什么是招聘智能
为每一次招聘决策提供单一智能层
将候选人数据、渠道信号和入职后的结果连接到一个系统，并基于您的数据重新训练。以 LLM 分析和基准为起点。十二个月内结果相关性达到 0.55+。
- 预测性匹配评分
- 根据从您真实的顶尖员工中得出的成功画像对候选人评分。提供带置信度的结构化分解，而非一个黑盒数字。
- 招聘经理自助服务
- 招聘经理通过 Meg 在 Slack、Teams 或 WhatsApp 中定义需求。TA 在开始寻源前会收到带有校准标准的已验证成功画像。
- 内部优先发现
- 搜索员工档案、技能和职业意向，在对外发布岗位前优先发现内部候选人。包括跨实体匹配。
- 招聘漏斗健康分析
- 跟踪每个漏斗阶段的转化率、瓶颈和速度。当招聘单停滞或错过预计填补日期时发出警报。
- 来源 ROI 智能
- 按每个优质入职的成本衡量渠道，而非按每个申请者成本。典型发现：60–70% 的花费流向只产生 20–30% 优质入职的渠道。
- 入职质量跟踪
- 将每次招聘决策与 30、90 和 365 天的结果连接。这个反馈循环让平台中的其他模型不断变得更智能。
常用提示（点击查看）
Meg AI离职风险 - 前三名
招聘工具包
每天使用的五个工具
JD Transformer
From job description to success profile
将任意职位描述转换为预测性成功画像。构建的结构化标准基于在贵组织中预测绩效的因素，而非关键词。
合成校准
在发布前进行验证
生成合成候选人档案并询问招聘经理：您会面试此人吗？在岗位上线前验证评分标准。
候选人评分器
分钟级排名候选名单
对每个岗位最多 1,000 名申请者根据已验证的成功画像进行排名。订阅层级可与您真实的顶尖员工进行基准比较。
被动人才发现器
在搜索前查看谁匹配
展示 10 到 20 名匹配的被动候选人并显示 LinkedIn 资料。订阅可解锁自动外联序列和跟进功能。
面试日程安排器
无需反复协调
无需招聘者反复沟通即可安排面试。自动预筛选候选人。对每位面试官的准确性和偏见进行校准。
候选人智能
针对真正预测成功的因素进行评分
摄取简历、评估和评分卡，生成与您顶尖员工校准的多维匹配报告。准确度从 0.35 的相关性起步，并在十二个月内达到 0.55+。
自助式招聘
招聘经理定义需求。 人才获取（TA）提前起步。
Meg 在 Slack、Teams 或 WhatsApp 中引导每位招聘经理完成岗位定义、市场现实评估和期望校准。TA 在开始寻源前会收到已验证的成功画像。
内部人才与聘用方案
发现您已有的人才。 赢得您所需的人选。
在投入外部寻源前在员工队伍中搜索已具备岗位准备度的候选人。若走向外部寻源，对每份聘用建议进行校准，以在不破坏内部公平的前提下最大化接受率。
工作原理
从岗位简介到签署录用
逐步展示平台如何将招聘流程从职位定义推进到决策。
定义
发送 JD。 Meg 来转换。
将职位描述放入 Slack、Teams 或 WhatsApp。Meg 会将其转换为基于真实绩效预测因素的预测性成功画像，而非关键词匹配。
定义
发送 JD。 Meg 来转换。
将职位描述放入 Slack、Teams 或 WhatsApp。Meg 会将其转换为基于真实绩效预测因素的预测性成功画像，而非关键词匹配。
校准
在岗位发布前进行验证
Meg 生成 5 到 10 个合成候选人档案。招聘经理对每个档案进行审核：面试还是放弃？在实际候选人出现之前，明确的要求与真实偏好保持一致。
校准
在岗位发布前进行验证
Meg 生成 5 到 10 个合成候选人档案。招聘经理对每个档案进行审核：面试还是放弃？在实际候选人出现之前，明确的要求与真实偏好保持一致。
质疑
