職位要求建模
將職責、能力、硬門檻、偏好和現實約束分開，並由招聘團隊確認。
招聘問題
招聘匹配沒有脱離上下文的絕對真值。同一名候選人對不同職位、團隊和階段會有不同判斷。方法論必須說明輸入是什麼、哪些要求不可補償、證據來自哪裏，以及模型不知道什麼。
Aimme 如何處理
把招聘判斷拆成可以檢查的步驟
能力評分
評估與工作成果有關的直接經驗和可遷移證據，記錄支持與反證。
資格與可行性
硬性要求採用通過、失敗、未知；現實約束單獨呈現，不混入能力分。
證據質素
記錄來源、時效、完整性和衝突；低可信資訊不能升級成確定事實。
從問題到可覆核結果
保留上下文，也保留停止和覆核的機會
-
01
建立版本化標準
每次關鍵職位要求變化都形成新版本並保留原因。
-
02
逐項收集證據
針對每條要求尋找直接證據、相鄰證據、反證或未知。
-
03
應用有限推理
只在明確規則內總結證據，不根據缺失資訊想象候選人經歷。
-
04
輸出覆核材料
展示分軌結論、最強證據、關鍵風險、缺失資訊和建議驗證問題。
為什麼結果值得覆核
不把模型的流暢表達當成事實
- 結論必須引用至少一個可定位來源；沒有來源時標記證據不足。
- 硬性門檻失敗優先於能力總分，未知門檻觸發人工覆核。
- 多個來源衝突時同時儲存，不自動選擇更有利的一項。
- 人工修改會記錄理由，可用於後續校準，但不偽裝成模型原始判斷。
適用邊界
明確系統做什麼，也明確它不做什麼
- Aimme 不根據姓名、性別、年齡、民族等受保護特徵推薦候選人。
- 模型輸出是招聘輔助資訊，不構成錄用、拒絕或薪酬決定。
- 證據不足、來源衝突或硬性條件未知時，系統應明確標記並交由人工核驗。
- 候選人資料由客戶控制，不用於訓練公共模型；團隊需要按適用法律和平台規則使用資料。
常見問題
先回答最重要的問題
為什麼不只使用一個匹配分？
單一分數便於排序，但會隱藏門檻失敗、證據不足和現實不可行。Aimme 保留總覽，同時要求查看分軌結果。
什麼算可靠證據？
與職位要求直接相關、來源可定位、時間適用且表達明確的資訊更可靠。自我描述、推斷和過期資料需要降低置信度。
人工意見會如何使用？
團隊對要求和結論的修改可以校準後續任務；歷史輸入、模型結果和人工決定應保持可區分、可追溯。