Mira 如何搜尋
用自然語言描述你想找的人。Mira 跨多個人才來源與公開網路搜尋，順著浮現出來的 signal 逐步深挖，並回傳每位候選人的匹配原因。
Agentic Sourcing 是 Mira 尋找人才的方式，它的運作跟 LinkedIn Recruiter 和傳統關鍵字搜尋都不一樣。用自然語言描述你想找的人，Mira 就會像一位資深獵頭那樣運作：跨多個人才來源搜尋、順著 signal 一步步追蹤，並告訴你每位候選人為什麼符合條件。
它解決了什麼問題
傳統候選人搜尋有兩個內建的限制：
- 單一資料庫。 合適的人才分散在職業社群、程式碼社群、研究平台與公司官網，靠單一資料庫注定會遺漏一些人。
- 單次比對。 一次關鍵字匹配往往回傳履歷好看的人，而非真正契合的人。
Agentic Sourcing 在這兩點上都不一樣：它從多個來源取得資料，並以多個步驟推進，根據上一步浮現出來的結果決定下一步要看哪裡，直到找到合適的人，包括那些並未主動求職的被動候選人。
運作方式
- 由你描述需求，用日常語言說明：職位、必要條件與加分條件。
- 一個 Sourcing Agent 開始搜尋，跨多個人才來源與公開網路，順著 signal（公司、技術棧、專案、公開作品）追蹤並交叉核查。
- 你會拿到可解釋的結果：一個候選人池，其中每個人都附有匹配原因。
- 由你持續精煉。 如果方向偏了，直接說出來或補充一個條件，Mira 就會調整。
核心功能
- 跨來源召回：同時搜尋多個職業人才來源與公開網路，再合併、去重，讓任何單一來源的偏差都不會主導結果。
- 多步深挖：不是單次比對；它順著 signal 追蹤並跨多跳交叉驗證，因此能觸及真正合適的人，包括被動候選人。由 MRE 驅動。
- 以證據加權的匹配：Mira 對照你的必要條件和排除條件評估每位候選人，並依據證據排名，把不易察覺的人才浮出水面（例如那位從未更新職稱的優秀工程師）。每位候選人都附有匹配原因，讓你提交的候選人池站得住腳。
- 按需揭示聯絡方式：找到合適的人之後，視需要揭示電子郵件或電話（每次揭示消耗積分）。
把職位描述清楚
智能體理解自然語言，但更多背景資訊會給它更多可以推理的素材。弱描述與強描述回傳的候選人池會有很大差距：
| 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，曾大規模建構微服務，最好有金融科技背景」 | 更多背景意味著更多可比對的 signal |
| 「紐約的行銷人員」 | 「紐約的 B2B SaaS 行銷經理，主導過產品上市，擅長數據驅動的行銷活動」 | 隱性條件會觸發推理式檢索 |
| 「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 輪新創公司有過這段經歷」 | Mira 把「從 0 到 1」解讀為早期階段的產品建構經驗 |
你也可以善用那些會直接說出口的隱性條件。Mira 會推理它們的含義，而不是把它們當關鍵字比對：
| 你這麼說 | Mira 這樣解讀 |
|---|---|
| 「從 0 到 1」或「從無到有做起來」 | 早期階段的公司建構，把某件事從零推進到上線 |
| 「新創 DNA」或「應變能力強」 | 能獨立作業，適應模糊與缺乏結構的環境 |
| 「高成長背景」 | 從公司規模、募資歷程與成長軌跡推斷得出 |
| 「5 年以上經驗」 | 從真實職涯時間軸判讀，而非個人檔案上的標籤 |
| 「帶過團隊」 | 招募並帶領過團隊，而不只是在團隊裡工作過 |
接下來
- 必要條件與排除條件：Mira 如何解讀你的需求並建構理想人才畫像。
- Mira 如何匹配候選人：MRE 如何推理以浮現對的候選人。
- Agent Team：派一支團隊應對複雜搜尋。