不要公开职位推荐
摘要
这篇博文认为,公开职位推荐计划会导致候选人收到垃圾信息,并降低推荐质量,因为推荐人可能并不了解候选人,使得过程更像候选人搜寻。
暂无内容
查看缓存全文
缓存时间: 2026/09/17 21:15
# 不要公开职位内推
来源:https://blog.melashri.net/micro/public-job-referral/
我目前正处于求职阶段,因此会收到一些招聘邮件。最近,我开始注意到一种略有不同的消息。
我在Hacker News的"谁想被雇佣?"板块发布了一条简短的自我介绍:涉及物理学、C++、CUDA、GPU编程、机器学习,以及近期围绕大语言模型推理的一些工作。
不久之后,有几位不同的人联系我,都提及同一个高级软件工程师职位。他们的消息都提到了我背景中的某些具体内容,但最终都指向同一家公司,并且每人提供了不同的内推码。
招聘广告显示,成功内推的奖金是1500美元。这笔奖金只有在候选人通过该内推成功入职后才会发放,因此这并非抱怨"每投一次简历就能获得报酬"的现象。
问题在于,当内推计划公开化时,这种激励机制会产生什么效果。
我并非该职位的明显匹配者。我即将完成博士学位并转向工业界,而该职位明确要求高级经验。虽然我有部分相关技术重叠,但我不会将自己描述为该职级所暗示的那种经验丰富的资深工程师。
几位互不相识的人独立研究我的经历后,竟一致认为我是同一高级职位的出色候选人——这种可能性不大。更合理的解释是,我的帖子(连同该板块的其他发言)被通过关键词检索。我看起来似乎有些匹配,而给我发消息的成本远低于赚取1500美元奖金的可能性。
这些消息也容易大规模个性化处理。大语言模型可以生成提及我物理学、CUDA或大语言模型推理背景的信息,而发送者除了这些关键词外可能对我一无所知。
我并不特别责怪联系我的这些人。从他们的视角来看,这是对公司设置的激励机制做出的理性反应。但从候选人的角度来看,结果就是垃圾信息:收到数条陌生人的主动消息,每条都试图在我最终被录用时获得内推奖励。
传统内推通常包含一定信息量。推荐人了解候选人、曾与他们共事、见过他们的工作成果,或至少对他们足够了解,可以说"我认为这个人值得接触"。
而在此案例中,推荐人可能除了一条公开评论和几个匹配的关键词外,对我一无所知。内推码主要决定了如果我被录用谁能获得奖金。它并未说明推荐人凭什么有资格推荐我。
这未必是不诚实的。这更接近于候选人搜寻,而非个人内推。
公司也需承担成本。公开内推计划可能带来更多联络和申请,却未必能产生更优质的候选人。招聘人员需要过滤更多噪音,候选人收到更多半个性化的消息,而内推本身传递的信息量却减少了。
公司完全可以合理决定为成功招聘支付1500美元奖金。问题不在于奖金金额大小或是否与录用挂钩。问题在于,将这笔奖金开放给任何愿意向公开资料发送陌生邮件的人。
当推荐人被要求对被推荐者有所了解时,内推机制才能更好发挥作用。广泛的候选人搜寻可以通过招聘人员、招聘平台、社区和广告来实现。
一旦内推计划变成一场关于归属权的公开竞争,候选人就不再将其视为推荐。他们只会将其视为垃圾信息。
所以,请不要公开职位内推。
相似文章
毫无个人色彩的个性化招聘邮件
一位软件工程师的博客文章,批评如今用 LLM 生成的"个性化"招聘邮件泛滥:邮件中大肆夸赞候选人的背景,却与实际职位描述明显脱节,让招聘邀约比过去的模板群发邮件更让人感觉缺乏真诚。
前 LinkedIn 内部人士 Jeremy Schifeling 量化了推荐相对于 AI 在线申请的价值,并指出自 2016 年以来的变化幅度。
Jeremy Schifeling 表示,由于 AI 筛选,推荐目前比在线申请有效 20 倍,并指出了候选方工具在招聘过程中对 AI 评分提出异议的空白。
Referer 的现实困境
文章探讨了依赖 Referrer 头来追踪流量来源的局限性,指出许多现代应用程序不再发送此头信息。文章提倡使用自定义查询字符串作为一种数字礼仪,以确保链接归属在不同平台间依然清晰可辨。
引用Tom MacWright
Tom MacWright 观察到,由LLM生成的求职申请和作品集让求职者感到缺乏个性和人情味,缺少真实的个人表达。
@GergelyOrosz:另外:1. 背景(学校、曾任职的公司)变得越来越重要 2. 背景调查成为基本要求,而好的推荐…
Gergely Orosz 评论了软件工程师招聘方式的变化,指出随着面试所能提供的判断依据减弱,学历与职业背景、背景核查、内推以及更长的试用期正变得越来越重要。这一观点延续了此前关于将面试流程精简为系统设计面试和基于智能体的现场项目的讨论。