跳转到主要内容
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。下面几个例子说明这在实际中是什么样子。

​
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 会根据候选人工作经历里的起止时间算出从业年限，按真实时间线判断是否满足要求，而不是看资料里有没有写「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

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

候选人池中每位候选人在匹配分析列都带有一个彩色匹配标签，按匹配度排序 Mira 不会甩给你一个黑箱分数。对每个候选人，Mira 会逐条对照你确认过的理想人才画像里的必备条件，每一条用勾（达标）、横杠（不确定）或叉（不达标）标出，并附上一句从这个候选人自己经历里找到的证据。如果资料没提到的是通常不会写的信息（比如团队规模、项目体量），Mira 会标为不确定，而不是去猜；如果缺的是符合条件的人通常都会写明的信息（比如某项技能、职位或所在地），Mira 会判为不达标。 根据这些逐条结果，每个候选人会得到一个整体档位，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。几乎满足所有条件、且没有不达标项的，是高度匹配；大部分条件不达标的，是匹配度低；介于两者之间的，是部分匹配。没有需要你去解读的数字评分。

​
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：

​
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MiraDay 能做什么、不能做什么。

​
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 MiraDay 如何搜索。