技能图谱只负责发现"可能相关"的技能候选项，不会替候选人乱猜技能水平——简历写了"Excel"不会被自动推断为"Python专家"，任何由图谱建议的技能都需要候选人本人确认才会进入正式档案。
职位描述会被拆解为具体技能项，再与候选人技能图谱比较，而不是直接比对职位名称文字。
技能证据包括项目、工作结果、作品集、证书和评估，需要标注新鲜度、水平和情境，而不只是技能名称本身。
人才搜索基于技能、证据、语言、地点和可用性等结构化字段，而不是关键词全文检索。
人才数据库的规模经常被当作核心竞争力来宣传——档案越多，理论上能覆盖的候选人就越广。但规模掩盖了一个更重要的问题：一份两年没更新的档案，和一份上周刚更新的档案，在系统里看起来可能一模一样，实际可用性却相差很大。旧档案上的技能可能已经过时，求职偏好可能已经改变，甚至这个人可能早已不在求职状态——继续把它当作有效数据使用，只会持续制造错误匹配。
逐梦国际人才在评估数据库价值时，把"更新时间"作为和技能、经历同等重要的字段，而不是一个可有可无的元数据。十万份最近三个月内更新过的档案，产生的匹配质量很可能超过一百万份平均更新时间为两年前的档案——这也是为什么逐梦国际人才更愿意鼓励候选人保持档案更新，而不是单纯扩大档案数量。
"会Python"这三个字背后，可以是每周写几行自动化脚本，也可以是独立完成过完整的数据分析项目和模型训练。技能名称相同，不代表使用场景、深度和实际熟练程度相同。如果系统只按技能标签匹配，两个"都会Python"的候选人会被视为同一类，但实际能力可能差距很大。
这正是逐梦国际人才在设计技能档案时强调证据结构的原因：每一项技能应尽量关联具体的项目、工作结果或评估记录，并标注使用的情境和最近使用时间。同样是"Python"，一条关联着"独立完成客户流失预测模型"的证据，和一条只有技能名称、没有任何背景的记录，在真实招聘判断中的分量完全不同。
"运营"这个词在不同公司可能对应完全不同的工作：电商公司的运营可能偏重流量和转化，内容平台的运营可能偏重用户增长和社区管理，B2B企业的运营可能偏重客户成功和交付流程。翻译成英文Operations之后，语言层面的差异消失了，但工作内容层面的差异依然存在——如果只按职位名称的字面翻译做匹配，很容易把完全不同的岗位错误地归为一类。
逐梦国际人才在处理这类问题时，依赖统一的Occupation + Skill Ontology（职业与技能本体）——不同语言、不同公司对同一类工作的表述会被归一到统一的技能概念节点，同时保留原始的本地化标签供参考。这样"运营""Operations""Customer Success"之间的真实关系，可以通过它们各自连接的具体技能来判断，而不是靠职位名称的字面相似或翻译对应。
全球人才数据库建立在Consent（授权）、Permission（许可）和Public / Provided Data（公开或用户主动提供的数据）基础上。逐梦国际人才禁止无授权抓取私人数据，不展示私人手机号、家庭住址、身份证件号码、护照信息、私人邮箱、健康信息、政治观点、宗教信仰、性取向等与岗位匹配无关的敏感属性，也不会用这些信息进行候选人排名。
基于候选人授权和提供信息建立的人才档案集合，强调新鲜度、隐私保护和技能证据完整度。
候选人可以主动更新技能、经历和求职偏好，系统会在信息可能过期时提示核实，但不会代替用户擅自修改。
记录技能之间关联关系的知识结构，用于发现相邻技能和可迁移技能。
通过统一的职业与技能本体，将不同语言、不同表述的技能归一到同一概念节点，同时保留本地化标签。
职位描述被拆解为具体技能项，再与候选人技能图谱进行比较，而不是直接比对职位名称。
候选人的技能和经历会随时间变化，未及时更新的档案会持续制造错误匹配。
建立在授权和许可基础上，不展示与岗位匹配无关的敏感个人信息，也不用于候选人排名。
