# Agentic Search

Source: https://docs.mira.day/de/docs/agent-sourcing/agentic-search

> Beschreiben Sie die gesuchte Person in natürlicher Sprache. Mira durchsucht mehrere Datenquellen, geht Schritt für Schritt vor und liefert Kandidaten mit einer Begründung, warum jede Person passt.



Agentic Search ist die Art, wie Mira Menschen findet. Sie schreiben keine booleschen Suchstrings und jonglieren keine Keywords — **beschreiben Sie die gesuchte Person in natürlicher Sprache, und Mira arbeitet wie ein erfahrener Recruiter: Es durchsucht mehrere Datenquellen, verfolgt die Spuren Schritt für Schritt und erklärt Ihnen, warum jeder Kandidat passt.**

***

Was die Suche löst [#was-die-suche-löst]

Herkömmliche Kandidatensuche hat zwei eingebaute Grenzen:

* **Eine einzige Datenbank.** Die richtigen Personen sind über berufliche Netzwerke, Code-Communities, Forschungsplattformen und Unternehmensseiten verteilt — eine einzige Datenbank wird zwangsläufig welche verpassen.
* **Ein einziger Durchlauf.** Ein einzelner Keyword-Abgleich liefert tendenziell Personen mit ansprechenden Lebensläufen, nicht Personen, die tatsächlich gut passen.

Agentic Search ist in beiden Punkten anders: Es zieht Daten aus **mehreren Quellen** und arbeitet in **mehreren Schritten** — jeder nächste Schritt ergibt sich aus dem, was der vorherige gefunden hat — bis die richtigen Personen gefunden sind, einschließlich passiver Kandidaten, die nicht aktiv auf Jobsuche sind.

Wie es funktioniert [#wie-es-funktioniert]

1. **Sie beschreiben den Bedarf** — in Alltagssprache: die Rolle, die Must-haves und die Nice-to-haves.
2. **Mira sucht** — über mehrere Datenquellen, verfolgt Spuren (Unternehmen, Tech-Stacks, Projekte, öffentliche Arbeiten) und überprüft sie gegenseitig.
3. **Sie erhalten nachvollziehbare Ergebnisse** — eine Kandidatenliste, bei der jede Person mit einem *Grund für die Übereinstimmung* versehen ist.
4. **Sie verfeinern** — wenn die Richtung nicht stimmt, sagen Sie es einfach oder ergänzen eine Einschränkung, und Mira passt sich an.

Kernfunktionen [#kernfunktionen]

* **Quellenübergreifende Suche** — durchsucht gleichzeitig mehrere professionelle Talent-Quellen und das offene Web für eine breitere Abdeckung.
* **Mehrstufige Tiefenrecherche** — kein einmaliger Abgleich; es verfolgt Hinweise und überprüft sie gegenseitig, sodass es auch passive Kandidaten erreicht.
* **Nachvollziehbares Matching** — jeder Kandidat trägt eine Begründung, sodass Ergebnisse beurteilbar und vertrauenswürdig sind. Angetrieben von [MRE](./understanding-ai-matching).
* **Kontaktabruf on demand** — sobald die richtigen Personen gefunden sind, lassen sich E-Mail oder Telefonnummer bei Bedarf abrufen (Get Email / Get Phone, jeder Abruf verbraucht Credits).

Die Rolle gut beschreiben [#die-rolle-gut-beschreiben]

Der Agent versteht natürliche Sprache — aber mehr Kontext gibt ihm mehr zum Nachdenken. Eine schwache Beschreibung und eine starke liefern sehr unterschiedliche Shortlists:

| Schwach                      | Stark                                                                                                            | Warum es wichtig ist                                           |
| ---------------------------- | ---------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------- |
| „Finde mir einen Entwickler" | „Senior Backend-Engineer, 5+ Jahre Python, hat Microservices im großen Maßstab aufgebaut, möglichst aus Fintech" | Mehr Kontext = mehr Signale zum Abgleichen                     |
| „Marketing-Person in NYC"    | „B2B-SaaS-Marketingmanager in NYC, hat Produkt-Launches durchgeführt, vertraut mit datengetriebenen Kampagnen"   | Implizite Kriterien lösen Reasoning-basiertes Matching aus     |
| „Wir brauchen jemand Guten"  | „Jemand, der ein Produkt von 0 auf 1 gebracht hat, idealerweise bei einem Series-A-bis-B-Startup"                | Mira liest „0 to 1" als Erfahrung im Aufbau in einer Frühphase |

Sie können auch auf implizite Kriterien setzen — die Art, die Sie einem Recruiter mündlich nennen würden („einsatzbereit", „kann eigenständig arbeiten", „hat ein Team von Grund auf aufgebaut"). Mira denkt darüber nach, was sie bedeuten, anstatt sie als Keywords abzugleichen.

