Skip to main content
你可能好奇：AI 怎么知道你的人才库里有谁？它怎么查到具体数据再回答你？答案就是 RAG。

​
RAG 是什么

RAG = Retrieval Augmented Generation（检索增强生成） 一句话：AI 先查资料，再回答你。 打个比方：
  • 没有 RAG 的 AI = 一个闭卷考试的学生，只能靠记忆回答
  • 有 RAG 的 AI = 一个开卷考试的学生，可以翻书查资料再回答
对于猎头场景：
  • 没有 RAG：AI 只能给你泛泛的建议，不知道你的人才库里具体有谁
  • 有 RAG：AI 先去你的人才库里搜，找到具体的候选人，再给你分析

​
RAG 的工作流程

RAG 的核心步骤：

​
RAG 和普通 AI 的区别

​
RAG 在 DropCV 中的应用

DropCV 的 AI 能力都基于 RAG：

​
语义搜索

你说：“找 3 年以上 React 经验，有大厂背景的前端工程师” RAG 流程：
  1. 理解你要的是”React 技能 + 大厂经验 + 前端岗位”
  2. 在人才库中搜索匹配的候选人
  3. 按匹配度排序
  4. 返回最相关的 5 位

​
JD 匹配

你粘贴一份 JD： RAG 流程：
  1. 解析 JD 中的关键要求
  2. 在人才库中搜索符合要求的候选人
  3. 对每个候选人计算匹配度
  4. 输出匹配报告

​
候选人分析

你问：“帮我分析一下张三的简历” RAG 流程：
  1. 在人才库中找到张三的档案
  2. 阅读他的完整简历、备注、历史记录
  3. 结合你的问题进行分析
  4. 输出分析报告

​
为什么 RAG 比直接问 AI 好

AI 会给你一个泛泛的回答：“To B SaaS 产品经理通常需要具备 SaaS 产品规划、客户需求分析、产品迭代等能力…”这是通用知识，对你没用。
AI 会先去你的人才库里搜，然后回答：“你的人才库里有 8 位做过 To B SaaS 的产品经理。其中 3 位在杭州，2 位在上海，2 位在北京，1 位在深圳。以下是匹配度最高的 3 位：1. 张三 - 某 SaaS 公司 高级产品经理…”这是基于你的数据的回答，直接可用。

​
你需要了解 RAG 的技术细节吗

不需要。作为用户，你只需要知道：
  1. RAG 让 AI 能查到你的数据，而不是瞎编
  2. 你的人才库越丰富，RAG 的效果越好
  3. 你的搜索描述越具体，RAG 找到的结果越准确
技术实现由 DropCV 负责，你只管用就行。

​
实际对话演示

​
下一步

什么是 Workflow

了解 AI 工作流自动化。

什么是 Agent

了解能自主完成任务的 AI。