Mira 的匹配跟关键词搜索有什么不同？

关键词搜索只是在档案文本里匹配字符串。Mira Reasoning Embedding（MRE）会阅读你的描述、推理你实际需要什么，然后根据你的要求评估每位候选人的完整职业履历——包括档案上任何地方都不会以关键词形式出现的隐性标准。

MRE 如何处理类似'5 年后端经验'这样的要求？

MRE 会根据候选人的工作经历时间线计算实际年限，而不是去搜索字面上的'5 年'。如果某人在 A 公司做了 3 年、在 B 公司做了 2.5 年的后端工作，MRE 会正确累加，即使他们的档案里任何地方都没写'5 年'。

可以。MRE 会识别那些加入早期阶段公司（A 轮前、不到 20 人）担任产品或工程角色，并经历了增长阶段的候选人。它解读的是职业模式，而不是搜索字面短语'从 0 到 1'。

MRE 会核查包括融资轮次、员工增长和营收信号在内的公司数据，然后识别雇主符合'高增长'模式的候选人。关键词搜索完全做不到这一点。

MRE 不是魔法——如果数据源里根本不存在合适的候选人，它不会凭空造一个出来。它也不替你做招聘决策；它把最匹配的人选呈现给你 review，最终决定永远在你手上。准确度还取决于数据完整度；档案信息不全的候选人，匹配精度会下降。

匹配质量取决于输入质量：描述要具体、加入诸如公司背景或职业模式这类隐性标准来激活推理、在看到结果后持续 refine——每一轮都会更精准。

Mira 如何评估候选人，以及为什么它能找到关键词搜索遗漏的人才。

在大多数平台上搜索候选人时，你做的是关键词匹配，输入"Python 开发柏林"，就会得到简历中包含这些词的所有人。速度快，但遗漏很多。

Mira 的工作方式不同。Mira语义推理匹配模型（MRE）会阅读你的描述，推理你的实际需求，然后根据你的要求评估每位候选人的完整职业履历。以下是这在实际中意味着什么。

关键词搜索：在简历文本中寻找"5年"。 MRE：根据候选人的工作时间线计算实际年限。如果某人在 A 公司做了3年、在 B 公司做了2.5年的后端工作，MRE 会正确累加，即使他们的简历上没有写"5年"。

关键词搜索：字面搜索"从0到1"这个词组。 MRE：识别在早期公司（Pre-A轮、少于20人）中担任产品或工程角色并经历了增长阶段的候选人。它解读的是职业模式，而非关键词。

关键词搜索：无法实现。 MRE：核查公司数据（融资轮次、员工增长、营收信号），并识别雇主符合"高增长"模式的候选人。

关键词搜索：两个独立、无关联的筛选条件。 MRE：评估完整的职业轨迹：找到在职业生涯不同阶段分别在上市公司和创业公司工作过的候选人，理解这种组合代表着一种特定的综合能力。

你可以像对招聘圈好友一样描述职位：

"我需要一个资深的人，技术扎实但面向客户，在一家真正找到产品市场匹配的创业公司做过企业销售，不是那种只会融资的公司。"

MRE 会将此拆解为多个评估标准并逐一应用。你不需要关键词搜索组合、筛选条件或"搜索语法"。

MRE 来自团队自主研发的推理型检索研究。MRE 目前在 BRIGHT 推理检索评估集上取得 Embedding 类和总榜全球双榜第 1。团队同时构建了基于真实招聘数据的 PJBenchmark 评估集。

四篇论文描述了技术路径：

匹配质量取决于你的输入质量：

参阅撰写高效的 JD获取实用建议。