场景 · 招聘个人档案岗位2026 年 9 月 30 日

按技能和城市找机器学习工程师

从一个职位名称开始，一次加一个条件，缩小到国家、城市和技能；读任何一份档案之前，先看清每个条件让你少了多少人。

拿提示词看怎么一步步缩小 →

谁在做这件事

它省掉的是哪件事，适合谁。

手上有一个空缺、心里有个城市的招聘人员或用人经理：不想写布尔检索式，想先知道这个人才池是 30 人还是 3,000 人，再决定怎么找。

搜索怎么一步步缩小

每一行在上一行的基础上加一个条件。先计数再读记录：每次计数 1 API Credit。

当前职位是机器学习工程师current_title match "machine learning engineer"66,492
人在美国+ location.country eq "United States"22,179保留上一行的 33%
人在旧金山+ location.city eq "San Francisco"3,161保留上一行的 14%
技能里写了 PyTorch+ skills match "pytorch"230你的名单保留上一行的 7.3%

条的长度用对数刻度

得到什么

最近一次重跑的计数。背后的记录由你的 agent 用你自己的 key 读取。

同样的条件，换六个美国城市

写了 PyTorch这个职位的所有人

旧金山230 / 3,161
纽约75 / 1,189
西雅图66 / 1,166
波士顿45 / 536
奥斯汀33 / 474
芝加哥28 / 389

浅色条是这个城市里所有这个职位的人，深色条是其中技能写了 PyTorch 的人。少于 10 人的组显示为 <10。

旧金山这 3,161 人在技能里写了什么

写了全部 3,161 人

写了任意技能3,161 / 3,161
Python1,261 / 3,161
TensorFlow245 / 3,161
PyTorch230 / 3,161

3,161 人都至少写了一项技能，但写具体工具的人很少：写 Python 的 40%，TensorFlow 7.8%，PyTorch 7.3%。按工具筛技能，只能留下把工具写出来的人。

美国 1,658 个在招的同名岗位要求什么

提到了全部 1,658 个岗位

Python1,284 / 1,658
PyTorch835 / 1,658
TensorFlow585 / 1,658

美国标题匹配 machine learning engineer 的在招岗位，按岗位描述里是否提到这个工具计数。岗位要求 PyTorch 的比例，远高于档案里写了它的比例。

agent 会读哪些字段

提示词要求读取的字段。这个页面只展示字段名和计数，不展示任何一条记录。

current_title
location.city
skills
experience.company.name
experience.tenure_months
education.school.name

接下来

拿到名单之后，这件事往哪走。

读短名单
让 agent 读匹配度最高的 25 份档案（5 API Credits），按最近一次用到这个技能的时间排序，而不只看有没有写。
人太少先放宽
很多人的技能栏写得不全。最后一步剩下太少时，把技能也放进标题或个人简介里去匹配，或者加上相邻的城市。
导入你的招聘系统
让 agent 把短名单写成你的招聘系统能导入的表格，下一步就在团队平时用的地方继续。

运行这个案例

三种方式，每一种都先告诉你要花多少。

1 API Credit 可以买 25 个搜索结果或 5 条完整记录；1 美元可以买 30 API Credits。

交给你的 agent 来跑

9 到 21 API Credits0.30 到 0.70 美元新账户赠送的 100 API Credits 够用

花费超过 30 API Credits 之前，agent 会先停下来问你。

你的 agent 按提示词一步步执行：先读规则，再计数，按提示词的要求检查定义，最后写出文件和图表。请使用能写文件的 agent，比如 Claude Code 或 Codex。

