用于需求驱动的候选人搜寻的交互式代理

从自然语言描述中寻找人员（“机器学习工程师过渡到生物技术研究角色”）越来越多地委托给 LLM 代理，并被定义为信息检索。我们认为，这从根本上来说是一项需求工程任务：这样的请求是一个未确定的需求，具有隐式约束，有许多有效答案，并且没有接受标准，因此有用的答案需要在搜索发挥作用之前引出、验证和验证需求。据我们所知，我们提出了 \sys{}，这是第一个交互式、需求驱动的候选采购代理（它通过有界诱导、工作流模板、两阶段提交协议和双向终止防护，将模糊的人员请求引出、验证、检索和验证为合理的清单）和 \bench{}，一个运行需求生命周期的基准（标准锚定验证、多模型基于证据的预言构建和成本感知验证）。在 $21$ 系统和所有 $691$ 要求中，\sys{} 在广度上占据主导地位（$100%$ 覆盖率，$2.5\times$ 收益），并且 \emph{接近正交} 到该领域，其返回的 $90%$ 的人员是由 $20$ 强 LLM-plus-web 基线组合的 \emph{none} 浮现出来的。除了广度之外，对每个系统的基于证据的判断显示 \sys{} \emph{回忆} 最相关的真实人物：联合池的 $0.241$，下一个系统的 $1.9\times$，引导程序 $95%$ 间隔与每个基线不相交。因此，\sys{} 是最强的 \emph{source} 引擎（最深的、真实的、可达到的候选池），而精确排名的 LLM 则充当补充验证器。