# การจับคู่ผู้สมัครด้วย AI

Source: https://docs.mira.day/th/docs/agent-sourcing/understanding-ai-matching

> วิธีที่MREของ Mira ตีความความต้องการของคุณ ก้าวข้ามการค้นหาด้วย keyword เพื่อเข้าใจบริบท สัญญาณความอาวุโส และเกณฑ์ที่ไม่ชัดเจน



เมื่อคุณค้นหาผู้สมัครบน platform ส่วนใหญ่ คุณกำลังทำ keyword matching พิมพ์ "Python developer Berlin" แล้วได้ทุกคนที่มีคำเหล่านี้อยู่ในโปรไฟล์ มันเร็วแต่พลาดเยอะ

Mira ทำงานต่างออกไป MRE (Mira Reasoning Embedding) อ่านคำอธิบายของคุณ ให้เหตุผลว่าคุณต้องการอะไรจริงๆ แล้วประเมินประวัติอาชีพทั้งหมดของผู้สมัครเทียบกับความต้องการของคุณ ต่อไปนี้คือความหมายในทางปฏิบัติ

***

สิ่งที่ MRE เข้าใจได้ แต่ keyword ทำไม่ได้ [#สิ่งที่-mre-เข้าใจได้-แต่-keyword-ทำไม่ได้]

"ประสบการณ์ backend 5 ปี" [#ประสบการณ์-backend-5-ปี]

Keyword search: มองหา "5 ปี" ในข้อความโปรไฟล์
MRE: คำนวณจำนวนปีจริงจากไทม์ไลน์ประวัติงานของผู้สมัคร ถ้าเขามีประสบการณ์ 3 ปีที่บริษัท A และ 2.5 ปีที่บริษัท B ทำงาน backend MRE นับถูก แม้โปรไฟล์ไม่เขียนว่า "5 ปี" เลยก็ตาม

"คนที่เคยสร้าง product จาก 0 ถึง 1" [#คนที่เคยสร้าง-product-จาก-0-ถึง-1]

Keyword search: มองหาวลี "0 ถึง 1" ตรงตัว
MRE: ระบุผู้สมัครที่เข้าร่วมบริษัท early-stage (ก่อน Series A, น้อยกว่า 20 คน) ในตำแหน่ง product หรือ engineering แล้วอยู่ต่อจนผ่านช่วง growth MRE อ่านรูปแบบอาชีพ ไม่ใช่ keyword

"พื้นฐานบริษัท high-growth" [#พื้นฐานบริษัท-high-growth]

Keyword search: ทำไม่ได้เลย
MRE: เช็คข้อมูลบริษัท รอบการระดมทุน การเติบโตของจำนวนพนักงาน สัญญาณรายได้ แล้วระบุผู้สมัครที่นายจ้างเข้ากับรูปแบบ "high-growth"

"ประสบการณ์บริษัทมหาชน + startup" [#ประสบการณ์บริษัทมหาชน--startup]

Keyword search: filter สองชุดแยกกันและไม่เกี่ยวกัน
MRE: ประเมินเส้นทางอาชีพทั้งหมด หาคนที่เคยทำงานในบริษัทจดทะเบียน และ ที่ startup ในช่วงเวลาต่างกันของอาชีพ โดยเข้าใจว่าการผสมผสานนี้บ่งชี้ความเก่งรอบด้านแบบเฉพาะ

ความหมายสำหรับคุณ [#ความหมายสำหรับคุณ]

คุณอธิบายตำแหน่งงานเหมือนที่คุณจะอธิบายให้เพื่อน recruiter ฟังได้เลย

> *"ต้องการคน senior ที่เป็นเทคนิคแต่ทำงานกับลูกค้าได้ เคยทำ enterprise sales ที่ startup ที่มี product-market fit จริงๆ ไม่ใช่บริษัทที่แค่ระดมทุนมาเยอะ"*

MRE แยกสิ่งนี้ออกเป็นเกณฑ์ประเมินหลายข้อแล้วเอามาใช้ คุณไม่ต้องใช้ Boolean string, filter หรือ "search syntax"

เทคโนโลยีมาจากไหน [#เทคโนโลยีมาจากไหน]

MRE มาจากงานวิจัยของ Mira เองเรื่องการค้นหาด้วยการให้เหตุผล ปัจจุบันอยู่อันดับ 1 ในหมวด Embedding และอันดับ 1 โดยรวมบน BRIGHT ซึ่งเป็นเกณฑ์มาตรฐานสาธารณะสำหรับการค้นหาด้วยการให้เหตุผล Mira ยังสร้าง PJBenchmark ชุดประเมินเฉพาะทางสรรหาโดยใช้ข้อมูลการจ้างงานจริง

มีเปเปอร์ 4 ฉบับอธิบายแนวทาง

* [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)

สิ่งที่มันไม่ทำ [#สิ่งที่มันไม่ทำ]

* **ไม่ใช่เวทมนตร์** ถ้าผู้สมัครที่ใช่ไม่มีในแหล่งข้อมูล MRE ก็ไม่สร้างขึ้นมา
* **ไม่ใช่การตัดสินใจจ้าง** MRE แสดงการจับคู่ที่ดีที่สุดเท่าที่มีให้คุณรีวิว การตัดสินใจสุดท้ายเป็นของคุณเสมอ
* **ความแม่นยำขึ้นกับความสมบูรณ์ของข้อมูล** โปรไฟล์ที่มีข้อมูลไม่ครบให้การจับคู่ที่แม่นน้อยกว่า รีวิว Shortlist ทั้งชุดไม่ใช่แค่อันดับต้น จึงคุ้มค่าเสมอ

การได้ผลลัพธ์ที่ดีกว่า [#การได้ผลลัพธ์ที่ดีกว่า]

คุณภาพการจับคู่ขึ้นกับคุณภาพของอินพุต

* เจาะจง → จับคู่ดีขึ้น
* ใส่สิ่ง "ที่ไม่ชัดเจน" → เปิดใช้การให้เหตุผล
* ปรับหลังเห็นผลลัพธ์ → แต่ละรอบคมขึ้น

ดู [Write an Effective JD](/th/docs/agent-sourcing/write-an-effective-jd) สำหรับ tip เชิงปฏิบัติ