# Como o Mira pesquisa

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

> Descreva a pessoa que você procura em linguagem natural. O Mira pesquisa em muitas fontes de talentos e na web aberta, aprofunda-se passo a passo seguindo os signals que revela e retorna candidatos com o motivo pelo qual cada um se encaixa.



O Agentic Sourcing é a forma como o Mira encontra pessoas, e funciona de maneira diferente do LinkedIn Recruiter e da busca tradicional por palavras-chave. **Descreva quem você está procurando em linguagem natural, e o Mira trabalha como um recrutador experiente: pesquisa em muitas fontes de talentos, segue os signals passo a passo e explica por que cada candidato se encaixa.**

***

O que ele resolve [#o-que-ele-resolve]

A busca tradicional de candidatos tem duas limitações internas:

* **Uma única base de dados.** As pessoas certas estão espalhadas por redes profissionais, comunidades de código, plataformas de pesquisa e sites de empresas. Uma única base de dados inevitavelmente deixa algumas de lado.
* **Uma única passagem.** Uma correspondência por palavras-chave tende a retornar pessoas com currículos bem apresentados, não pessoas que são de fato um bom encaixe.

O Agentic Sourcing é diferente em ambos os aspectos: ele coleta de **muitas fontes** e avança em **múltiplas etapas**, decidindo onde buscar a seguir com base no que a etapa anterior revelou, até encontrar as pessoas certas, incluindo candidatos passivos que não estão procurando ativamente por emprego.

Como funciona [#como-funciona]

1. **Você descreve a necessidade**, em linguagem do dia a dia: o cargo, os requisitos indispensáveis e os desejáveis.
2. **Um Sourcing Agent pesquisa** em muitas fontes de talentos e na web aberta, seguindo signals (empresas, stacks tecnológicas, projetos, trabalho público) e fazendo verificações cruzadas.
3. **Você recebe resultados explicáveis**: um pool de candidatos em que cada pessoa vem acompanhada do motivo pelo qual se encaixa.
4. **Você refina.** Se a direção não estiver certa, basta dizer ou adicionar uma restrição, e o Mira se ajusta.

Funcionalidades principais [#funcionalidades-principais]

* **Cobertura multi-fonte**: pesquisa em muitas fontes profissionais de talentos e na web aberta ao mesmo tempo, depois mescla e remove duplicatas para que o viés de nenhuma fonte única domine.
* **Aprofundamento em múltiplas etapas**: não é uma correspondência única; ele segue signals e faz verificações cruzadas em múltiplos saltos, para alcançar os candidatos genuinamente certos, incluindo os passivos. Viabilizado pelo [MRE](/pt/docs/match-quality-and-trust/understanding-ai-matching).
* **Matching ponderado por evidências**: o Mira avalia cada candidato em relação aos seus requisitos indispensáveis e dealbreakers e os classifica pelas evidências, revelando os não óbvios (como o engenheiro talentoso que nunca atualizou o cargo). Cada candidato traz o motivo por trás do match, para que o pool que você apresenta seja sólido.
* **Contato sob demanda**: quando as pessoas certas forem encontradas, revele o e-mail ou telefone conforme necessário (cada revelação usa Credits).

Descreva bem a vaga [#descreva-bem-a-vaga]

O Agent entende linguagem natural, mas mais contexto oferece mais elementos para o raciocínio. Um prompt fraco e um forte retornam pools de candidatos muito diferentes:

| Fraco                        | Forte                                                                                                                    | Por que importa                                                      |
| ---------------------------- | ------------------------------------------------------------------------------------------------------------------------ | -------------------------------------------------------------------- |
| "Encontre um desenvolvedor"  | "Engenheiro backend sênior, 5+ anos de Python, construiu microsserviços em escala, preferencialmente de fintech"         | Mais contexto significa mais signals para o matching                 |
| "Pessoa de marketing em NYC" | "Gerente de marketing B2B SaaS em NYC, já conduziu lançamentos de produto, confortável com campanhas orientadas a dados" | Critérios implícitos ativam a recuperação baseada em raciocínio      |
| "Precisamos de alguém bom"   | "Alguém que levou um produto do 0 ao 1, idealmente em uma startup Series A a B"                                          | O Mira lê "0 ao 1" como experiência de construção em estágio inicial |

Você também pode se apoiar nos critérios implícitos que diria em voz alta. O Mira raciocina sobre o que eles significam em vez de correspondê-los como palavras-chave:

| Você diz                           | O Mira interpreta como                                                                          |
| ---------------------------------- | ----------------------------------------------------------------------------------------------- |
| "0 ao 1" ou "construiu do zero"    | construção de empresa em estágio inicial, levar algo do nada ao lançamento                      |
| "DNA de startup" ou "mão na massa" | trabalha de forma independente, confortável com ambiguidade e pouca estrutura                   |
| "histórico de alto crescimento"    | inferido a partir do tamanho da empresa, histórico de financiamento e trajetória de crescimento |
| "5+ anos de experiência"           | lido a partir da trajetória de carreira real, não de uma etiqueta de perfil                     |
| "montou uma equipe"                | contratou e liderou uma equipe, não apenas trabalhou em uma                                     |

O que vem a seguir [#o-que-vem-a-seguir]

* [Requisitos indispensáveis e dealbreakers](/pt/docs/sourcing/search-filters-and-criteria): como o Mira interpreta seus requisitos e monta o Ideal Candidate Profile.
* [Como o Mira faz o matching de candidatos](/pt/docs/match-quality-and-trust/understanding-ai-matching): como o MRE raciocina para apresentar os candidatos certos.
* [Agent Team](/pt/docs/meet-mira/agent-teams): coloque uma equipe em uma busca complexa.