Schnellstart [#schnellstart]

1. **Beschreiben Sie die Person in natürlicher Sprache** und geben Sie so viel wie möglich an:
   * Rolle / Level
   * Must-haves (die nicht verhandelbaren Anforderungen)
   * Nice-to-haves
   * Einschränkungen wie Standort, Branche oder Unternehmenstyp
2. **Warten Sie, während Mira sucht** — es zeigt die Schritte in Echtzeit an.
3. **Prüfen Sie die Liste und den Match-Grund jedes Kandidaten**; rufen Sie Kontaktdaten bei Bedarf ab.
4. **Nicht ganz richtig?** Ergänzen Sie eine Folgenachricht oder passen Sie die Kriterien an, und lassen Sie es weiter verfeinern.

<Callout>
  **Beispiel-Prompt:** „Finde 3 Senior Backend-Engineers, die Echtzeit-Risikokontrolle bei Fintech-Unternehmen aufgebaut haben, idealerweise mit Go und Kafka, mit Standort Shanghai."
</Callout>

Mira durchsucht Quellen nach passenden Personen, gräbt in ihre Projekte und ihren Hintergrund, um sie gegenseitig zu überprüfen, und liefert eine Shortlist mit einem Match-Grund für jeden — danach können Sie sagen „finde noch ein paar mit Team-Management-Erfahrung", um es weiter einzugrenzen.

Tipps für bessere Ergebnisse [#tipps-für-bessere-ergebnisse]

* **Trennen Sie Must-haves von Nice-to-haves.** Teilen Sie Mira mit, was erforderlich ist und was ein Bonus wäre — das Matching wird präziser.
* **Geben Sie den Kontext.** „Das ist ein frühphasiges Startup, das jemanden braucht, der eigenständig arbeiten kann" hilft bei der Beurteilung der Eignung.
* **Nutzen Sie Folgeanfragen.** Wenn die Richtung nicht stimmt, ergänzen oder korrigieren Sie eine Einschränkung, anstatt von vorne anzufangen.
* **Lassen Sie komplexe Rollen als Team laufen.** Für funktionsübergreifende oder stark eingeschränkte Rollen übergeben Sie die Suche an ein [Agent Team](./agent-teams), das parallel arbeitet.
* **Speichern Sie Ihre bewährten Abläufe.** Wandeln Sie einen Suchablauf, den Sie wiederholt verwenden, in einen [Skill](./skills) um, damit das Team ihn wiederverwenden kann.

Unter der Haube [#unter-der-haube]

Einige Dinge treiben Agentic Search an, in einfachen Worten erklärt:

* **Multi-Source-Retrieval und Fusions-Ranking.** Mira fragt mehrere Datenquellen gleichzeitig ab, führt die Ergebnisse zusammen, entfernt Duplikate und ordnet sie neu (reziproke Rangfusion, RRF), sodass die Verzerrung keiner einzelnen Quelle dominiert.
* **Iterative Reasoning-Schleife.** Statt einer einzigen Abfrage folgt ein Zyklus: Nachdenken → Suchen → Ergebnisse lesen → erneut nachdenken, wobei jeder nächste Schritt aus dem eben Gefundenen gewählt wird.
* **Mehrstufige Pipeline.** Profilsuche, Kontaktanreicherung und Profilanreicherung laufen als separate Schichten und gehen nur bei Bedarf tiefer.
* **Nachvollziehbares Matching.** [MRE](./understanding-ai-matching) bewertet jeden Kandidaten anhand Ihrer Anforderungen und formuliert die Begründung, die Sie sehen.

> Akademisch gesprochen ist die Kombination vieler heterogener Quellen und das schrittweise Lösen über Domänen hinweg **Multi-Source-Retrieval** plus **Multi-Hop-Reasoning**.

Verwandte Themen [#verwandte-themen]

* [Shortlist prüfen](./review-your-shortlist) — Kandidaten lesen und exportieren.
* [KI-Kandidaten-Matching](./understanding-ai-matching) — wie MRE die Eignung bewertet.
* [Agent Teams](./agent-teams) — mehrere spezialisierte Agents für eine komplexe Suche einsetzen.

Möchten Sie Mira ausprobieren? [Treten Sie der Warteliste bei](https://www.mira.day/join-waitlist) für den Early Access.