(x * x for x in b) ** 0.5))

第 3 步：批量跑并验证

遍历resumes/目录下所有.txt简历，逐份和 JD 算分、按分数降序输出即可。验证标准很简单：把一份明显匹配（Python + NLP 经验）和一份明显不匹配的简历放进目录，前者分数应比后者高 15 分以上——方向对了，就可以批量跑了。完整可运行示例可对照 examples/embed.py 的写法扩展，响应类型定义见 ollama/_types.py。

调优上生产：提速 4 倍的三个开关

1. 批量嵌入：embed的input参数支持列表，一次传 32 份简历，请求数从 N 降到 N/32，网络往返开销骤降。用法见 README.md 的 "Embed (batch)" 一节：

embeddings = embed(model='nomic-embed-text', input=resume_texts[:32])

2. 异步并发：用AsyncClient并行发请求（README.md "Async client" 一节有现成写法），4 个并发下 100 份简历约从 1.3 分钟降到 20 秒左右。

3. 缓存向量：把简历文本的哈希 + 向量落盘（JSON 即可），同一批简历复筛、换 JD 对比时直接读缓存，避免重复计算——向量只和文本内容有关，与 JD 无关。

部署到服务器用 Docker 最省事，compose 文件里起 Ollama 和你的筛选脚本两个服务：

services: ollama: image: ollama/ollama:latest volumes: - ollama:/root/.ollama restart: always screener: build: . environment: OLLAMA_HOST: http://ollama:11434 depends_on: - ollama volumes: ollama:

docker compose up -d

客户端指向OLLAMA_HOST即可（自定义 host 的写法见 README.md "Custom client" 一节），简历数据始终在局域网内流动，天然满足合规要求。

举一反三：同一套思路还能打这三场

"文本 → 向量 → 相似度排序"这个骨架，换个语料就是另一个工具：

1. 内部知识库问答：把员工手册、产品文档向量化，候选人或新人提问时先检索最相关的 3 段再让模型作答，参考 examples/chat.py 的对话写法。
2. 重复/近似内容去重：工单、反馈、爬虫语料里相似度 >0.95 的判重合并，一个循环就能做。
3. 简历信息结构化：筛完还要"读"简历时，用结构化输出让模型直接吐 JSON（技能、年限、学历），看 examples/structured-outputs.py；再配合 examples/chat-with-history.py 做多轮追问，就能实现"和 AI 讨论某位候选人是否合适"。

带走重点

ollama-python 的核心优势一句话：本地化、零密钥、几行代码。embed一个接口加上余弦相似度，就足以把"看简历"这件苦力活变成一份量化榜单；批量、异步、缓存三板斧让它从"能跑"变成"跑得快"；Docker 一部署，团队随时能用。下一步建议：今天就按"三步跑通"搭一个最小版，先拿 20 份真实简历验证分数是否合理，再套上批量和缓存上量——现在就动手，搭一个属于你的 AI 简历筛选器吧 ⚡

【免费下载链接】ollama-pythonOllama Python library项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-python