Pariti 如何使用 Qdrant 将招聘达成率提高一倍

从手动瓶颈到毫秒级匹配：连接非洲优秀人才

Pariti 的使命宏大：快速连接非洲优秀人才与非洲大陆最有前途的初创企业。其推荐驱动的市场允许任何人提名优秀候选人，但病毒式增长触发了数据洪流。如今，一个职位发布在 72 小时内吸引超过 300 名申请者，但 Pariti 仍然承诺在同样的五天内为客户提供一份面试准备好的候选人短名单。

到 2023 年，压力已显而易见。分析师需要花费四分钟筛选一份简历，并且经常处理超过 400 份候选人积压。随着疲劳感的产生，埋在底部附近的优秀简历往往被忽视。同时，约有 70,000 份历史候选人简历处于闲置状态，因为没有实用的方法将它们重新利用。招聘达成率仅徘徊在 20%。

一次笔记本电脑实验指明了方向

数据科学家 Chiara Stramaccioni 在她的笔记本电脑上编写了一个快速 Python 脚本：编码新职位的文本要求，嵌入每位候选人的经验，比较向量，并对结果进行排名。质量看起来很棒，但每次查询需要半分钟的本地计算时间，并且只有 Chiara 可以运行。这个原型证明了可行性，但未能解决规模问题。

将 Qdrant 投入生产环境

工程主管 Elvis Moraa 需要一个生产级的向量数据库，能够立即投入使用且不妨碍团队工作。他选择 Qdrant 云出于三个务实的原因

1. 零运维部署——托管集群可在几分钟内启动，并在 Google Cloud 上进行区域托管，保持低延迟。

2. 直观的 Python SDK——分析师可以像使用 Pandas 一样轻松调用它，无需处理 Kafka 或索引调优的繁琐过程。

3. 清晰的文档，可以在一个下午内从“Hello, vectors”过渡到实际集成。

Pariti 导入了全部 70,000 份候选人语料库，现在一个轻量级后端在新数据到达时立即创建嵌入向量。查询通过 HTTP 传输，并在 22 到 40 毫秒之间返回结果，自上线以来没有出现停机。

如今的工作流程是怎样的

招聘分析师打开一个内部 Web 应用，粘贴或修改职位描述，并调整权重滑块，以强调行业专业知识或出版历史等特征。应用向 Qdrant 发送请求，Qdrant 立即返回一个排序好的短名单。由于向量已经驻留在内存中，与旧的每月刷新一次的 pickle 文件相比，每次检索平均节省 34 秒。

每个推荐仍然需要人工查看，但现在查看时间很短：每位候选人的筛选时间已从四分钟降至一分钟——减少了 70%。当新职位与过去的职位非常相似时，分析师几乎完全跳过手动搜寻。他们会优化筛选条件，审查排名靠前的建议，然后将其发送出去。对于这些“数据库发现”，有 24% 的候选人进入面试环节，是传统渠道 6% 成功率的四倍。

准确性仍然是指南针。Pariti 将“真正的优秀人才”定义为最终获得客户录用通知的申请者。在过去的一个季度中，这些成功获得录用者的 94% 已经位于申请者的前 10% 中，这让招聘经理几乎完全确信他们首先看到的是最优秀的人才。

更好的搜索结果 = 更多招聘

• 招聘达成率从 20% 飙升至 48%，Pariti 现在平均每月成功安置八个职位，轻松维持了超过 40% 的职位达成率。

• 分析师每周省出了整天的工作时间；他们不再淹没在简历分类中，而是将时间花在指导客户和候选人上。

• 该平台每天处理 100 多次搜索，毫不费力，并且自从迁移到 Qdrant 以来没有记录过任何非计划停机。

“Qdrant 是我最不担心出故障的东西。”——Elvis Moraa，Pariti 工程主管

未来展望

该团队正在将此工具产品化为一个面向客户的门户。招聘经理可以自己调整排名滑块，并实时查看短名单的更新。为了应对即将到来的流量高峰，Pariti 正在评估 GPU 加速索引和向量量化——这些功能已内置于 Qdrant 中——同时将成本控制在符合许多非洲初创企业预算挑战的实际水平内。

最初在单台笔记本电脑上进行的下班后实验，现已成为一个以初创企业速度运转的人才市场的支柱。有了 Qdrant 在 22 毫秒内处理繁重工作，Pariti 可以专注于其真正的任务：开启机遇。