# Agentic Search

Source: https://docs.mira.day/zh/docs/agent-sourcing/agentic-search

> 用自然语言描述你想找的人。Mira 跨多数据源搜索，逐步深挖，返回候选人及每人的匹配原因。



Agentic Search 是 Mira 寻找人才的方式。你无需编写布尔字符串或拼凑关键词——**用自然语言描述你想找的人，Mira 就像一位经验丰富的招聘顾问：跨多数据源搜索，逐步追踪线索，并告诉你每位候选人为何符合条件。**

***

它解决什么问题 [#它解决什么问题]

传统候选人搜索有两个内在局限：

* **只依赖单一数据库。** 合适的人才分散在职业社交网络、代码社区、研究平台和公司官网等各处——单一数据库必然有所遗漏。
* **只做一次匹配。** 单轮关键词匹配往往返回简历好看的人，而不是真正适合岗位的人。

Agentic Search 在这两点上都不同：它从**多个数据源**拉取信息，并以**多个步骤**推进——根据上一步的结果决定下一步去哪里找——直到找到合适的人，包括那些并非主动求职的被动候选人。

工作原理 [#工作原理]

1. **你描述需求** — 用日常语言说明：岗位、必备条件和加分项。
2. **Mira 开始搜索** — 跨多数据源，追踪线索（公司、技术栈、项目、公开作品）并交叉核验。
3. **你获得可解释的结果** — 候选人列表中每个人都附有*匹配原因*。
4. **你进行调整** — 如果方向有偏差，直接说明或追加限定条件，Mira 随即调整。

核心特性 [#核心特性]

* **跨源召回** — 同时搜索多个职业人才来源和开放网络，扩大覆盖范围。
* **多步深挖** — 不是一次性匹配；它追踪线索并交叉核验，因此能触达被动候选人。
* **可解释的匹配** — 每位候选人都附有匹配原因，结果可判断、可信赖。这由 [MRE](./understanding-ai-matching) 提供支撑。
* **按需揭示联系方式** — 找到合适人选后，可按需获取邮箱或电话（每次揭示消耗 credits）。

如何描述角色 [#如何描述角色]

Agent 理解自然语言——但更丰富的上下文能给它更多推理依据。弱描述和强描述返回的 Shortlist 差异显著：

| 弱描述         | 强描述                                             | 为什么重要                       |
| ----------- | ----------------------------------------------- | --------------------------- |
| "帮我找一个开发"   | "资深后端工程师，5 年以上 Python 经验，有大规模微服务构建经验，最好有金融科技背景" | 更多上下文 = 更多可匹配的信号            |
| "纽约的市场营销人员" | "纽约的 B2B SaaS 营销经理，主导过产品发布，熟悉数据驱动的营销活动"         | 隐性标准触发基于推理的匹配               |
| "找个厉害的人"    | "有从 0 到 1 做产品经验的人，最好在 A 轮到 B 轮阶段的创业公司"          | Mira 将"0 到 1"解读为早期阶段的产品创建经验 |

你也可以使用隐性标准——那种你会对招聘顾问直接说出口的感受，比如"执行力强"、"能独立作战"、"从零搭建过团队"。Mira 会推理这些词背后的含义，而不是把它们当关键词去匹配。

快速上手 [#快速上手]

1. **用自然语言描述你想找的人**，尽量涵盖以下要素：
   * 岗位/职级
   * 必备条件（不可妥协的要求）
   * 加分项
   * 地点、行业或公司类型等限定条件
2. **等待 Mira 搜索** — 它会实时展示搜索步骤。
3. **查看列表及每位候选人的匹配原因**；按需揭示联系方式。
4. **结果不太对？** 追加说明或调整标准，让它继续精化。

<Callout>
  **示例 prompt：**"找 3 位在金融科技公司做过实时风控系统的资深后端工程师，最好有 Go 和 Kafka 经验，基于上海。"
</Callout>

Mira 跨数据源搜索符合条件的人，深入挖掘他们的项目和背景进行交叉核验，返回一份附有匹配原因的 Shortlist——然后你可以说"再找几个有团队管理经验的"来进一步缩小范围。

让结果更好的建议 [#让结果更好的建议]

* **区分必备条件和加分项。** 告诉 Mira 哪些是硬性要求、哪些是加分项——匹配会更精准。
* **提供背景信息。** "这是一家需要独立作战能力的早期创业公司"能帮它更好地判断适配度。
* **善用追问。** 方向有偏差时，追加或修正一个限定条件，而不是从头开始。
* **复杂岗位交给 Agent Team。** 对于跨职能或限定条件很多的岗位，交给 [Agent Team](./agent-teams) 并行处理。
* **将常用搜索保存为 Skill。** 把反复使用的搜索流程保存为 [Skill](./skills)，方便团队复用。

技术原理 [#技术原理]

几个支撑 Agentic Search 运转的机制，用通俗语言说明：

* **多源召回 + 融合排名。** Mira 同时查询多个数据源，再对结果进行合并、去重和重新排序（倒数排名融合，RRF），使任何单一数据源的偏差都不会主导最终结果。
* **迭代推理循环。** 不是单次查询，而是推理 → 搜索 → 读取结果 → 再次推理，每一步都根据上一步的发现决定下一步去哪里。
* **分层流水线。** 发现、联系方式丰富和档案深挖作为独立层次运行，只在必要时才继续深入。
* **可解释匹配。** [MRE](./understanding-ai-matching) 对照你的要求评估每位候选人，并生成你看到的匹配原因。

> 用学术语言来说，整合众多异构来源并跨领域逐步求解，对应的是**多源检索**（multi-source retrieval）加**多跳推理**（multi-hop reasoning）。

相关内容 [#相关内容]

* [查看 Shortlist](./review-your-shortlist) — 阅读并导出返回的候选人。
* [AI 候选人匹配](./understanding-ai-matching) — MRE 如何评估适配度。
* [Agent Teams](./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](https://www.mira.day/join-waitlist)，获取早期访问资格。