Agentic Search
Mira 的 Agentic Search 自主規劃跨多個資料來源的搜尋路徑，對候選人的完整職涯進行推理，並以語意理解而非關鍵字進行匹配。用自然語言描述職位，即可取得精準的候選人 Shortlist。
Agentic Search 是 Mira 尋找候選人的方式。你用自然語言描述職位，Agent 自主規劃搜尋路徑，跨多個資料來源進行搜尋，並透過推理——而非關鍵字匹配——評估每位候選人。
為什麼這個搜尋稱為「agentic」
有三件事讓它有別於一般的關鍵字搜尋：
- 多資料來源。 Agent 會根據你的職位需求決定使用哪些資料來源，並跨多個來源進行搜尋——包括公開人才資料庫，以及 Mira 自建的公開個人檔案與職位發布索引——而非只查詢單一固定資料庫。
- 多跳推理。 它能跨候選人職涯的不同段落串連證據。「在上市公司有銷售經驗，同時有新創公司經驗」會跨多份工作經歷逐一核查，而非當成單一關鍵字匹配。
- 基於推理的匹配。 Mira 語意推理匹配模型（MRE）能理解你的真實意圖。「5 年經驗」從實際職涯時間線計算而來；「從 0 到 1」被解讀為早期階段的公司創建經驗——這些都是關鍵字搜尋無法捕捉的概念。
開始一次搜尋
搜尋在 Task 中進行——一個你與 Agent 之間持續的對話。
有三種方式開始：
- 點擊側邊欄左上角的「New Task」，開啟一個新對話。
- 在主畫面的輸入框中輸入描述，然後點擊 傳送訊息。
- 使用輸入框下方的推薦場景——點擊其中一個可預填一個真實的請求範例，編輯後再送出。
描述好一個職位
Agent 理解自然語言——你不需要正式的職位說明書。但更多的背景資訊讓 MRE 有更多可以推理的素材。請包含對你而言重要的元素：
| 元素 | 範例 | 為什麼有幫助 |
|---|---|---|
| 職位／頭銜 | 「資深全端工程師」 | 定義搜尋範圍 |
| 核心技能 | 「React、Node.js、TypeScript」 | 縮小技術要求 |
| 資歷層級 | 「5 年以上」或「有帶過團隊」 | 設定資深程度期望 |
| 公司類型 | 「高成長新創」或「企業級」 | 以背景篩選 |
| 地點 | 「柏林或遠端」 | 地理定向 |
| 隱性條件 | 「曾從零打造過產品」 | MRE 推理語意而非比對標籤 |
不需要提供所有這些元素。Mira 會就任何重要但缺失的資訊提出澄清問題。
弱描述 vs. 強描述
| 弱描述 | 強描述 | 為什麼重要 |
|---|---|---|
| 「幫我找一個開發者」 | 「資深後端工程師，5 年以上 Python 經驗，有大規模微服務架構經驗，最好來自金融科技背景」 | 更多背景讓 MRE 有更多訊號可以匹配 |
| 「紐約的行銷人員」 | 「紐約的 B2B SaaS 行銷經理，主導過產品上市活動，擅長數據驅動的行銷」 | 隱性條件觸發基於推理的匹配 |
| 「我們需要一個厲害的人」 | 「曾把產品從 0 做到 1，最好在 A 輪到 B 輪的新創公司有過這段經歷」 | Mira 將「從 0 到 1」解讀為早期階段的產品建構經驗 |
MRE 能理解的條件類型
- 算術型 — 「至少 5 年後端開發經驗。」 MRE 從職涯時間線計算年資，而非搜尋字面標籤。
- 語意型 — 「有從 0 到 1 的經驗」 或 「從無到有建立過團隊」。 MRE 解讀隱含的語意。
- 常識型 — 「上市公司背景」 或 「高成長新創基因」。 MRE 從工作歷程推斷背景（公司規模、階段、成長情況）。
- 多來源型 — 「在上市公司有銷售經驗且有新創公司經驗。」 MRE 跨職涯的不同段落進行推理。
送出後會發生什麼
Agent 將會：
- 分析你的輸入，識別它所理解的內容。
- 提出澄清問題（以簡短表單形式），僅在關鍵細節缺失或模糊時才會出現。
- 起草一份理想候選人畫像，彙整你的需求，包括候選人必須符合的硬性條件。你可以檢視並編輯。
- 等待你確認後才開始搜尋。
精煉結果
查看 Shortlist 後，在同一個對話中調整條件——Agent 保留完整上下文，並將你的回饋套用到下一輪搜尋：
- 「給我看更資淺的候選人。」
- 「也包含阿姆斯特丹的候選人。」
- 「聚焦在電商公司背景的候選人。」
- 「縮小到更多新創公司經驗的人。」
先從寬泛的條件開始，再逐步收斂。每個 Task 只聚焦一個職位，讓每次對話保持清晰且易於回顧。
相關頁面
- 查看你的 Shortlist — 閱讀並匯出你拿到的候選人。
- AI 候選人匹配 — MRE 如何評估匹配程度。
- Agent Teams — 讓多個專屬 Agent 組隊應對複雜搜尋。
想試試 Mira？加入等待名單，體驗早期存取。