# 启动提示词

把下面这段提示词交给一个能访问 Metix AI Platform 的 agent：装好 [metix-skills](https://github.com/MetixAI-Official/metix-skills)、接上 MCP 服务，或者直接用 REST 并设置好 `METIX_KEY` 都可以。完整跑一遍大约 9 到 21 API Credits：逐步缩小的计数 4 个，对比城市再加 12 个，读 25 人的短名单 5 个。超过 30 之前它会先停下来问你。

```text
用 Metix AI Platform 帮我找在旧金山、会用 PyTorch 的机器学习工程师。只通过公开的 Platform 访问（REST 地址 https://mira-api.metix.ai、MCP 服务或 metix-skills），密钥从 METIX_KEY 读取，任何时候都不要打印密钥。

1. 先读规则再查询。调用 GET /contract（免费），读档案字段 current_title、location.country、location.city、skills 以及每个字段允许的操作符。开始和结束时各调用一次 GET /auth/key/status（免费）查余额，总花费超过 30 API Credits 之前先停下来问我。

2. 统计范围。current_title 匹配 "machine learning engineer" 的档案。然后按这个顺序一次加一个条件：location.country eq "United States"、location.city eq "San Francisco"、skills match "pytorch"。所有条件放在同一个 all 节点里。

3. 每一步都计数。四个条件各用 size 1 查一次，记下总数。四次计数，4 API Credits。继续之前先把四个总数列成表给我看。

4. 预算。我看过计数之后再读记录。如果最后一步不到 10 人，直接告诉我，并建议怎么放宽，不要读记录。

5. 对比城市（可选）。问我要不要在纽约、西雅图、波士顿、奥斯汀和芝加哥重复"只按职位"和"职位加技能"两个计数。再多 10 次计数。

6. 读短名单。用最后一步的条件搜 size 25，只读这 25 份档案的 current_title、location.city、skills、experience 和 education（5 API Credits）。

7. 抽查。告诉我 25 人里有多少真的是在最近的工作里用过 PyTorch 的机器学习工程师，有多少只是在技能栏写了。偏离超过三分之一，就提出更紧的条件。

8. 输出。一张 25 人的表：当前职位、当前公司、城市、在当前岗位的年数，以及技能的依据。记录只留在我们的对话里，不要公开。

9. 排序。按最近一次用到这个技能的时间排，再按在岗时间排，并说明排序依据。

10. 局限。告诉我这次搜索会漏掉谁：从不写技能的人、做同样工作但职位名称不同的人、住在城市边界外的人。
```

## 怎么改成你自己的问题

| 要改的 | 改哪里 | 例如 |
| --- | --- | --- |
| 岗位 | 第 2 步的职位 | "data engineer"、"backend engineer" |
| 地点 | 第 2 步的国家和城市 | "London" 配 "United Kingdom" |
| 技能 | 第 2 步的技能 | "kubernetes"、"rust" |
| 短名单人数 | 第 6 步 | 50 人要 10 API Credits |

## 运行前先问清楚

1. 哪个职位？做同样工作的还有哪些职位名称？
2. 哪个城市？相邻城市算不算？
3. 哪个技能是必须的，哪个只是加分？