# 理解推理型匹配

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

> Mira 如何評估候選人，以及為什麼它能找到關鍵字搜尋遺漏的人才。



在大多數平台上搜尋候選人時，你做的是關鍵字匹配，輸入「Python 開發柏林」，就會得到履歷中包含這些詞的所有人。速度快，但遺漏很多。

Mira 的工作方式不同。Mira 語意推理匹配模型（MRE）會閱讀你的描述，推理你的實際需求，然後根據你的要求評估每位候選人的完整職業履歷。以下是這在實際中意味著什麼。

***

MRE 能理解而關鍵字搜尋做不到的事 [#mre-能理解而關鍵字搜尋做不到的事]

「5年後端開發經驗」 [#5年後端開發經驗]

關鍵字搜尋：在履歷文字中尋找「5年」。
MRE：根據候選人的工作時間線計算實際年限。如果某人在 A 公司做了3年、在 B 公司做了2.5年的後端工作，MRE 會正確累加，即使他們的履歷上沒有寫「5年」。

「有從0到1做產品的經驗」 [#有從0到1做產品的經驗]

關鍵字搜尋：字面搜尋「從0到1」這個詞組。
MRE：識別在早期公司（Pre-A輪、少於20人）中擔任產品或工程角色並經歷了成長階段的候選人。它解讀的是職業模式，而非關鍵字。

「高成長公司背景」 [#高成長公司背景]

關鍵字搜尋：無法實現。
MRE：核查公司資料（融資輪次、員工成長、營收訊號），並識別雇主符合「高成長」模式的候選人。

「上市公司 + 新創公司經驗」 [#上市公司--新創公司經驗]

關鍵字搜尋：兩個獨立、無關聯的篩選條件。
MRE：評估完整的職業軌跡：找到在職業生涯不同階段分別在上市公司和新創公司工作過的候選人，理解這種組合代表著一種特定的綜合能力。

這對你意味著什麼 [#這對你意味著什麼]

你可以像對招聘圈好友一樣描述職位：

> *「我需要一個資深的人，技術扎實但面向客戶，在一家真正找到產品市場匹配的新創公司做過企業銷售，不是那種只會融資的公司。」*

MRE 會將此拆解為多個評估標準並逐一應用。你不需要關鍵字搜尋組合、篩選條件或「搜尋語法」。

技術來源 [#技術來源]

MRE 來自團隊自主研發的推理型檢索研究。MRE 目前在 BRIGHT 推理檢索評估集上取得 Embedding 類和總榜全球雙榜第 1。團隊同時建構了基於真實招聘資料的 PJBenchmark 評估集。

四篇論文描述了技術路徑：

* [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)

它做不到什麼 [#它做不到什麼]

* **它不是魔法。** 如果資料來源中不存在合適的候選人，MRE 不會憑空創造一個。
* **它不做錄用決策。** MRE 為你推薦最佳匹配的候選人供你審閱。最終決定始終由你做出。
* **精度取決於資料完整度。** 資訊不完整的檔案會產生精度較低的匹配結果。建議查看整份候選人名單，不要只看排名第一的結果。

取得更好的結果 [#取得更好的結果]

匹配品質取決於你的輸入品質：

* 越具體 → 匹配越精準。
* 包含「隱性」資訊 → 啟動推理能力。
* 看到結果後迭代最佳化 → 每一輪都更精準。

參閱[撰寫高效的 JD](/zh-TW/docs/agent-sourcing/write-an-effective-jd)取得實用建議。