# Mira 如何匹配候选人

Source: https://docs.mira.day/zh/docs/match-quality-and-trust/understanding-ai-matching

> Mira 为什么是理解你的要求、而不是匹配关键词，如何用证据逐条评估每个候选人，以及这套技术的来源。



在大多数平台上，搜候选人就是匹配关键词：你输入「Python 开发 柏林」，就得到所有资料里出现这些词的人。这很快，但会漏掉很多人，因为最合适的人往往不会用和你一模一样的措辞来描述自己。

Mira 不一样。MRE（Mira Reasoning Embedding）是它的推理式检索模型，会读取你的要求、推理你真正需要的是什么，再呈现那些真实职业经历符合的候选人。随后由 Mira 拿每个人对照你的标准逐一打分。以下实际案例能帮助你更好地理解。

***

推理能抓住、关键词抓不住的东西 [#推理能抓住关键词抓不住的东西]

* **「5 年后端经验」。** 关键词搜索找的是文本里的「5 年」。Mira 会从候选人的工作经历里把实际时长累加起来，比如把在一家公司的 3 年后端经验和在另一家的 2.5 年后端经验加在一起，哪怕资料里从没写过「5 年」。
* **「从 0 到 1 做过产品的人」。** 关键词搜索找的是这句原话。Mira 识别的是模式：在一家公司的成立初期加入，并陪这家公司走过成长期。
* **「高成长公司背景」。** 关键词搜索根本做不到。Mira 会梳理候选人的工作经历，推理一家公司的阶段和成长轨迹。
* **「上市公司加创业公司经验」。** 关键词搜索把这看作两个互不相关的筛选项。Mira 会梳理整条职业轨迹，找出在不同阶段两者都做过的人，这代表了一种特定的多面性。

像和同事聊天一样描述职位 [#像和同事聊天一样描述职位]

因为 Mira 会推理，你可以像和同事聊天一样描述一个职位：

> *「我要一个资深的人，懂技术但也能面对客户，在一家真正有产品市场契合度的创业公司做过企业销售，而不是那种只会融很多钱的公司。」*

Mira 会把这段话拆成一条条标准，逐条去评估。不需要关键词组合、筛选器，也不需要搜索语法。

Mira 如何给每个候选人打分 [#mira-如何给每个候选人打分]

Mira 不会甩给你一个黑箱分数。对每个候选人，Mira 会逐条匹配你的标准，把每一条标为**达标**、**不确定** 或 **不达标**，并附上一句从这个候选人自己经历里找到的证据。资料里没提到的，Mira 会标成不确定，而不是去猜。

根据这些逐条结果，每个候选人会得到一个整体综合档位，**高度匹配**、**部分匹配** 或 **匹配度低**，让你既能快速扫一遍候选人池，又能看到每个判断背后的理由。没有需要你去解读的数字评分。

这套技术从何而来 [#这套技术从何而来]

MRE 出自 Mira 自己在推理式检索上的研究。截至 2026 年 7 月，MRE 在 BRIGHT（一个面向推理式检索的公开基准）总榜排名第一，在基于 Embedding 的检索模型中同样排名第一。Mira 还构建了 PJBenchmark，一个基于真实招聘数据、专门面向招聘场景的评测集。有四篇论文阐述了这套方法：

* [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)

Mira 不做的事 [#mira-不做的事]

Mira 不会凭空造出一个并不存在的候选人，也不替你做录用决定，Mira 呈现的是现有数据里最合适的匹配和对应的证据，最终决定权始终在你。关于哪些可以依靠 Mira、哪些仍由你把握的完整说明，见[Mira 能做什么、不能做什么](/zh/docs/match-quality-and-trust/what-mira-can-and-cant-do)。

获得更好的结果 [#获得更好的结果]

匹配的质量取决于你输入的质量：

* 描述越具体，匹配越精准。
* 带上隐含的标准，比如公司阶段或职业轨迹，给 Mira 更多可以推理的线索。
* 看到结果后再调整，每一轮都会更准。

实用技巧见 [Mira 如何搜索](/zh/docs/sourcing/agentic-search)。