当要求无法实现时发出警示
如果条件或薪酬会导致无合格候选人，Meg 会结合市场需求和稀缺性数据予以标记。问题在发布前就会浮现，而不是在发布 60 天后沉寂。
质疑
当要求无法实现时发出警示
如果条件或薪酬会导致无合格候选人，Meg 会结合市场需求和稀缺性数据予以标记。问题在发布前就会浮现，而不是在发布 60 天后沉寂。
搜寻
发布、评分并展示被动人才
发布到 Google Jobs 和聚合平台。对最多 1,000 名候选人按已验证画像进行评分。展示 10 到 20 名被动匹配人才并可查看 LinkedIn 资料。
搜寻
发布、评分并展示被动人才
发布到 Google Jobs 和聚合平台。对最多 1,000 名候选人按已验证画像进行评分。展示 10 到 20 名被动匹配人才并可查看 LinkedIn 资料。
面试
自动安排与校准
自动化的预筛选缩小候选人范围。自动安排面试，无需招聘者反复协调。校准会对每位面试官的准确性、一致性和偏见模式进行评分。
面试
自动安排与校准
自动化的预筛选缩小候选人范围。自动安排面试，无需招聘者反复协调。校准会对每位面试官的准确性、一致性和偏见模式进行评分。
学习
每一次结果都会重新训练模型
在 30、90 和 365 天的里程碑跟踪入职质量，将每次招聘决策与绩效数据连接。第 20 次预测比第一次精确得多。
学习
每一次结果都会重新训练模型
在 30、90 和 365 天的里程碑跟踪入职质量，将每次招聘决策与绩效数据连接。第 20 次预测比第一次精确得多。
常见问题
技术采购方最先关心的问题
针对TA负责人、CHRO和技术团队在评估招聘智能平台时常问问题的直接答案。
- 在没有历史绩效数据的情况下，候选人评分如何工作？
- 从基于LLM的语义分析和行业基准开始，第一天即提供基线准确度。随着招聘和绩效数据的累积，ML模型逐步接管。到第12个月，评分通常与结果的相关性达到0.55以上，优于非结构化面试。
- 什么是Meg，招聘经理如何使用它？
- Meg是引导招聘经理进行岗位定义、市场校准和候选人评估的AI界面。可在Slack、Teams或WhatsApp中运行。招聘经理可自助完成，无需TA参与收集信息。TA会收到带有校准标准的已验证成功画像。
- 什么是合成简历校准？
- 在岗位上线之前，Meg会生成5到10份虚拟候选人档案。招聘经理逐个审阅：邀请面试或淘汰。此过程将书面要求与实际选择偏好对齐，在真实候选人进入管道前发现不匹配之处。
- 我可以在订阅前对单个岗位试用该平台吗？
- 可以。每个岗位200美元的选项可在Slack、Teams或WhatsApp中完全运行，无需订阅。包含JD转化、合成校准、最多1,000名候选人评分以及被动人才检测。订阅可解锁完整平台UI和自动外展功能。
- 系统与哪些ATS和HRIS平台集成？
- ATS：Greenhouse、Lever、iCIMS、Workable、SmartRecruiters、Taleo。HRIS：Workday、SAP SuccessFactors、Oracle HCM、BambooHR。评估工具：SHL、Korn Ferry、HackerRank、Codility。共40+预建连接器，支持webhook和批量同步。
- 平台如何对不切实际的岗位要求提出反驳？
- Meg将招聘条件与实时市场需求、人才稀缺度和薪酬基准进行比较。如果该组合将导致零合格候选人或90天内离职率过高，招聘经理将在岗位发布前看到这些数据。提供建议而非阻止。
- 平台多快开始产生价值？
- 在与ATS集成后两周内，管道分析和来源追踪即可产生可见性。候选人匹配评分在第2至第4周通过语义匹配开始。ML模型在第3个月生效。包括录用校准在内的完全优化在第9至第12个月成熟。