# Agentic Search

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

> อธิบายคนที่คุณต้องการด้วยภาษาธรรมชาติ Mira ค้นหาข้ามหลายแหล่งข้อมูล ขุดค้นทีละขั้น และส่งคืนผู้สมัครพร้อมเหตุผลว่าทำไมแต่ละคนจึงตรงกับความต้องการ



Agentic Search คือวิธีที่ Mira ค้นหาผู้คน คุณไม่ต้องเขียน boolean string หรือปรับคีย์เวิร์ด — **อธิบายคนที่คุณกำลังมองหาด้วยภาษาธรรมชาติ และ Mira ทำงานเหมือนนักสรรหาที่เชี่ยวชาญ: ค้นหาข้ามหลายแหล่งข้อมูล ติดตามเบาะแสทีละขั้น และบอกคุณว่าทำไมแต่ละผู้สมัครจึงตรงกับความต้องการ**

***

สิ่งที่มันแก้ไข [#สิ่งที่มันแก้ไข]

การค้นหาผู้สมัครแบบดั้งเดิมมีข้อจำกัดสองประการในตัว:

* **ฐานข้อมูลเดียว** คนที่ใช่กระจายอยู่ตามเครือข่ายวิชาชีพ ชุมชนโค้ด แพลตฟอร์มวิจัย และเว็บไซต์บริษัท — ฐานข้อมูลเดียวย่อมพลาดบางคนอยู่เสมอ
* **การค้นหาครั้งเดียว** การจับคู่คีย์เวิร์ดครั้งเดียวมักได้คนที่ CV ดูดี ไม่ใช่คนที่เหมาะสมจริงๆ

Agentic Search แตกต่างในทั้งสองด้าน: มันดึงข้อมูลจาก**หลายแหล่ง**และดำเนินการต่อเนื่องใน**หลายขั้น** — ตัดสินใจว่าจะมองหาที่ไหนต่อจากสิ่งที่ขั้นก่อนพบ — จนกว่าจะได้คนที่ใช่ รวมถึงผู้สมัครแฝงที่ไม่ได้กำลังมองหางานอย่างจริงจัง

วิธีการทำงาน [#วิธีการทำงาน]

1. **คุณอธิบายความต้องการ** — ด้วยภาษาธรรมชาติ: ตำแหน่ง สิ่งที่ต้องมี และสิ่งที่ดีถ้ามี
2. **Mira ค้นหา** — ข้ามหลายแหล่งข้อมูล ติดตามเบาะแส (บริษัท tech stack โปรเจกต์ ผลงานสาธารณะ) และตรวจสอบข้าม
3. **คุณได้ผลลัพธ์ที่อธิบายได้** — รายชื่อผู้สมัครที่ทุกคนมาพร้อม*เหตุผลว่าทำไมถึงตรง*
4. **คุณปรับแต่ง** — หากทิศทางผิด แค่บอกหรือเพิ่มเงื่อนไข และ Mira ปรับตาม

ฟีเจอร์หลัก [#ฟีเจอร์หลัก]

* **การค้นคืนข้ามแหล่ง** — ค้นหาแหล่งข้อมูลบุคลากรวิชาชีพและเว็บสาธารณะหลายแหล่งพร้อมกัน เพื่อครอบคลุมได้กว้างขึ้น
* **การขุดค้นเชิงลึกหลายขั้น** — ไม่ใช่การจับคู่ครั้งเดียว แต่ติดตามเบาะแสและตรวจสอบข้าม จึงสามารถเข้าถึงผู้สมัครแฝงได้
* **การจับคู่แบบอธิบายได้** — ทุกผู้สมัครมาพร้อมเหตุผล ทำให้ผลลัพธ์ตัดสินได้และน่าเชื่อถือ ขับเคลื่อนโดย [MRE](./understanding-ai-matching)
* **ติดต่อตามต้องการ** — เมื่อพบคนที่ใช่แล้ว เปิดเผยอีเมลหรือเบอร์โทรตามต้องการ (การเปิดเผยแต่ละครั้งใช้ credits) โดยใช้ Get Email หรือ Get Phone

อธิบายตำแหน่งให้ดี [#อธิบายตำแหน่งให้ดี]

Agent เข้าใจภาษาธรรมชาติ — แต่บริบทที่มากกว่าให้ข้อมูลสำหรับการให้เหตุผลมากกว่า prompt ที่อ่อนแอและแข็งแกร่งให้ Shortlist ที่แตกต่างกันมาก:

| อ่อนแอ                | แข็งแกร่ง                                                                                                 | ทำไมจึงสำคัญ                                           |
| --------------------- | --------------------------------------------------------------------------------------------------------- | ------------------------------------------------------ |
| "หานักพัฒนาให้ฉัน"    | "Senior backend engineer ประสบการณ์ Python 5 ปีขึ้นไป เคยสร้าง microservices ในขนาดใหญ่ ชอบมาจาก fintech" | บริบทมากขึ้น = สัญญาณที่จับคู่ได้มากขึ้น               |
| "คนการตลาดใน NYC"     | "B2B SaaS marketing manager ใน NYC เคยรัน product launch ถนัดแคมเปญที่ขับเคลื่อนด้วยข้อมูล"               | เกณฑ์ที่ไม่ชัดเจนกระตุ้นการจับคู่ด้วยการให้เหตุผล      |
| "เราต้องการคนที่เก่ง" | "คนที่พา product จาก 0 ถึง 1 ได้ ชอบที่ startup Series A–B"                                               | Mira อ่าน "0 ถึง 1" เป็นประสบการณ์การสร้าง early-stage |

