HN 上那些找工作的帖子和招人的帖子居然能自动配对了

每次看 Hacker News 每月更新的 "Who Wants to Be Hired?" 和 "Who's Hiring?" 这两个长帖，我都觉得效率低得离谱。一边是满地找工作的技术大牛，一边是急着招人的公司，大家都在同一个信息流里疯狂刷屏，但想精准匹配到那个对位的岗位，全靠肉眼硬搜，这简直是在浪费生命。

最近看到有人用 Abacus.ai 搞了个 HN Match Maker，思路非常清晰：直接用大模型把这两个帖子里的非结构化文本全给拆了。

这个工具的操作逻辑其实就是把“人”和“岗”做向量化和属性提取。它会把帖子里提到的薪资预期、技术栈、工作经验、远程还是到岗（Remote/Onsite）这些关键维度全部抓出来。最硬核的一点在于它做了“硬性过滤”，比如如果你在求职贴里写了只要 Remote，那系统会自动把你和那些标明 Onsite Only 的岗位剔除掉，省去了大量无效沟通的成本。

目前的匹配逻辑大概是这样的：

• 数据提取： 利用 LLM 解析帖子内容，把一段话变成结构化的数据。
• 多维评分： 基于薪资区间、领域经验、地理位置要求进行加权评分。
• 冲突消除： 自动识别并过滤掉那些根本无法达成共识的条件（比如远程 vs 必须线下）。
• 双向视图： 它提供了两个视角，一个是“根据用户看岗位”，另一个是“根据岗位看人才”，方便两端的人去对号入座。

如果你最近在 HN 上发过求职贴，甚至可以直接去搜一下自己的 ID，看看系统给你匹配到了哪些潜在机会。这种利用 AI Agent 思想来解决特定社区信息不对称的小工具，虽然规模不大，但实战意义很强，比手动翻几百层楼要快得多。

虽然现在匹配的精度还在迭代，但这种把大模型从“聊天机器人”转变为“数据清洗和匹配引擎”的玩法，确实是目前提高工作流效率的一个很实用的方向。