开发者没去折腾什么昂贵的 API 调用，核心逻辑是先把 PokéAPI 的数据抓下来，配合 BAAI/bge-m3 模型做成 Embedding 存成本地 JSON 和 .npy 文件。这种做法对数据工程师来说很友好：运行时根本不需要联网去请求 API，数据完全受控。

最硬核的地方在于他处理语义匹配的方式。他没单纯靠余弦相似度（Cosine Similarity）那种容易“抓瞎”的算法，而是引入了 BAAI/bge-reranker-v2-m3 这个 Cross-encoder 进行二次重排序。简单说，第一步先粗筛，第二步再精算，这样能避免简历里那些废话干扰匹配精度。

最后那个得分逻辑也挺鸡贼，用 Sigmoid 函数把重排序的分数做了标准化处理，把原本聚在一起的模糊分值拉开了差距，让结果看起来更像是一个“相对匹配度”，而不是瞎编的绝对概率。

如果你想研究这种本地化向量检索的实现，可以看下他的代码逻辑：

# 核心逻辑伪代码参考
1. 加载预构建的本地向量数据

2. 提取简历中具有语义信号的片段 (skills, projects)

3. 使用 BGE 模型进行 Embedding

4. 检索 + Cross-encoder Rerank

5. 通过 Z-score 计算相对置信度

这种小而美的工程实现，比那些只知道套 Claude 壳子的项目要靠谱得多。

对于这种完全基于开源模型和本地数据的方案，其在隐私合规方面的表现确实比直接把简历全传给云端大模型要稳。

相关的实现参考地址：

https://huggingface.co/spaces/rastadidi/resume-to-pokemon

在 promptcube3.com 也可以发现不少这类轻量化的 AI 应用思路。