# 撰写高效的 JD

Source: https://docs.mira.day/zh/docs/agent-sourcing/write-an-effective-jd

> 如何描述职位，才能让 Mira 语义推理匹配模型（MRE）发挥最佳效果。



Mira 的智能体能理解自然语言：你不需要撰写正式的职位描述。但你描述职位的方式，会显著影响候选人列表的质量。

***

好的 vs. 差的描述 [#好的-vs-差的描述]

| 差            | 好                                               | 为什么重要                 |
| ------------ | ----------------------------------------------- | --------------------- |
| "帮我找个开发"     | "资深后端工程师，5年以上 Python 经验，有大规模微服务架构经验，最好来自金融科技行业" | 更多上下文让 MRE 有更多匹配信号    |
| "纽约的市场营销"    | "纽约的 B2B SaaS 市场营销经理，有产品发布经验，擅长数据驱动的营销策略"       | 隐性标准（"擅长数据"）触发推理匹配    |
| "我们需要一个厉害的人" | "我们需要一个有从0到1经验的人，最好在 A 轮到 B 轮的创业公司"             | Mira 将"从0到1"解读为早期创业经验 |

Mira 语义推理匹配模型能理解什么 [#mira-语义推理匹配模型能理解什么]

Mira语义推理匹配模型远超关键词搜索。你可以使用：

算术标准 [#算术标准]

> "至少5年后端开发经验"

Mira语义推理匹配模型根据候选人的职业时间线计算经验年限，而非仅依赖简历标签。

语义标准 [#语义标准]

> "有从0到1的经验"或"从零组建过团队"

Mira语义推理匹配模型理解隐含含义：早期创业建设、从零搭建团队。

常识标准 [#常识标准]

> "上市公司背景"或"高增长创业公司基因"

Mira语义推理匹配模型从候选人的工作履历（公司规模、融资阶段、增长轨迹）推断组织背景。

多源标准 [#多源标准]

> "有上市公司的销售经验，同时也有创业公司经历"

Mira 语义推理匹配模型对候选人职业生涯的不同阶段进行多跳推理。

获得更好结果的建议 [#获得更好结果的建议]

1. **明确技能而非仅列头衔。** "全栈"对不同人意味着不同的事。如果你需要的是"React + Node.js + PostgreSQL"，就直接说。

2. **包含隐性标准。** 那些你通常口头告诉招聘人员的信息："有拼劲"、"能独立推进"、"管理过远程团队"，Mira 同样能理解。

3. **提及公司类型。** "来自 YC 创业公司"或"大厂背景"会极大改变智能体推荐的候选人。

4. **清晰说明地点偏好。** "优先柏林，远程也可以"比"地点灵活"更明确。

5. **不要过度筛选。** 先从宽泛开始，再逐步细化。看到第一批候选人列表后，你随时可以告诉智能体 "缩小到有更多创业经验的候选人"。

如果结果不理想怎么办？ [#如果结果不理想怎么办]

看完候选人列表后，你可以在同一对话中调整：

* "给我看更初级的候选人"。
* "也包括阿姆斯特丹的候选人"。
* "聚焦电商公司的候选人"。
* "我想看正在考虑新机会的候选人"。

智能体会记住完整的对话上下文，并据此调整下一轮搜索。