BOSS Auto Job Helper

The README opens with

既支持全行业通用关键词规则初筛，更深度集成了 TypeSafe Jev 认知决策模型。通过大模型语义理解解决传统脚本“误杀好岗位、漏放外包坑、打杂冒充研发”等痛点，实现真研发深度量化、虚假陷阱一票否决、S/A/B 战略择优投递。

1. 🧠 Jev 智能多维语义研判（革命性升级） 传统关键词脚本往往存在两大硬伤： - 误杀：JD 里写“本公司集研发、生产、销售于一体”或“五险一金+补充商业保险”，因包含“销售”“保险”等排除词而被直接跳过； - 漏杀：挂名“算法工程师/研发助理”，实际工作是数据清洗、设备擦洗打杂；或者挂靠劳务中介、先交费招转培。

研判维度 指标类型 判定逻辑与准则 --- --- --- 对口程度 (fit) Score (0~3) 严格对照用户画像。0=无关/非技术岗，1=同行业但技术方向错位，2=相近可转，3=核心主修专长直接对口 研发深度 (depth) Score (0~2) 0=设备清洗/流水线/数据录入打杂，1=常规SOP/成熟管线日常运行，2=独立探索/实验设计/前沿算法核心研发 劳务派遣 (dispatch) Noul (概率) 识别劳务中介、外包驻场、与第三方人力公司签合同等迹象，≥0.7 直接一票否决 收费培训 (paidtraining) Noul (概率) 识别招转培、入职押金、先培训后上岗贷款等陷阱，≥0.7 直接一票否决 伪装销售 (salesindisguise) Noul (概率) 识别挂名研发/技术支持实则背负销售获客指标的岗位，≥0.7 直接一票否决 排斥约束 (excluded) Noul (概率) 对照用户画像中声明的“绝对排除”项（如动物房打杂、车间普工），命中即淘汰