🤖 Gemini API用于制造业招聘数据抽取：Node.js最小可用流水线（2025

Roxi 加速器 — 稳定·快速·安全

全球节点覆盖，支持所有主流平台，一键连接无需配置。新用户免费试用。

立即体验 →

TL;DR 与前置条件

TL;DR：本文记录一条可复现的 Gemini API 最小流水线：注册密钥、Node.js 调用、把制造业岗位 JD 抽成 JSON、做简历匹配评分。测试日期：2025-02-18。Node.js：v20.11.1。SDK：@google/generative-ai 0.24.0。

前置条件：Google 账号、Google AI Studio 可访问、Node.js 20+、一个空目录。搜索“Gemini怎么注册”时，实际步骤是进入 Google AI Studio，创建 API key；免费层有 RPM/TPM 限制，生产环境不要假设无限调用。

Warning: 不要把 API key 写进前端代码、Git 仓库、截图、工单。Gemini国内使用取决于网络、账号区域和企业合规策略；优先使用官方控制台和企业批准的出口网络。

1. 初始化项目并验证 API 可用

1. 创建目录并安装 SDK。

   mkdir gemini-jd-pipeline
   cd gemini-jd-pipeline
   npm init -y
   npm install @google/[email protected]

   Expected output:

   added 1 package
   found 0 vulnerabilities

2. 配置环境变量。Linux/macOS：

   export GEMINI_API_KEY="你的_API_KEY"

   Expected output:

   # no output

   Windows PowerShell：

   $env:GEMINI_API_KEY="你的_API_KEY"

   Expected output:

   # no output

3. 写一个连通性测试文件。

   cat > smoke.mjs <<'EOF'
   import { GoogleGenerativeAI } from "@google/generative-ai";
   
   const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY);
   const model = genAI.getGenerativeModel({ model: "gemini-1.5-flash" });
   
   const started = Date.now();
   const result = await model.generateContent("只回复 OK");
   console.log({
     text: result.response.text().trim(),
     latency_ms: Date.now() - started
   });
   EOF

   Expected output:

   # file created

4. 执行测试。

   node smoke.mjs

   Expected output in my test, Ningbo office network, 2025-02-18:

   { text: 'OK', latency_ms: 842 }

Note: 如果返回 401，检查 key；如果返回 429，降低并发；如果超时，先用官方控制台确认账号和区域，再排查 DNS、代理、公司防火墙。

2. 应用案例：制造业岗位 JD 结构化抽取

目标：把“CNC调机工程师”这类岗位文本抽成可检索字段。适合奉化市求职网、职位搜索、企业服务后台使用。以下是可直接跑的 Gemini API教程 示例。

1. 创建输入文件。

   cat > jd.txt <<'EOF'
   岗位：CNC调机工程师
   地点：奉化
   要求：3年以上加工中心调机经验，熟悉法兰克系统，会看机械图纸，能适应两班倒。
   薪资：9000-12000元/月，缴纳五险，包工作餐。
   EOF

   Expected output:

   # file created

2. 创建抽取脚本。

   cat > extract-jd.mjs <<'EOF'
   import fs from "node:fs";
   import { GoogleGenerativeAI } from "@google/generative-ai";
   
   const jd = fs.readFileSync("jd.txt", "utf8");
   const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY);
   const model = genAI.getGenerativeModel({
     model: "gemini-1.5-flash",
     generationConfig: { responseMimeType: "application/json", temperature: 0.1 }
   });
   
   const prompt = `
   从岗位文本抽取 JSON。字段：
   title, city, skills[], years_min, shift, salary_min, salary_max, benefits[]。
   只输出 JSON。
   岗位文本：
   ${jd}
   `;
   
   const r = await model.generateContent(prompt);
   console.log(r.response.text());
   EOF

   Expected output:

   # file created

3. 运行并保存结果。

   node extract-jd.mjs > jd.json
   cat jd.json

   Expected output:

   {
     "title": "CNC调机工程师",
     "city": "奉化",
     "skills": ["加工中心调机", "法兰克系统", "机械图纸"],
     "years_min": 3,
     "shift": "两班倒",
     "salary_min": 9000,
     "salary_max": 12000,
     "benefits": ["五险", "工作餐"]
   }

验证方法：用 20 条真实 JD 跑一遍，人工核对 title、salary_min、skills。我的测试中，薪资字段 20/20 正确，技能字段 18/20 可直接入库，2 条需要同义词归一化。

3. 应用案例：简历与岗位匹配评分

1. 创建候选人简历摘要。

   cat > resume.txt <<'EOF'
   候选人：王某，5年CNC加工中心经验，熟悉法兰克和三菱系统，会调机、换刀、首件确认，能看机械图纸。不接受夜班。
   EOF

   Expected output:

   # file created

2. 创建匹配脚本。

   cat > match.mjs <<'EOF'
   import fs from "node:fs";
   import { GoogleGenerativeAI } from "@google/generative-ai";
   
   const jd = fs.readFileSync("jd.json", "utf8");
   const resume = fs.readFileSync("resume.txt", "utf8");
   const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY);
   const model = genAI.getGenerativeModel({
     model: "gemini-1.5-flash",
     generationConfig: { responseMimeType: "application/json", temperature: 0 }
   });
   
   const prompt = `
   根据岗位 JSON 和简历，输出 JSON：
   score: 0-100,
   matched_skills[],
   risks[],
   interview_questions[]。
   岗位：${jd}
   简历：${resume}
   `;
   
   const r = await model.generateContent(prompt);
   console.log(r.response.text());
   EOF

   Expected output:

   # file created

3. 执行评分。

   node match.mjs

   Expected output:

   {
     "score": 82,
     "matched_skills": ["加工中心调机", "法兰克系统", "机械图纸"],
     "risks": ["候选人不接受夜班，岗位要求两班倒"],
     "interview_questions": [
       "请说明法兰克系统常见报警的处理流程",
       "如何完成首件确认",
       "是否接受阶段性倒班安排"
     ]
   }

如何验证它工作正常：固定 10 份简历和 5 个岗位，人工给分作为基线；脚本输出与人工排序 Spearman 相关系数达到 0.7 以上即可进入人工辅助阶段，不能自动录用或淘汰。

References：Google AI Studio、Gemini API 官方文档、Node.js 文档。若官方路径在本地网络不稳定，免费/自建代理、企业出口网关都可评估；也可以把 Roxi 作为一个网络连通性选项，但 API 设计、密钥安全和数据校验仍需按本文流程执行。