一次性配置key、连接和一次免费检查。如果你的 agent 已经接入 Metix AI Platform，可以跳过。

1获取 key
在 Metix AI Platform 上创建 key →
新账户一次性赠送 100 API Credits，30 天内有效。在启动 agent 的终端里设置，或者把这一行写进 ~/.zshrc 或 ~/.bashrc，新开的终端也能用：
终端
```
export METIX_KEY=metix_xxxxxxxx
```
2连接你的 agent
Claude Code
为所有项目注册 Metix AI Platform。在任意目录启动 claude，就能看到十个 metix 工具。
终端
```
: "${METIX_KEY:?run step 1 first}" &&
claude mcp add --scope user --transport http metix \
  https://mira-api.metix.ai/mcp \
  --header "Authorization: Bearer $METIX_KEY"
```
MCP 配置指南 →
Codex
注册同一个服务。key 留在环境变量里，不写进配置文件。
终端
```
codex mcp add metix \
  --url https://mira-api.metix.ai/mcp \
  --bearer-token-env-var METIX_KEY
```
MCP 配置指南 →
Skills
四个 skill，教任何 agent 使用 Metix AI Platform 的接口和查询规则，适合不支持 MCP 的 agent。安装程序默认一项都不勾选：在每一项上按空格，再按回车。
终端
```
npx skills add MetixAI-Official/metix-skills
```
Skills 安装说明 →
其他 MCP
让客户端通过 streamable HTTP 连接这个地址，并带上这两个请求头；缺少 Accept 请求头时服务器会返回 406。较旧的客户端使用同一主机上的 /sse。
地址和请求头
```
https://mira-api.metix.ai/mcp
Authorization: Bearer <your key>
Accept: application/json, text/event-stream
```
MCP 配置指南 →

3检查配置

先问这一句。它只读取余额和字段列表，不做任何搜索，不花 API Credits：

发给 agent 的提示

使用 Metix AI Platform：查询我的 key 状态并读取 contract，这两项都免费。然后告诉我我的 API Credit 余额和可以查询哪些数据集。不要做任何搜索。

4粘贴提示词

在一个空文件夹里启动 agent，再粘贴。它会把文件写在那里。

要回答的问题

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。

01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。
02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。
03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。
04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。
05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。
06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）。
07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。
08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。
09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。

查看 PROMPT.md →

你会得到

聚合文件和图表，一段说明抽检发现了什么、改了什么，以及这次运行花了多少 API Credits（取自运行前后的余额）。

如果调用返回 402 insufficient_quota，说明 key 有效，只是余额用完了。

复现数字

24 API Credits0.80 美元新账户赠送的 100 API Credits 够用

一个只用 Python 标准库的小脚本，把已提交的查询按计数发出去，写出这个页面所用的聚合文件。需要 Python，并在终端里设置好 METIX_KEY（见 agent 路径的第 1 步），也可以让你的 agent 替你运行这几行。它比 agent 运行贵，因为它还要统计这一页所有图表背后的数字，agent 运行不做这部分。

终端

curl -fsSL https://platform.metix.ai/casebook/source/find-engineers-by-skill-and-city.tar.gz | tar xz
cd find-engineers-by-skill-and-city
: "${METIX_KEY:?set METIX_KEY first}" && python3 cases/find-engineers-by-skill-and-city/fetch.py

你会得到

data/*.json 和 data/receipt.json。运行 git diff cases/find-engineers-by-skill-and-city/data 看哪些数字变了：除去快照之后数据本身的变化，数字应该一致。

改成你的问题

花费取决于你的版本读取多少。在提示词第 1 步里写上你自己的上限。

提示词就是这个案例本身。改掉下表里的部分，你的 agent 就会回答你的问题，用同样的检查和同样的花费记录方式。

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

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

查看 PROMPT.md →

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。

常见问题

跑之前大家常问的。

这个页面会展示候选人吗？

不会。这里只有人数。档案由你的 agent 用你自己的 key 读取，这里不发布任何个人信息。

为什么先计数？

一次计数只要 1 API Credit，花钱读记录之前就能知道条件是太紧还是太松。

能换别的技能或城市吗？

可以。改提示词第 2 步里的职位、城市和技能即可，花费基本不变。

方法和局限

统计了谁、怎么统计的、漏掉了什么。

统计范围: 2026 年 9 月 30 日通过 Metix AI Platform 可见、当前职位匹配 "machine learning engineer" 的档案。人数是可见档案数，不是市场上的全部人。
条件: 每一步在上一步的基础上加一个条件，全部放在同一个 all 节点里。城市是本人填写的城市，技能是本人填写的技能。
局限: 很多人的技能栏写得少或者没更新，技能条件会少算。职位名称五花八门，这里不包括 "ML engineer" 或 "applied scientist"。