Lexical Search
传统招聘平台（如 LinkedIn）的核心搜索模式——基于简历中出现的文字标签进行关键词匹配，无法发现标签不匹配但实际能力互补的隐性人才。
简介
Lexical Search（词法搜索/词汇搜索）是传统人才招聘平台和搜索引擎中普遍使用的根本匹配模式：系统将用户输入的关键词与数据库中的文本标签进行字面匹配，返回包含相同词汇的结果。在招聘场景中，它的典型表现是：HR 输入”图像大模型”，系统只返回简历或档案中包含”图像大模型”字样的候选人。
这种模式的致命缺陷在于它完全依赖个体对自身的文字描述（self-reporting），而非客观行为证据。在高度专业化和新兴领域中，这造成了严重的匹配失效——如 DINQ 案例揭示的：HR 搜”图像大模型”，而候选人的核心标签是”Sora 2 一作”、“R2”或”拉网”（行业黑话），双方可能”一辈子都无法相遇”。
Lexical Search 是理解 DINQ Human World Model 和 AI 人才智能价值的对比基线——前者是”写给人看的简历的机器版本”，后者是”给机器读的人的结构化行为编码”。
关键信息
- 类型：技术概念 / 搜索范式
- 领域：信息检索、人才招聘、搜索引擎
- 提出者：通用搜索概念，非特定个人/公司
- 相关概念：Human World Model、人类表征、DINQ Talent Intelligence、Juicebox、Mercor、AI搜索
核心特性
定义
Lexical Search 是基于文本词汇的字面匹配进行信息检索的搜索范式。在人才招聘场景中，它表现为对简历、档案中文字标签的关键词匹配，无法理解语义关联，也无法推理未出现在文本中的隐性连接。
核心局限
- 标签依赖：只能找到候选人自己写了的关键词，专业黑话、缩写、非标准用词导致双方错过
- 语义盲区：不理解”R2”和”图像大模型”之间的关系，也不知道”拉网”在某些 AI 公司内指代一个核心研究方向
- 静态文本：简历是快照，更新不频繁，无法反映人才的最新动态和成长趋势
- 自报偏差：候选人可能夸大、遗漏或根本不知道如何描述自己的能力（如一个优秀的强化学习实践者可能从未在简历中使用”强化学习”这个词）
- 无推理能力：无法沿协作关系链推导间接连接——不知道某人与目标团队核心成员曾在 GitHub 上密切协作了三年
与 AI 人才智能的对比
| 维度 | Lexical Search | AI 人才智能（如 DINQ） |
|---|---|---|
| 匹配逻辑 | 文字 label → 文字 label | 行为证据 → 能力推理 |
| 数据来源 | 简历文字 | 论文/GitHub/Kaggle/社交行为 |
| 可发现的连接 | 标签匹配的直接候选 | 标签不匹配但能力互补的隐性候选 |
| 搜索精度 | HR 需要猜对关键词 | Agent 理解需求语义并推理 |
| 时效性 | 简历快照 | 动态行为实时更新 |
典型失败案例
- HR 搜索”图像大模型专家”→ 零结果，而适合的候选人在 GitHub 上以”R2”为核心标签
- HR 搜索”强化学习研究员”→ 错过从未在简历中写”强化学习”但与领域顶级实验室成员长期论文合作的候选者
不同素材中的观点
- 2026-07-16-woshipm-dinq-human-world-model（Z Finance）：通过 DINQ 与 LinkedIn 的对比，以”图像大模型 vs R2/拉网”案例揭示了 Lexical Search 在高端人才寻访场景中的结构性失效，并指出 DINQ 的 Agent 推理本质上是从 Lexical Search 到 Semantic + Relational Search 的范式跨越——不仅理解语义关系，还沿价值协作链推理间接连接。