RAG 换成 Jev 后人选准确率从 44% 飙到 92%,单次成本仅几美分
Select_Condition2805 · reddit · 2026-11-21
一家外包/外派公司的开发者自建招聘 Slack bot,用 Bedrock Knowledge Base 做 RAG 排序,但多条件筛选时经常只命中单项要求。作者撤掉检索排序环节,改用 TypeSafe AI 的 Jev 对每份简历+面试笔记打「符合需求概率」,生成式 LLM 只负责写一行解释。
在 7 个客户需求、111 名工程师上用 Ragas 评测:
- 入选名单确认为优质匹配的比例:44% → 92%
- 单次搜索成本:仍为 1-3 美分
为什么不把全部候选人塞给生成式 LLM 挑选?作者给出两个理由:111 人的简历加笔记约 200-310K tokens,已逼近上下文上限,1000 人任何模型都装不下;对每个候选人调用一次前沿模型,成本是现有方案的 30-400 倍。
「编程与Agent」频道最新
- Inkling 2 Mini 26B 跑分曝光:速度-准确率权衡击败一众同级模型 — clarejtbirch · 2026-11-21
- Thinky Machines 开源 26B 循环Transformer,笔记本可跑 agent 任务 — DavideCrapis · 2026-11-21
- 单块 TPU 跑多轮智能体 RL:Gemma 4 E2B 胜率从 9.4% 练到 95% — Saboo_Shubham_ · 2026-11-21
- 阶跃星辰发布 Step 5 Preview,聚焦智能体可靠性与成本 — StepFun_ai · 2026-11-21
- AI 一周做游戏惹争议,独立开发者怒斥 demo 被吹成成品 — AIandDesign · 2026-11-21
- Agent 审计日志该记什么:MCP 网关盲区与两条补救实践 — BlitzBallBruiser · 2026-11-21