岗位要求建模
将职责、能力、硬门槛、偏好和现实约束分开，并由招聘团队确认。
招聘问题
招聘匹配没有脱离上下文的绝对真值。同一名候选人对不同岗位、团队和阶段会有不同判断。方法论必须说明输入是什么、哪些要求不可补偿、证据来自哪里，以及模型不知道什么。
Aimme 如何处理
把招聘判断拆成可以检查的步骤
能力评分
评估与工作成果有关的直接经验和可迁移证据，记录支持与反证。
资格与可行性
硬性要求采用通过、失败、未知；现实约束单独呈现，不混入能力分。
证据质量
记录来源、时效、完整性和冲突；低可信信息不能升级成确定事实。
从问题到可复核结果
保留上下文，也保留停止和复核的机会
-
01
建立版本化标准
每次关键岗位要求变化都形成新版本并保留原因。
-
02
逐项收集证据
针对每条要求寻找直接证据、相邻证据、反证或未知。
-
03
应用有限推理
只在明确规则内总结证据，不根据缺失信息想象候选人经历。
-
04
输出复核材料
展示分轨结论、最强证据、关键风险、缺失信息和建议验证问题。
为什么结果值得复核
不把模型的流畅表达当成事实
- 结论必须引用至少一个可定位来源；没有来源时标记证据不足。
- 硬性门槛失败优先于能力总分，未知门槛触发人工复核。
- 多个来源冲突时同时保存，不自动选择更有利的一项。
- 人工修改会记录理由，可用于后续校准，但不伪装成模型原始判断。
适用边界
明确系统做什么，也明确它不做什么
- Aimme 不根据姓名、性别、年龄、民族等受保护特征推荐候选人。
- 模型输出是招聘辅助信息，不构成录用、拒绝或薪酬决定。
- 证据不足、来源冲突或硬性条件未知时，系统应明确标记并交由人工核验。
- 候选人数据由客户控制，不用于训练公共模型；团队需要按适用法律和平台规则使用数据。
常见问题
先回答最重要的问题
为什么不只使用一个匹配分？
单一分数便于排序，但会隐藏门槛失败、证据不足和现实不可行。Aimme 保留总览，同时要求查看分轨结果。
什么算可靠证据？
与岗位要求直接相关、来源可定位、时间适用且表达明确的信息更可靠。自我描述、推断和过期资料需要降低置信度。
人工反馈会如何使用？
团队对要求和结论的修改可以校准后续任务；历史输入、模型结果和人工决定应保持可区分、可追溯。