跳脫行政區與關鍵字限制 黑客松團隊以GeoGraph改善職缺媒合

臺灣生成式AI應用黑客松競賽隊伍「二分搜不到未來」，以GeoGraph地理位置圖譜改善職缺媒合，勇奪「1111人力銀行：智慧求職」組優勝。DIGITIMES攝

在求職平台輸入工作地點，看似只是設定一個搜尋條件，實際上卻常受行政區邊界所限。有些職缺明明位於鄰近區域、通勤距離比同區內的工作更近，卻只因不在指定行政區內而被排除在外。參加由數位發展部數位產業署指導、DIGITIMES主辦、Amazon Web Services（AWS）擔任國際AI技術支持的「2026雲湧智生：臺灣生成式AI應用黑客松競賽」【1111人力銀行：智慧求職】組的「二分搜不到未來」團隊，正是從這樣的使用經驗出發，結合地理位置圖譜與技能圖譜，希望讓求職搜尋更貼近真實的生活情境。

以GeoGraph圖譜跨越行政區界線

團隊最初從1111人力銀行的命題文件注意到「技能圖譜（Skill Graph）」概念，並以此作為最小可行性產品的核心，再逐步延伸到地理搜尋。團隊觀察，現行求職、訂房或旅遊平台多以行政區作為分類基礎，使用者一旦指定區域，系統通常只回傳該區內的結果；這種設計雖便於整理資料，卻未必反映真實的移動距離，位於行政區邊界的求職者往往因此錯過鄰近、通勤更短的職缺。

為突破這道界線，團隊提出GeoGraph地理位置圖譜，把不同區域之間的相鄰關係以圖形結構呈現。當指定區域內的合適職缺不足時，系統便能依地理關係向週邊延伸搜尋，不再把行政區當成無法跨越的邊界。這項設計的重點不在於單純增加結果數量，而是讓推薦範圍貼近求職者對距離與通勤的直覺，減少因行政區分類造成的資訊落差。

導入LLM讓非標準用語也能媒合

除了地理範圍，團隊也著手解決傳統關鍵字難以理解非標準用語的問題。系統透過大型語言模型（LLM）搭配系統提示詞進行語意推理，將使用者輸入的口語、縮寫或複合需求，轉換成可供檢索的職務概念。以團隊測試情境為例，當求職者輸入非標準詞彙時，傳統模型未必能建立明確對應，LLM卻能進一步推論該需求可能與物流、電商或特定平台的配送工作有關，再把相關職缺一併納入搜尋。

在競賽有限的時間與資源內，團隊也必須在系統完整度、成本與速度之間權衡。多人同步開發時，曾因部署時間差導致版本互相覆蓋，得額外處理環境與版本控管問題；若對所有職缺都以LLM提取技能資訊，又會墊高API成本與處理時間，因此部分資料仍以傳統自然語言處理方式整理，未能在競賽期間全面套用生成式AI。

團隊表示，這次參賽讓他們更深刻體會到，AI工具雖已普及，真正拉開差距的仍是問題定義、資料整理與系統設計；未來若能將實際距離、交通路線與通勤時間一併納入，職缺推薦將更貼近求職者的日常選擇，也讓GeoGraph的價值更完整呈現。