Skip to main content

Documentation Index

Fetch the complete documentation index at: https://docs.dropcv.work/llms.txt

Use this file to discover all available pages before exploring further.

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：
步骤做什么例子
理解问题AI 分析你想找什么”做过 To B SaaS 的产品经理”
检索数据去数据库里搜索在人才库中搜索匹配的候选人
阅读资料AI 阅读搜索到的内容读取每个候选人的简历和档案
生成回答AI 整理成自然语言回复”找到了 8 位，以下是前 5 位…”

​
RAG 和普通 AI 的区别

普通 AI有 RAG 的 AI
知识来源训练数据（截止到某个日期）你的实时数据
回答依据通用知识你人才库里的具体数据
准确性可能瞎编基于真实数据
个性化千人一面为你量身定制
举例”产品经理一般需要…""你的人才库里有 8 位做过 To B SaaS 的产品经理…”

​
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

你：找 3 年以上 React 经验，有大厂背景的前端工程师

RAG 流程：
[1] 理解意图：React 技能 + 大厂经验 + 前端岗位 + 3 年以上
[2] 搜索人才库：语义匹配，不只是关键词匹配
[3] 返回结果：按匹配度排序

AI：找到了 5 位符合条件的候选人：

1. 王思远 - 8 年经验，某大厂前端负责人（匹配度 95）
   技能：React、TypeScript、微前端
2. 李明华 - 6 年经验，全栈工程师（匹配度 82）
   技能：React、Node.js、GraphQL
3. 张子涵 - 5 年经验，React 专家（匹配度 78）
   技能：React Native、Next.js

你：[粘贴 JD] 高级后端工程师，5 年以上 Go 经验...

RAG 流程：
[1] 解析 JD：Go 语言 + 5 年 + 微服务 + 高并发
[2] 搜索人才库：找匹配的候选人
[3] 逐一分析：计算匹配度
[4] 生成报告：符合点、差距、建议

AI：匹配完成！以下是结果：

🟢 高度匹配（3 位）
1. 王思远 - 8 年 Go 经验，某大厂后端负责人
   符合：Go 微服务、高并发系统、K8s
   差距：未提及 gRPC 经验
   建议：面试时确认 RPC 相关经验

🟡 部分匹配（2 位）
2. 李明华 - 6 年 Java 经验，近期转 Go
   符合：微服务架构、团队管理
   差距：Go 经验仅 1 年

你：帮我分析一下王思远的简历

RAG 流程：
[1] 在人才库中找到王思远的档案
[2] 阅读完整简历、备注、历史记录
[3] 结合问题进行分析

AI：根据王思远的档案，分析如下：

【核心优势】
- 8 年 Go 语言经验，从 Go 1.8 开始使用
- 主导过日均千万级请求的微服务架构
- 有完整的 K8s 集群管理经验
- 带过 6 人技术团队

【潜在风险】
- 简历中未提及 gRPC 经验
- 最近一次跳槽是在 8 个月前

【面试建议】
- 重点问分布式系统设计能力
- 了解团队管理风格
- 确认对新机会的稳定性预期

​
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。