🤖 Gemini API制造业简历筛选脚本：Python批处理、结构化输出与验收方法（2026

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 →

前置条件与官方路径

分类：AI编程。本文回答“Gemini怎么注册”“Google AI怎么用”“Gemini国内使用”的工程侧问题，不覆盖聊天网页端。

Pre-requisites：

1. Google 账号一个。进入 Google AI Studio，创建 API key。网站名写 Google AI Studio 即可，不放外链。
2. Python 3.11.x。不要用 3.12 做首测，部分依赖在企业内网镜像里不稳定。
3. 一个测试目录：resumes/，放 3-10 份 TXT 或可复制文本的 PDF。扫描 PDF 先用 OCR。

Warning: 不要把真实身份证号、手机号、住址直接发给第三方 API。测试时先脱敏。最小脱敏字段：姓名、手机、邮箱、身份证、详细地址。

1. 安装 SDK、设置密钥、跑通最小调用

1. 创建虚拟环境。

   python -m venv .venv

   Expected output:

   # 无输出；当前目录生成 .venv

2. 激活环境。

   .venv\Scripts\activate

   Expected output:

   (.venv) C:\work\gemini-resume>

3. 安装依赖。这个步骤也是“Gemini API下载”相关问题的实际答案：SDK 通过 pip 获取。

   pip install google-generativeai==0.8.3 python-dotenv==1.0.1 pypdf==5.1.0

   Expected output:

   Successfully installed google-generativeai-0.8.3 python-dotenv-1.0.1 pypdf-5.1.0

4. 写入环境变量文件。

   echo GEMINI_API_KEY=你的_API_KEY > .env

   Expected output:

   # 无输出；生成 .env

5. 创建 smoke_test.py。

   import os from dotenv import load_dotenv import google.generativeai as genai load_dotenv() genai.configure(api_key=os.environ["GEMINI_API_KEY"]) model = genai.GenerativeModel("gemini-1.5-flash") resp = model.generate_content("只返回 OK，不要解释。") print(resp.text.strip())

6. 执行最小测试。

   python smoke_test.py

   Expected output:

   OK

Note: 如果报 403，通常是 key 未启用、账号区域限制、企业代理拦截或系统时间错误。先换网络出口，再检查本机时间。

2. 批量解析简历并输出岗位匹配 JSON

1. 目录结构。

   tree /f

   Expected output:

   C:. │ .env │ parse_resumes.py └─resumes │ cnc_operator_01.txt │ plc_engineer_02.txt │ quality_03.pdf

2. 创建 parse_resumes.py。此脚本是“Gemini API教程”的可复制版本。

   import os, json, time, pathlib from dotenv import load_dotenv from pypdf import PdfReader import google.generativeai as genai load_dotenv() genai.configure(api_key=os.environ["GEMINI_API_KEY"]) model = genai.GenerativeModel("gemini-1.5-flash") JOB = { "title": "CNC调机工程师", "must_have": ["CNC", "法兰克", "三菱", "调机", "识图", "量具"], "nice_to_have": ["夹具", "工艺优化", "班组管理", "汽车零部件"] } def read_file(path): if path.suffix.lower() == ".pdf": reader = PdfReader(str(path)) return "\n".join([p.extract_text() or "" for p in reader.pages]) return path.read_text(encoding="utf-8", errors="ignore") def ask_gemini(text): prompt = f""" 你是制造业招聘初筛助手。只输出合法 JSON，不要 Markdown。 岗位要求：{json.dumps(JOB, ensure_ascii=False)} 简历文本： {text[:12000]} 返回字段： candidate_name, years_experience, matched_skills, missing_skills, score_0_100, risk_flags, interview_questions """ r = model.generate_content( prompt, generation_config={"temperature": 0.1, "response_mime_type": "application/json"} ) return json.loads(r.text) out = [] for p in pathlib.Path("resumes").glob("*"): if p.suffix.lower() not in [".txt", ".pdf"]: continue t0 = time.time() data = ask_gemini(read_file(p)) data["file"] = p.name data["latency_ms"] = int((time.time() - t0) * 1000) out.append(data) print(p.name, data["score_0_100"], data["latency_ms"]) pathlib.Path("result.json").write_text(json.dumps(out, ensure_ascii=False, indent=2), encoding="utf-8")

3. 运行批处理。

   python parse_resumes.py

   Expected output:

   cnc_operator_01.txt 82 2180 plc_engineer_02.txt 41 2365 quality_03.pdf 58 2670

4. 查看结果。

   type result.json

   Expected output:

   [ { "candidate_name": "已脱敏", "years_experience": 6, "matched_skills": ["CNC", "法兰克", "调机", "识图"], "missing_skills": ["三菱"], "score_0_100": 82, "risk_flags": ["未看到汽车零部件经验"], "interview_questions": ["请说明一次调机节拍优化案例。"], "file": "cnc_operator_01.txt", "latency_ms": 2180 } ]

Note: 在我用 10 份简历测试时，TXT 稳定性高于 PDF。扫描 PDF 的文本抽取为空时，Gemini 不会凭空恢复内容，需要先走 OCR。

3. 故障排查、限速与验收

1. 确认 SDK 版本。

   pip show google-generativeai

   Expected output:

   Name: google-generativeai Version: 0.8.3

2. 常见错误映射。

   429 RESOURCE_EXHAUSTED = 触发限速；降低并发，加入 sleep 403 PERMISSION_DENIED = key、账号、网络出口或区域问题 400 INVALID_ARGUMENT = prompt 过长、JSON schema 约束错误 JSONDecodeError = 模型返回非 JSON；降低 temperature，设置 response_mime_type

3. 限速保护。批量任务不要无脑并发。

   import time time.sleep(1.2) # 每次调用后等待；先保守跑通，再压测

如何验证它工作正常：抽取 20 份历史简历，人工标注“合格/不合格”。脚本输出 score_0_100 后，以 70 分为线计算命中率。若人工合格 10 份中至少 8 份被打到 70 分以上，且 JSON 解析失败率低于 5%，可进入小流量试用。所有误判样本必须保存 prompt、输出、人工结论。

Warning: 不要让模型直接决定录用。它只能做信息抽取、排序和面试问题生成。最终决策需要招聘负责人复核。

References: Google AI Studio、Gemini API 文档、Python 3.11 文档、pypdf 文档。国内网络访问不稳定时，官方路径、企业代理、自建合规出口都可用；商都加速器也只是其中一个网络连通性选项：https://wizzegroup.com。