# Agentic Search

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

> 用自然語言描述你想找的人，Mira 跨多個資料來源搜尋，逐步深挖，並回傳每位候選人的匹配原因。



Agentic Search 是 Mira 尋找人才的方式。你不需要寫布林字串或反覆調整關鍵字——**用自然語言描述你想找的人，Mira 就像一位資深獵頭：跨多個資料來源搜尋、逐步追蹤線索，並告訴你每位候選人為什麼符合條件。**

***

它解決了什麼問題 [#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——依賴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，而非真正符合職缺需求的人。

Agentic Search 在這兩點上都有所不同：它從**多個資料來源**取得資料，並以**多個步驟**推進——根據上一步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 [#運作方式]

1. **描述需求** — 用日常語言說明：職位、必要條件與加分條件。
2. **Mira 開始搜尋** — 跨多個資料來源，追蹤線索（公司、技術棧、專案、公開作品）並交叉核查。
3. **取得可解釋的結果** — 候選人清單中，每個人都附有*匹配原因*。
4. **持續精煉** — 如果方向偏了，直接說出來或補充條件，Mira 會自動調整。

核心功能 [#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，擴大覆蓋範圍。
* **多跳推理深挖** — 不是單次比對；它追蹤線索並交叉核查，因此能觸及被動候選人。
* **可解釋的匹配** — 每位候選人都附有匹配原因，讓結果可以評判、值得信賴。這由 [MRE](./understanding-ai-matching) 驅動。
* **按需揭示聯絡方式** — 找到合適的人後，視需要揭示電子郵件或電話（每次揭示消耗點數）。

如何描述職位 [#如何描述職位]

Agent 理解自然語言——但更多背景資訊讓它有更多可以推理的素材。描述不精準與描述精準，回傳的 Shortlist 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 = 更多可匹配的訊號               |
| 「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 |

你也可以善用隱性條件——就像你跟獵頭說話時的那種描述（「應變能力強」、「能獨立作業」、「從無到有建立過團隊」）。Mira 會推理這些詞語的含義，而不是把它們當關鍵字比對。

快速上手 [#快速上手]

1. **用自然語言描述這個人**，盡量涵蓋更多面向：
   * 職位／層級
   * 必要條件（不可妥協的項目）
   * 加分條件
   * 地點、產業、公司類型等限制
2. **等待 Mira 搜尋** — 它會邊工作邊顯示進度。
3. **查看清單及每位候選人的匹配原因**；視需要揭示聯絡方式。
4. **結果不完全符合？** 追加說明或調整條件，讓它繼續精煉。

<Callout>
  **範例提示詞：**「找 3 位資深後端工程師，曾在金融科技公司建構即時風控系統，最好熟悉 Go 和 Kafka，位於上海。」
</Callout>

Mira 跨多個來源搜尋符合條件的人，深入挖掘他們的專案與背景進行交叉核查，並回傳附有匹配原因的 Shortlist——接著你可以說「再多找幾個有團隊管理經驗的人」來進一步縮小範圍。

優化結果的技巧 [#優化結果的技巧]

* **區分必要條件與加分條件。** 告訴 Mira 什麼是硬性要求、什麼是加分項——匹配會更精準。
* **提供背景資訊。**「這是一家早期新創，需要能獨立作業的人」有助於判斷人才與職位的契合度。
* **善用追問。** 方向偏了時，補充或修正條件，而不是重新開始。
* **複雜職位交給 Agent Team 協作。** 跨職能或條件繁多的職位，交給 [Agent Team](./agent-teams) 並行處理。
* **把常用搜尋存為 Skill。** 將重複使用的搜尋流程轉存為 [Skill](./skills)，讓團隊可以重複呼叫。

底層原理 [#底層原理]

以下是 Agentic Search 背後的幾個核心機制，用白話解釋：

* **多源召回 + 融合排名。** Mira 同時查詢多個資料來源，再將結果合併、去重並重新排序（倒數排名融合，RRF），避免任何單一來源的偏差主導結果。
* **迭代推理循環。** 它不是執行單次查詢，而是：推理 → 搜尋 → 閱讀結果 → 再次推理，每一步都根據上一步的發現來選擇下一步。
* **分層處理架構。** 探索、聯絡方式擴充與個人檔案豐富化各自作為獨立層運行，僅在必要時才往更深處推進。
* **可解釋的匹配。** [MRE](./understanding-ai-matching) 對照你的需求評估每位候選人，並撰寫你所看到的匹配原因。

> 用學術語言來說，整合多個異質來源並跨領域逐步求解，就是**多源檢索**加上**多跳推理**。

相關頁面 [#相關頁面]

* [查看你的 Shortlist](./review-your-shortlist) — 閱讀並匯出你拿到的候選人。
* [AI 候選人匹配](./understanding-ai-matching) — MRE 如何評估契合度。
* [Agent Teams](./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](https://www.mira.day/join-waitlist)，體驗早期存取。