# 人才寻访，还需要亲力亲为吗？
Source: https://blog.mira.day/zh/blog/why-keyword-search-fails-in-recruiting
> 招聘工具一直在改进搜索。但搜索本身就是问题——招聘顾问的时间不该花在数据检索上。
招聘工具行业有个惯性：每一代产品都在让搜索变得更好。更精确的筛选器，更聪明的关键词，AI 加持的 Boolean 字符串。
但问题不在搜索工具不好用。问题在于，招聘顾问根本不应该是那个在搜索框里操作的人。
回想一下你上次接到的一个棘手需求。也许是某家 Series B 公司的 VP of Engineering，用人经理说"对的人我见了就知道"。然后你花了一个下午拼 Boolean 字符串，翻了 200 个 LinkedIn 资料，开了 40 个 tab，最后找出 6 个值得联系的人——其中 3 个当月已经被其他公司联系过了。
那整个下午，不是在做招聘。那是把数据检索包装成了人才 Sourcing。
真正的招聘工作——解码用人经理说"需要能 scale 团队的人"背后真正的意思，读懂候选人职业经历里的字里行间，判断那个 Profile 上看起来很完美的人其实已经悄悄在面试三个月了——这些事，没有一件发生在你翻搜索结果的时候。
搜索是招聘顾问的"错误工种" [#搜索是招聘顾问的错误工种]
每一代招聘工具解决的都是同一个流程：
LinkedIn Recruiter 让 Boolean 搜索更快了。AI Sourcing 工具让搜索更"聪明"了。但底层逻辑从未变过：**你是操作员，工具是搜索引擎。**
这就像给 CEO 一个更快的 Excel，而 CEO 真正需要的是一个 CFO。瓶颈不是工具速度，是一个人在做不需要人类判断力的工作。
拆解一下招聘顾问每天那 2-3 小时的 Sourcing 到底在干什么：
1. 把 JD 翻译成搜索关键词——**机械动作**。你在把"在强监管行业里有创业者心态"这类表述转化成 Boolean 逻辑。每次转化都有信息损耗。
2. 逐个扫描 Profile 看是否匹配基本条件——**机械动作**。头衔、年限、公司层级。每个 Profile 几秒钟就能判断，但乘以 200 就是另一回事了。
3. 阅读职业经历，判断候选人的发展轨迹——**部分需要判断，但大部分是模式识别**。这个人的走势是向上的吗？公司的跳槽路径说得通吗？你擅长这个，但 80% 的判断其实是在识别你见过无数次的 pattern。
4. 整理一份 Shortlist——**机械动作**。复制、粘贴、格式化、加注释。纯粹的行政工作。
第 1、2、4 步是纯执行。第 3 步有点意思——但即便是经验丰富的招聘顾问也会承认，Sourcing 阶段大部分的"评估"本质上是模式识别，而不是深度判断。真正的深度判断，发生在对话里。
如果招聘顾问永远不用搜索 [#如果招聘顾问永远不用搜索]
换一个模型：
招聘顾问的角色从**操作员**变成**决策者**。时间花在那些真正需要你的工作上：
* 和用人经理对齐真实需求——JD 背后那份需求。那个版本里，他们会告诉你上一个人做不好是因为太"大公司气息"，而他们需要一个从零搭建过东西的人。
* 评估文化契合度和候选人动机。那个 Profile 上看起来很强，但两年内跳槽三次的候选人——这是红旗，还是有充分的理由？这个问题需要对话，不是搜索结果能给你答案的。
* 维护候选人 Pipeline。那个被动候选人，现在挺满意但也许会为合适的 story 动心。那个六个月前拒了一个类似机会的人，但现在情况变了。
* 告诉用人经理市场真实长什么样。当一个需求挂了 60 天没关单，因为薪酬范围比市场低了 20%，这个对话只有你能做。
执行层面的工作——人才寻访、筛选、整理——交给一个自主运行的 Agent。不是一个需要你不断提示和引导的 AI 助手，而是一个接到 Brief 就能自己去做、做完拿着候选人回来交差的 Agent。
这件事为什么现在才能做 [#这件事为什么现在才能做]
三个条件同时成熟了。
**AI Agent 现在能够端到端执行多步骤任务了。** 早期的 AI 工具能回答问题，能生成 Boolean 字符串，但不能独立规划搜寻策略、跨多个数据源执行、对照复杂标准评估每一个结果、最后交付结构化的 Shortlist。这是和自动补全本质上不同的能力。
**匹配技术已经超越了关键词层面。** 当你告诉一个同事"我需要有从 0 到 1 经验、成长期公司背景的人"，他知道你在说什么。他会想到搭建过早期团队的创始人，从零建产品的 PM，Pre-Series A 就加入的 operator。关键词搜索返回的是包含这些词的结果。推理型匹配做的是你同事做的事——理解意图，而不是字面量。
**经济账算得过来了。** 两年前，让 AI 逐一推理每个候选人 Profile 的成本高得离谱。推理成本每年下降 50-70%。按现在的价格，一个 Agent 评估数千个候选人的成本，大约等于你手动 Sourcing 那几个小时喝掉的咖啡钱。
对招聘顾问来说，什么变了 [#对招聘顾问来说什么变了]
当 Sourcing 由 Agent 接管，价值方程式就变了。
每天花三小时做 Sourcing 的招聘顾问，卖的是时间。Agent 接管 Sourcing 之后，顾问卖的是更难被替代的东西：对市场的认知、与候选人的关系、读懂一个团队动态并判断谁能在这个位置上真正成功的能力。
时间是有上限的，你没法比一天的小时数 Sourcing 更多。而专业能力——知道哪些公司在招聘冻结期、哪些候选人在悄悄看机会、某个特定市场里什么样的 offer 能拿下人——才是一个资深顾问不可替代的原因。这种专业能力不来自搜索结果，它来自多年的对话、成单的复盘，以及任何候选人数据库都无法捕捉的 pattern recognition。
我们接触的资深招聘顾问，没有一个在为这个转变担心。有人对我们说："我等这一天等了很久。我进这行是为了给客户提建议、拿下候选人，不是为了拼 Boolean 字符串。"另一个说得更直接："我已经五年没从搜索工具里学到任何新东西了。我从每次候选人对话里都能学到东西。"
在 Mira 上这件事长什么样 [#在-mira-上这件事长什么样]
Mira 的 Agent 接管了整个 Sourcing 工作流：
1. 用自然语言描述一个岗位需求——包括"有创业基因""从零搭建过团队"或"在强监管环境里做过但没有大公司病"这类隐性标准。这是你给一个信任的同事的那种 Brief，不是给搜索引擎的关键词。
2. Agent 理解你的需求，跨多个数据源搜寻，用推理型匹配评估候选人。它明白"从 0 到 1 的经验"和"在创业公司待过"是两回事。
3. 你拿到一份 Shortlist，每个候选人附带摘要、职业背景分析和联系方式——通常在 2 分钟以内。
4. 用对话方式迭代："多一些创业公司背景的""加上愿意搬迁的候选人""把目前在 FAANG 的排后面"。Agent 不是重新跑一次搜索，而是按照你更新后的标准重新评估。
内测阶段，平台上已经完成了超过 6,000 次真实 Sourcing 任务。招聘顾问反馈的候选人调研时间节省幅度在 80-90%。
如果你每天还在手动 Sourcing——那些时间本该用在用人经理沟通、候选人对话和拿下 offer 上——这些时间是可以找回来的。
[加入 Mira 等候名单](https://www.mira.day/join-waitlist)，在 early access 阶段试用 Agent 驱动的 Sourcing。