岗位名称是招聘中最方便的标签，也是最容易造成误判的标签。
同样叫“产品经理”，有人负责增长实验，有人负责供应链系统，有人长期做企业软件；做过数据平台的人，简历标题可能是数据工程师、后端开发、平台研发或技术负责人。如果系统把名称相似度当作能力相似度，就会把标题一样但经历不符的人排在前面，也会漏掉标题不同但能力高度相关的人。
技能型匹配（skills-based matching）希望把比较对象从“名称像不像”转向“岗位需要什么能力，候选人的哪些经历能证明这些能力”。这不是把 JD 与简历各自拆成一袋关键词，而是重建需求、技能、经历与证据之间的关系。
skills-first 为什么受到重视
OECD 2024 年报告 Bridging Talent Shortages in Tech 将 skills-first 描述为一种基于能力而非学历、工作历史或岗位名称等代理指标识别人才的方法。报告讨论了它在扩大人才来源、应对技术岗位短缺和连接培训方面的潜力，同时也指出实施需要可靠的技能识别、验证和招聘流程调整。
“不看学历和标题”只是口号的一半。另一半是：如果减少这些代理指标，就必须用质量更高的能力证据替代，否则系统只是从一种粗糙筛选切换到另一种粗糙筛选。
第一步：建立技能概念，而不是技能字符串
简历写 PyTorch，JD 写“深度学习框架”；简历写“数据血缘与元数据平台”，JD 写“数据治理”。它们不是字面相同，却存在明确关系。技能体系至少要表达：
- 同义词、缩写、旧称与多语言表达；
- 上位与下位技能；
- 工具、方法、领域知识和通用能力的类型；
- 技能与职业、行业、任务之间的关联；
- 概念版本和失效状态。
欧盟委员会维护的 ESCO 就提供了一种公开参考：职业与技能/知识分别组织，并通过关系连接；每个概念在多种语言中具有首选词、非首选词和描述。ESCO 不是企业可直接照搬的唯一标准，但展示了技能图谱应具备的基本结构。
企业通常还需要叠加自己的岗位族、产品栈与行业概念，并保存与外部标准的映射，而不是把内部语言强行替换成外部分类。
第二步：区分“出现技能词”和“存在能力证据”
一个技能出现在个人技能栏、工作职责、项目成果或客户描述中，证据强度完全不同。系统需要回答候选人对该技能扮演了什么角色：主导、实施、使用、协作、学习，还是仅仅提到。
可以为技能证据记录以下维度：
- 来源：工作、项目、教育、证书或自我评价；
- 动作：设计、开发、运维、管理、使用或了解；
- 成果：是否与规模、质量、效率或业务结果相连；
- 时间：使用多久，最近一次在何时；
- 场景：在哪个行业、团队和技术环境中使用；
- 置信度：原文明确表达，还是模型从上下文推断。
时间尤其重要。五年前使用过某框架与最近两年持续使用不能等价；但也不能机械按年份衰减，因为基础方法和短期工具的更新速度不同。
第三步：把 JD 拆成不同约束
岗位描述中混合了核心职责、必要条件、加分项、团队介绍和招聘文案。如果所有技能词权重相同，模型可能把“了解某工具”看得比真正的行业经验更重要。
职位解析至少要区分：
- 硬约束：法律资质、工作地点、必须经验等；
- 核心能力：完成主要职责必需的技能组合；
- 加分项：可以提高优先级，但不应直接淘汰；
- 可培养项：入职后可以学习；
- 非匹配文本：团队介绍、福利与企业宣传。
招聘人员还要能够编辑模型拆出的结构。算法理解的是文本，用人经理掌握的是这一次招聘的真实取舍。
第四步：用分层排序代替一个神秘总分
技能型匹配可以先应用硬约束，再计算技能语义关系、经历证据和业务权重。不同层的得分与缺口应保留，而不是最后只返回 86 分。
一个可解释的结果应展示：
- 已满足的核心能力及对应经历；
- 相关但证据不足的能力；
- 明确缺少的必要条件；
- 需要在面试中确认的问题；
- 因岗位名称不同而被传统搜索遗漏的原因。
这种输出允许招聘人员修正岗位权重，也能检查模型是否把弱证据当成强证据。
跨语言技能映射为什么需要候选列表
ESCO 公布的多语言职业映射实践使用 top-k accuracy 和 MRR 评价模型推荐，而不是只看 top-1。其公开案例中，不同成员国职业分类映射到 ESCO 时，专家正确答案进入前五候选的比例约为 75%–83%，O*NET 映射案例达到 94%。
这些数字不能直接当作简历技能匹配准确率，但说明了标准化任务的真实形态：模型先缩小候选范围，再结合描述和专家反馈确定概念。要求模型对每个新表达一次给出唯一答案，通常会制造虚假的确定性。
怎么评估技能型匹配
历史录用结果不能成为唯一真值。一个候选人没有被录用，可能因为未被招聘人员看见、薪资、时间或面试流程，而不是能力不匹配。
评估应组合多种标签：
- 技能实体和标准化概念是否正确；
- 证据是否真的支持技能与熟练程度；
- 必要条件和加分项是否区分正确；
- 相关候选人能否进入 top-k；
- 排序解释是否忠于实际得分；
- 招聘人员调整后，系统是否学习到岗位级偏好；
- “标题不相似但技能相关”的困难样本是否被找回。
线上可以观察有效候选人发现率、搜索迭代次数、候选人阅读深度和解释被人工纠正的比例，而不是只追求点击率。
技能型招聘的边界
技能图谱无法完整描述人的潜力、动机、合作方式和成长速度；简历也不一定包含候选人实际拥有的全部能力。系统应把“没有证据”与“没有能力”区分开。
技能型匹配最适合扩大可见范围、整理经历证据和提出核验问题，而不是给人贴一个永久的能力分数。它真正改进的不是打分公式，而是招聘团队讨论人才时所使用的数据语言。