คุณสามารถพึ่งพาเกณฑ์ที่ไม่ชัดเจนได้เช่นกัน — แบบที่คุณจะบอกนักสรรหาด้วยวาจา ("กล้าลองผิดลองถูก", "ทำงานคนเดียวได้", "สร้างทีมจากศูนย์") Mira ให้เหตุผลเกี่ยวกับความหมายของสิ่งเหล่านั้น แทนที่จะจับคู่เป็นคีย์เวิร์ด

เริ่มต้นได้เลย [#เริ่มต้นได้เลย]

1. **อธิบายคนด้วยภาษาธรรมชาติ** ครอบคลุมให้มากที่สุด:
   * ตำแหน่ง / ระดับ
   * สิ่งที่ต้องมี (ข้อที่ไม่ยืดหยุ่น)
   * สิ่งที่ดีถ้ามี
   * เงื่อนไขเช่น สถานที่ อุตสาหกรรม หรือประเภทบริษัท
2. **รอขณะที่ Mira ค้นหา** — มันแสดงขั้นตอนระหว่างทำงาน
3. **ตรวจสอบรายชื่อและเหตุผลการจับคู่ของแต่ละผู้สมัคร** เปิดเผยข้อมูลติดต่อตามต้องการ
4. **ไม่ค่อนข้างถูกต้อง?** ติดตามหรือปรับเกณฑ์ แล้วให้มันปรับแต่งต่อ

<Callout>
  **ตัวอย่าง prompt:** "หา senior backend engineer 3 คนที่เคยสร้างระบบควบคุมความเสี่ยงแบบ real-time ที่บริษัท fintech ชอบใช้ Go และ Kafka อยู่ในเซี่ยงไฮ้"
</Callout>

Mira ค้นหาข้ามแหล่งข้อมูลสำหรับคนที่เหมาะสม ขุดค้นโปรเจกต์และประวัติของพวกเขาเพื่อตรวจสอบข้าม และส่งคืน Shortlist พร้อมเหตุผลการจับคู่สำหรับแต่ละคน — จากนั้นคุณสามารถพูดว่า "หาอีกสองสามคนที่มีประสบการณ์บริหารทีม" เพื่อจำกัดให้แคบลง

เคล็ดลับเพื่อผลลัพธ์ที่ดีกว่า [#เคล็ดลับเพื่อผลลัพธ์ที่ดีกว่า]

* **แยกสิ่งที่ต้องมีออกจากสิ่งที่ดีถ้ามี** บอก Mira ว่าอะไรจำเป็นและอะไรเป็นโบนัส — การจับคู่จะแม่นยำขึ้น
* **ให้บริบท** "นี่คือ startup ระยะเริ่มต้นที่ต้องการคนทำงานคนเดียวได้" ช่วยให้มันตัดสินความเหมาะสมได้
* **ใช้การติดตาม** เมื่อทิศทางผิด เพิ่มหรือแก้ไขเงื่อนไขแทนที่จะเริ่มใหม่
* **ให้ตำแหน่งที่ซับซ้อนรันเป็นทีม** สำหรับตำแหน่งข้ามสายงานหรือมีข้อจำกัดมาก ส่งต่อให้ [Agent Team](./agent-teams) ทำงานแบบขนาน
* **บันทึก workflow ที่ใช้บ่อย** เปลี่ยน workflow การค้นหาที่ทำซ้ำให้เป็น [Skill](./skills) เพื่อให้ทีมนำไปใช้ซ้ำได้

เบื้องหลัง [#เบื้องหลัง]

สิ่งที่ขับเคลื่อน Agentic Search อธิบายง่ายๆ:

* **การค้นคืนหลายแหล่ง + การจัดอันดับแบบหลอมรวม** Mira สอบถามแหล่งข้อมูลหลายแหล่งพร้อมกัน จากนั้นรวม ลบซ้ำ และจัดอันดับใหม่ (การหลอมอันดับแบบส่วนกลับ — RRF) เพื่อไม่ให้อคติของแหล่งใดแหล่งหนึ่งครองผล
* **ลูปการให้เหตุผลแบบวนซ้ำ** แทนที่จะเป็น query เดียว มันให้เหตุผล → ค้นหา → อ่านผลลัพธ์ → ให้เหตุผลอีกครั้ง เลือกแต่ละขั้นถัดไปจากสิ่งที่เพิ่งพบ
* **pipeline หลายชั้น** การค้นพบ การเพิ่มข้อมูลติดต่อ และการเพิ่มข้อมูลโปรไฟล์รันเป็นชั้นแยกกัน ขุดลึกขึ้นตามต้องการเท่านั้น
* **การจับคู่แบบอธิบายได้** [MRE](./understanding-ai-matching) ประเมินผู้สมัครแต่ละคนตามความต้องการของคุณและเขียนเหตุผลที่คุณเห็น

> ในเชิงวิชาการ การรวมแหล่งข้อมูลที่หลากหลายจำนวนมากและการแก้ปัญหาทีละขั้นข้ามโดเมนเรียกว่า&#x2A;*การค้นคืนหลายแหล่ง (multi-source retrieval)** บวกกับ&#x2A;*การให้เหตุผลแบบหลายขั้น (multi-hop reasoning)**

ที่เกี่ยวข้อง [#ที่เกี่ยวข้อง]

* [ตรวจสอบ Shortlist ของคุณ](./review-your-shortlist) — อ่านและส่งออกผู้สมัครที่ได้รับ
* [การจับคู่ผู้สมัครด้วย AI](./understanding-ai-matching) — วิธีที่ MRE ประเมินความเหมาะสม
* [Agent Teams](./agent-teams) — นำ Agent ผู้เชี่ยวชาญหลายคนมาทำงานในการค้นหาที่ซับซ้อน

พร้อมลอง Mira แล้วหรือยัง? [เข้าร่วม waitlist](https://www.mira.day/join-waitlist) เพื่อการเข้าถึงก่อนใคร