# Mira 如何匹配候選人

Source: https://docs.mira.day/zh-TW/docs/match-quality-and-trust/understanding-ai-matching

> 為什麼 Mira 會推理你的需求而非比對關鍵字、它如何依據你的條件並附證據為每位候選人評分，以及這套技術從何而來。



在大多數平台上，搜尋候選人指的就是關鍵字比對：你輸入「Python 開發者 柏林」，就會得到個人檔案上包含這些詞的所有人。速度很快，卻遺漏很多，因為最合適的候選人幾乎不會用和你完全一樣的字眼來描述自己。

Mira 的運作方式不同。Mira Reasoning Embedding（MRE）是它的推理式檢索模型，會閱讀你的要求、推理你實際需要什麼，並讓真實職業履歷契合的候選人浮現。接著 Mira 會依你的條件為每位候選人評分。以下的例子會呈現這在實際中是什麼樣子。

***

推理能捕捉到、而關鍵字會遺漏的事 [#推理能捕捉到而關鍵字會遺漏的事]

* **「5 年後端經驗。」** 關鍵字搜尋會在文字中尋找「5 年」。Mira 則從候選人的工作履歷累加實際時間，因此會把在一家公司的 3 年加上另一家公司的 2.5 年一併算作後端經驗，即使個人檔案從沒寫過「5 年」。
* **「有把產品從 0 做到 1 的人。」** 關鍵字搜尋會找那個字面詞組。Mira 則辨識出背後的模式：在公司早期加入、並陪伴它走過成長階段。
* **「高成長公司背景。」** 關鍵字搜尋完全做不到。Mira 會通讀候選人的工作履歷，並推理公司的階段與成長軌跡。
* **「上市公司加新創公司經驗。」** 關鍵字搜尋會把這兩者當成兩個互不相關的篩選條件。Mira 則通讀整段職涯軌跡，找出在不同時期兩者都做過的人，而這代表著一種特定的綜合能力。

像對同事說明一樣描述職位 [#像對同事說明一樣描述職位]

因為 Mira 會推理，你可以用日常語言來描述一個職位：

> *「我需要一個資深的人，技術扎實但要面向客戶，曾在一家真正達到產品市場契合的新創公司做過企業銷售，而不是那種只會大筆融資的公司。」*

Mira 會把這段話拆解成一個個獨立條件，並逐一套用。不需要關鍵字組合、篩選條件，也不需要搜尋語法。

Mira 如何為每位候選人評分 [#mira-如何為每位候選人評分]

Mira 不會丟給你一個黑箱分數。針對每位候選人，它會逐一檢視你的條件，並把每一項標記為 **符合**、**不確定** 或 **不符合**，同時附上一句從該候選人自身履歷擷取出的證據。當個人檔案根本沒有提及時，Mira 會標記為不確定，而不是憑空猜測。

依據這些逐項條件的結果，每位候選人會得到一個整體標籤，也就是 **高度匹配**、**部分匹配** 或 **匹配度低**，讓你能快速掃視整個候選人池，同時仍看得到每個判斷背後的推理。沒有需要你去解讀的數字分數。

這套技術從何而來 [#這套技術從何而來]

MRE 源自 Mira 自身在推理式檢索上的研究。截至 2026 年 7 月，它在 BRIGHT 這個公開的推理檢索評估集上總榜排名第一，在以 Embedding 為基礎的檢索方法中也排名第一。Mira 還建構了 PJBenchmark，一個以真實招聘資料為基礎、專為招聘打造的評估集。有四篇論文描述了這套方法：

* [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]

Mira 不會憑空變出一位不存在的候選人，它也不替你做用人決策；它呈現的是目前可得的最佳匹配並附上證據，而最終決定權永遠在你手上。想完整了解哪些事該交給 Mira、哪些事仍由你掌握，請參閱 [Mira 能做與不能做的事](/zh-TW/docs/match-quality-and-trust/what-mira-can-and-cant-do)。

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：

* 描述得越具體，匹配就越精準。
* 納入隱性條件，例如公司階段或職涯模式，讓 Mira 有更多可以推理的線索。
* 看到結果後再精煉，每一輪都會更精準。

實用建議請參閱 [Mira 如何搜尋](/zh-TW/docs/sourcing/agentic-search)。