# Padanan Calon AI Source: https://docs.mira.day/ms/docs/agent-sourcing/understanding-ai-matching > Bagaimana Mira Reasoning Embedding mentafsir keperluan anda. Melangkaui carian kata kunci untuk memahami konteks, isyarat kekananan, dan kriteria tersirat. Apabila anda mencari calon di kebanyakan platform, apa yang anda buat sebenarnya ialah padanan kata kunci, taip "Python developer Berlin" dan dapatkan semua orang yang ada perkataan tersebut dalam profil. Ia cepat, tetapi banyak yang terlepas. Mira bekerja secara berbeza. MRE (Mira Reasoning Embedding) membaca huraian anda, menaakul apa yang anda benar-benar perlukan, dan menilai keseluruhan sejarah kerjaya setiap calon berbanding keperluan anda. Inilah maksudnya dalam amalan. *** Apa yang MRE boleh faham yang kata kunci tidak boleh [#apa-yang-mre-boleh-faham-yang-kata-kunci-tidak-boleh] "5 tahun pengalaman backend" [#5-tahun-pengalaman-backend] Carian kata kunci: mencari "5 tahun" dalam teks profil. MRE: mengira tahun sebenar daripada garis masa kerjaya calon. Jika seseorang bekerja 3 tahun di Syarikat A dan 2.5 tahun di Syarikat B melakukan kerja backend, MRE mengiranya dengan betul, walaupun profil mereka tidak pernah menyebut "5 tahun" di mana-mana. "Seseorang yang pernah bina produk daripada 0 ke 1" [#seseorang-yang-pernah-bina-produk-daripada-0-ke-1] Carian kata kunci: mencari frasa "0 to 1" secara literal. MRE: mengenal pasti calon yang menyertai syarikat peringkat awal (pra-Series A, kurang daripada 20 orang) dalam peranan produk atau engineering dan terus berada di situ sepanjang fasa pertumbuhan. Ia membaca corak kerjaya, bukan kata kunci. "Latar belakang syarikat high-growth" [#latar-belakang-syarikat-high-growth] Carian kata kunci: tidak dapat lakukan ini langsung. MRE: menyemak data syarikat, pusingan pendanaan, pertumbuhan bilangan pekerja, isyarat pendapatan, dan mengenal pasti calon yang majikannya sepadan dengan corak "high-growth". "Syarikat tersenarai + pengalaman startup" [#syarikat-tersenarai--pengalaman-startup] Carian kata kunci: dua penapis berasingan yang tidak berkaitan. MRE: menilai keseluruhan arka kerjaya, mencari orang yang pernah bekerja di syarikat tersenarai DAN di startup pada masa berlainan dalam kerjaya mereka, serta memahami bahawa gabungan ini menandakan jenis keserbabolehan tertentu. Apa maksudnya untuk anda [#apa-maksudnya-untuk-anda] Anda boleh huraikan jawatan seperti anda huraikannya kepada rakan recruiter: > *"Saya perlukan seseorang yang senior, teknikal tetapi customer-facing, yang pernah buat enterprise sales di startup yang benar-benar ada product-market fit, bukan syarikat yang cuma kumpul banyak wang."* MRE menguraikan ini kepada beberapa kriteria penilaian dan menerapkannya. Anda tidak perlukan Boolean string, penapis, atau "search syntax". Dari mana teknologi ini datang [#dari-mana-teknologi-ini-datang] MRE lahir daripada penyelidikan dalaman Mira mengenai retrieval berasaskan penaakulan. Ia kini berada di kedudukan pertama dalam kategori Embedding dan pertama keseluruhan pada BRIGHT, benchmark awam untuk pencarian berasaskan penaakulan. Mira juga telah membina PJBenchmark, set penilaian khusus pengambilan menggunakan data pengambilan sebenar. Empat kertas kerja menerangkan pendekatan ini: * [Time-Scaling Is What Agents Need Now](https://arxiv.org/abs/2601.02714) * [Refine Thought](https://arxiv.org/abs/2511.13726) * [PJB](https://arxiv.org/abs/2603.17386) * [CRE-T1 Preview Technical Report](https://arxiv.org/abs/2603.17387) Apa yang ia tidak lakukan [#apa-yang-ia-tidak-lakukan] * **Ia bukan sihir.** Jika calon yang tepat tidak wujud dalam sumber data, MRE tidak akan mencipta satu. * **Ia bukan keputusan pengambilan.** MRE mengetengahkan padanan terbaik yang ada untuk semakan anda. Keputusan akhir sentiasa di tangan anda. * **Ketepatan bergantung pada kelengkapan data.** Profil yang maklumatnya tidak lengkap menghasilkan padanan yang kurang tepat. Menyemak keseluruhan Shortlist, bukan hanya hasil teratas, sentiasa berbaloi. Mendapatkan hasil yang lebih baik [#mendapatkan-hasil-yang-lebih-baik] Kualiti padanan bergantung kepada kualiti input anda: * Jadilah spesifik → padanan yang lebih baik. * Sertakan perkara "tersirat" → mengaktifkan penaakulan. * Halusi selepas melihat hasil → setiap pusingan menjadi lebih tajam. Lihat [Menulis JD yang Berkesan](/ms/docs/agent-sourcing/write-an-effective-jd) untuk petua praktikal.