撰寫高效的 JD
如何描述職位，才能讓 Mira 語意推理匹配模型（MRE）發揮最佳效果。
Mira 的智能體能理解自然語言：你不需要撰寫正式的職位描述。但你描述職位的方式，會顯著影響候選人列表的品質。
好的 vs. 差的描述
| 差 | 好 | 為什麼重要 |
|---|---|---|
| 「幫我找個開發」 | 「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，最好來自金融科技行業」 | 更多上下文讓 MRE 有更多匹配訊號 |
| 「紐約的市場行銷」 | 「紐約的 B2B SaaS 市場行銷經理，有產品發布經驗，擅長資料驅動的行銷策略」 | 隱性標準（「擅長資料」）觸發推理匹配 |
| 「我們需要一個厲害的人」 | 「我們需要一個有從0到1經驗的人，最好在 A 輪到 B 輪的新創公司」 | Mira 將「從0到1」解讀為早期創業經驗 |
Mira 語意推理匹配模型能理解什麼
Mira 語意推理匹配模型遠超關鍵字搜尋。你可以使用：
算術標準
「至少5年後端開發經驗」
Mira 語意推理匹配模型根據候選人的職業時間線計算經驗年限，而非僅依賴履歷標籤。
語意標準
「有從0到1的經驗」或「從零組建過團隊」
Mira 語意推理匹配模型理解隱含含義：早期創業建設、從零搭建團隊。
常識標準
「上市公司背景」或「高成長新創公司基因」
Mira 語意推理匹配模型從候選人的工作履歷（公司規模、融資階段、成長軌跡）推斷組織背景。
多源標準
「有上市公司的銷售經驗，同時也有新創公司經歷」
Mira 語意推理匹配模型對候選人職業生涯的不同階段進行多跳推理。
取得更好結果的建議
-
明確技能而非僅列頭銜。 「全端」對不同人意味著不同的事。如果你需要的是「React + Node.js + PostgreSQL」，就直接說。
-
包含隱性標準。 那些你通常口頭告訴招聘人員的資訊：「有拼勁」、「能獨立推進」、「管理過遠端團隊」：Mira 同樣能理解。
-
提及公司類型。 「來自 YC 新創公司」或「大廠背景」會極大改變智能體推薦的候選人。
-
清晰說明地點偏好。 「優先柏林，遠端也可以」比「地點彈性」更明確。
-
不要過度篩選。 先從寬泛開始，再逐步細化。看到第一批候選人列表後，你隨時可以告訴智能體「縮小到有更多創業經驗的候選人」。
如果結果不理想怎麼辦？
看完候選人列表後，你可以在同一對話中調整：
- 「給我看更初級的候選人」。
- 「也包括阿姆斯特丹的候選人」。
- 「聚焦電商公司的候選人」。
- 「我想看正在考慮新機會的候選人」。
智能體會記住完整的對話上下文，並據此調整下一輪搜尋。