# 撰寫高效的 JD

Source: https://docs.mira.day/zh-TW/docs/agent-sourcing/write-an-effective-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 [#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 [#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 [#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 [#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 [#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 [#取得更好結果的建議]

1. **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。

2. **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。

3. **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。

4. **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。

5. **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？ [#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。