跳轉到主要內容
在大多數平台上，搜尋候選人指的就是關鍵字比對：你輸入「Python 開發者 柏林」，就會得到個人檔案上包含這些詞的所有人。速度很快，卻遺漏很多，因為最合適的候選人幾乎不會用和你完全一樣的字眼來描述自己。 Mira 的運作方式不同。Mira Reasoning Embedding（MRE）是 Mira 的推理式檢索模型，會閱讀你的要求、推理你實際需要什麼，並讓真實職業履歷契合的候選人浮現。接著 Mira 會依你的條件為每位候選人評分。以下的例子會呈現這在實際中是什麼樣子。

​
推理能捕捉到、而關鍵字會遺漏的事

  • 「5 年後端經驗。」 關鍵字搜尋會在文字中尋找「5 年」。Mira 則依候選人工作履歷中的任職起訖日期推算年資，因此是依實際的時間軸判斷是否符合要求，而不是看個人檔案裡剛好有沒有寫「5 年」。
  • 「有把產品從 0 做到 1 的人。」 關鍵字搜尋會找那個字面詞組。Mira 則辨識出背後的模式：在公司早期加入、並陪伴它走過成長階段。
  • 「高成長公司背景。」 關鍵字搜尋完全做不到。Mira 會通讀候選人的工作履歷，並推理公司的階段與成長軌跡。
  • 「上市公司加新創公司經驗。」 關鍵字搜尋會把這兩者當成兩個互不相關的篩選條件。Mira 則通讀整段職涯軌跡，找出在不同時期兩者都做過的人，而這代表著一種特定的綜合能力。

​
像對同事說明一樣描述職位

因為 Mira 會推理，你可以用日常語言來描述一個職位：
「我需要一個資深的人，技術扎實但要面向客戶，曾在一家真正達到產品市場契合的新創公司做過企業銷售，而不是那種只會大筆融資的公司。」
Mira 會把這段話拆解成一個個獨立條件，並逐一套用。不需要關鍵字組合、篩選條件，也不需要搜尋語法。

​
Mira 如何為每位候選人評分

候選人池中每位候選人在匹配分析欄位都帶有一個彩色匹配標籤，依匹配度排序 Mira 不會丟給你一個黑箱分數。針對每位候選人，Mira 會逐一對照你確認過的理想人才畫像中的必備條件，每一項以勾號（符合）、橫線（不確定）或叉號（不符合）標示，同時附上一句從該候選人自身履歷擷取出的證據。如果個人檔案沒提到的是一般人常略過不寫的資訊，例如團隊規模或專案規模，Mira 會標記為不確定，而不是憑空猜測；如果缺少的是符合條件的人通常都會列出的資訊，例如某項必要技能、職稱或所在地，Mira 會將該條件判定為不符合。 依據這些逐項條件的結果，每位候選人會得到一個整體標籤，也就是 高度匹配、部分匹配 或 匹配度低，讓你能快速掃視整個候選人池，同時仍看得到每個判斷背後的推理。幾乎符合所有條件、且沒有任何一項不符合的，是高度匹配；大多數條件都不符合的，是匹配度低；介於兩者之間的，則是部分匹配。沒有需要你去解讀的數字分數。

​
這套技術從何而來

MRE 源自 Mira 自身在推理式檢索上的研究。截至 2026 年 7 月，它在 BRIGHT 這個公開的推理檢索評估集上總榜排名第一，在以 Embedding 為基礎的檢索方法中也排名第一。Mira 還建構了 PJBenchmark，一個以真實招聘資料為基礎、專為招聘打造的評估集。有四篇論文描述了這套方法：

​
Mira 做不到什麼

Mira 不會憑空變出一位不存在的候選人，也不替你做用人決策。Mira 呈現的是目前可得的最佳匹配並附上證據，而最終決定權永遠在你手上。想完整了解哪些事該交給 Mira、哪些事仍由你掌握，請參閱 MiraDay 能做與不能做的事。

​
取得更好的結果

匹配品質取決於你的輸入品質：
  • 描述得越具體，匹配就越精準。
  • 納入隱性條件，例如公司階段或職涯模式，讓 Mira 有更多可以推理的線索。
  • 看到結果後再精煉；每一輪都會更精準。
實用建議請參閱 MiraDay 如何搜尋。