Mira 如何搜索
用自然语言描述你想要的人。Mira 会跨多个人才数据源和公开网络搜索，一步步根据浮现的 signal 深入探索，并返回每位候选人的匹配理由。
Agentic Sourcing 是 Mira 的搜索方式，不同于 LinkedIn Recruiter 和传统关键词搜索。用自然语言描述你要找的人，Mira 会像一位资深招聘顾问那样工作：跨多个人才数据源搜索，一步步顺着 signal 深入，并告诉你每位候选人为什么匹配。
它解决了什么
传统的候选人搜索有两个天生的局限：
- 只用一个数据库。 合适的人分散在职业社交网络、代码社区、研究平台和公司网站里，单一数据库注定会漏掉一些。
- 只搜一轮。 一次关键词匹配往往返回简历好看的人，而不是真正合适的人。
Agentic Sourcing 在这两点上都不同：它从多个数据源取数，并分多步推进，根据上一步的发现决定下一步去哪里找，直到找到合适的人，包括那些没有在主动找工作的被动候选人。
工作原理
- 你描述需求，用日常语言说清岗位、必备条件和加分项。
- 一个 Sourcing Agent 开始搜索，跨多个人才数据源和公开网络，顺着 signal（公司、技术栈、项目、公开作品）深入并交叉验证。
- 你得到可解释的结果：一个候选人池，每个人都附有匹配理由。
- 你来优化。 方向不对就直接说，或加一个条件，Mira 会随之调整。
核心能力
- 跨源召回：一次搜索多个专业人才数据源和公开网络，然后合并、去重，让任何单一数据源的偏差都不至于主导结果。
- 多步深挖：不是一次性匹配；它顺着 signal 深入并进行多跳交叉验证，因此能触达真正合适的候选人，包括被动候选人。由 MRE 驱动。
- 按证据加权的匹配：Mira 会对照你的必备条件和排除项评估每位候选人，并按证据排序，把不明显的人也找出来（比如那位从不更新职位头衔的资深工程师）。每位候选人都带有匹配理由，所以你交出去的候选人池有事实依据。
- 按需联系方式：找到合适的人之后，可按需查看邮箱或电话（每次查看消耗积分）。
把岗位描述清楚
Mira 能理解自然语言，但上下文越多，Mira 可推理的就越多。弱描述和强描述返回的候选人池差别很大：
| 弱 | 强 | 为什么重要 |
|---|---|---|
| "找个开发" | "资深后端工程师，5 年以上 Python，做过规模化微服务，最好来自金融科技" | 上下文越多，可匹配的 signal 越多 |
| "在纽约的市场人" | "纽约的 B2B SaaS 市场经理，做过产品发布，熟悉数据驱动的营销" | 隐含条件会触发推理式检索 |
| "我们需要个厉害的人" | "把一个产品从 0 做到 1 的人，最好在 A 到 B 轮的创业公司" | Mira 会把"从 0 到 1"理解为早期阶段的建设经验 |
你也可以用那种会当面说出口的隐含条件。Mira 会推理这些话的含义，而不是当成关键词来匹配：
| 你说 | Mira 理解为 |
|---|---|
| "从 0 到 1"或"从零搭建" | 早期阶段的公司建设，把一件事从无到有做出来 |
| "创业气质"或"能拼" | 能独立干活，能适应模糊和缺少结构的环境 |
| "高增长背景" | 从公司规模、融资历史和增长轨迹推断 |
| "5 年以上经验" | 从真实职业时间线读取，而不是看简历标签 |
| "带过团队" | 招过并带过团队，而不只是身处团队中 |
下一步
- 必备条件与排除项：Mira 如何解读你的要求并生成理想人才画像。
- Mira 如何匹配候选人：MRE 如何通过推理呈现合适的候选人。
- Agent Team：把一组团队成员投入一次复杂搜索。