Agentic Search

Agentic Search 是 Mira 寻找候选人的方式。你用自然语言描述岗位，Agent 自主规划检索路径，跨多数据源进行搜索，并通过推理而非关键词匹配来评估每位候选人。

---

什么让搜索变得"Agentic"

与关键词搜索框相比，Agentic Search 有三大不同：

• 多数据源。 Agent 根据你的岗位需求决定使用哪些数据源，并跨多个数据源同时搜索——包括公开人才数据库和 Mira 自建的公开档案与职位发布索引——而不是只查询一个固定数据库。
• 多跳推理。 Agent 连接候选人职业生涯不同阶段的证据。"有上市公司销售经验且有创业公司经验"会跨多段工作经历逐一核查，而不是作为单个关键词匹配。
• 基于推理的匹配。 Mira Reasoning Embedding（MRE）理解你的真实意图。"5 年工作经验"从实际职业时间线计算得出；"从 0 到 1"被解读为早期阶段的公司创建经验——这些都是关键词搜索无法捕捉的概念。

开始搜索

搜索在 Task 中运行——Task 是你与 Agent 的持续对话。

有三种开始方式：

1. 点击新建 Task，点击侧边栏左上角，打开一个新对话。
2. 在输入框中输入描述，然后点击发送消息。
3. 使用推荐场景，点击输入框下方的场景快速填充，然后在发送前根据自己的需求修改。

写好岗位描述

Agent 理解自然语言——你不需要一份正式 JD。但更多上下文让 MRE 有更多内容可推理。建议包含以下要素：

弱描述 vs. 强描述

MRE 能理解的几类标准

• 算术型 — "至少 5 年后端开发经验。" MRE 从职业时间线计算实际年限，而不是搜索标签。
• 语义型 — "有从 0 到 1 做产品的经验" 或 "从零搭建过团队"。 MRE 解读隐含的含义。
• 常识型 — "上市公司背景" 或 "高增长创业公司基因"。 MRE 从工作历史中推断公司规模、阶段、增长情况。
• 多来源型 — "在上市公司有销售经验，同时有创业公司经验。" MRE 跨职业生涯不同部分进行推理。

提交后

Agent 会：

1. 分析你的输入，梳理它所理解的内容。
2. 提出澄清问题，以简短表单形式呈现，仅在关键信息缺失或模糊时出现。
3. 起草理想候选人画像，汇总你的要求，包括候选人必须满足的硬性条件。你可以审阅并编辑。
4. 等待你确认后再启动搜索。

精修搜索结果

查看 Shortlist 后，在同一对话中继续调整——Agent 保持完整的对话上下文，并将你的反馈应用到下一轮搜索：

• "给我看更多初级候选人。"
• "也包含阿姆斯特丹的候选人。"
• "侧重来自电商公司的候选人。"
• "缩小范围，找更多有创业背景的人。"

先宽泛，再收紧。每个 Task 只对应一个岗位，让每次对话保持专注，方便后续回溯。

相关内容

• 查看 Shortlist — 阅读并导出返回的候选人。
• AI 候选人匹配 — MRE 如何评估匹配度。
• Agent Teams — 让多个专属 Agent 协作完成复杂搜索。

想试试 Mira？加入等待名单体验早期访问。