# 理解推理型匹配

Source: https://docs.mira.day/zh/docs/agent-sourcing/understanding-ai-matching

> 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。

***

MRE 能理解而关键词搜索做不到的事 [#mre-能理解而关键词搜索做不到的事]

"5年后端开发经验" [#5年后端开发经验]

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"。

"有从0到1做产品的经验" [#有从0到1做产品的经验]

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。

"高增长公司背景" [#高增长公司背景]

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。

"上市公司 + 创业公司经验" [#上市公司--创业公司经验]

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。

这对你意味着什么 [#这对你意味着什么]

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"。

技术来源 [#技术来源]

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：

* [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)

它做不到什么 [#它做不到什么]

* **它不是魔法。** 如果数据源中不存在合适的候选人，MRE 不会凭空创造一个。
* **它不做录用决策。** MRE 为你推荐最佳匹配的候选人供你审阅。最终决定始终由你做出。
* **精度取决于数据完整度。** 信息不完整的档案会产生精度较低的匹配结果。建议查看整份候选人列表，不要只看排名第一的结果。

获得更好的结果 [#获得更好的结果]

匹配质量取决于你的输入质量：

* 越具体 → 匹配越精准。
* 包含"隐性"信息 → 激活推理能力。
* 看到结果后迭代优化 → 每一轮都更精准。

参阅[撰写高效的 JD](/zh/docs/agent-sourcing/write-an-effective-jd)获取实用建议。