別再傻等履歷了!YC獨角獸CEO揭密:招募的真相,是一場你必須主動出擊的「人才陌生開發」

別再傻等履歷了!YC獨角獸CEO揭密:招募的真相,是一場你必須主動出擊的「人才陌生開發」

新創公司最大的挑戰是什麼?除了找客戶、找資金,更致命的是「找人」。在這場與Google、OpenAI等科技巨頭的「人才戰爭」中,新創公司往往處於劣勢。然而,Y Combinator支持的AI招募平台Juicebox共同創辦人兼CEO David Paffenholse提出了一個顛覆性的觀點:招募的本質並非被動等待,而是一場需要精密策略的「陌生開發業務(Outbound Sales)」。本文將深度解析他如何將銷售漏斗的思維,應用於獵捕最頂尖的人才。

Paffenholse指出,人才市場可分為三大板塊: 1. 科技巨頭(Big Tech):提供極具吸引力的薪酬和穩定性,但工作節奏慢、個人影響力有限。 2. 成長期公司(Growth Stage):如Stripe、OpenAI,薪資有可預測的增長潛力,但組織已有一定結構,員工較難直接與創辦人合作。 3. 早期新創(Your Startup):提供最大的股權潛在回報與影響力,能直接塑造公司文化與產品,但風險也最高,股票歸零的可能性極大。

「最好的求職者根本不會主動申請工作,他們早已在別處發光發熱。」Paffenholse強調,一個頂尖工程師的LinkedIn信箱,每天都塞滿了來自各方的招募訊息。如果你只是被動地張貼職缺,等同於在紅海中等待一條不會上鉤的魚。

更重要的是,公司的未來掌握在最初的幾位員工手中。「企業文化是由前10名員工定義的。」因此,早期招募的每一位成員,都將決定公司未來的速度、文化與走向。

停止等待,主動出擊:將「招募」視為一場陌生開發

Paffenholse的核心論點是,創辦人必須像對待第一批客戶一樣,用銷售的思維來招募人才。這套流程可以拆解為:

  • 開發潛在客戶 (Prospecting):主動搜尋(Sourcing)符合條件的人才。
  • 陌生開發 (Cold Outreach):透過個人化的Email或私訊與他們建立聯繫。
  • 管理銷售漏斗 (Pipeline Management):追蹤從接觸、面試到錄取的每個轉換節點。

「我們在公司早期專注於打磨陌生開發的銷售流程,當我們轉向招募時,也應該投入同樣的心力與關注。」這意味著,創辦人不能再把招募視為人資部門的工作,而是親自下場的銷售戰役。

如何精準鎖定你的「潛在客戶」?工程師與業務的獵才秘訣

針對新創公司最急需的兩種角色——業務主管(AE)與軟體工程師(SWE),Paffenholse提供了具體的搜尋策略:

尋找頂尖業務主管(AE)的訊號:

  1. 鎖定業績指標:在他們的LinkedIn上尋找「140% quota attainment」(業績達成率140%)或「President's Club」(總裁獎)等關鍵字。
  2. 觀察內部晉升速度:在同一家公司內,從SDR(業務開發代表)快速晉升為AE或資深AE,代表其能力受到內部認可。
  3. 尋找相關產業經驗:如果他們曾銷售過類似的產品或面對相同的客戶群,上手速度會快得多。

尋找頂尖軟體工程師(SWE)的訣竅:

  1. 挖掘獨特優勢:利用創辦人自身的背景,例如「我是德國人,所以我優先聯繫在灣區工作的德國工程師。」這種個人連結能大幅提高成功率。
  2. 尋找「創業者特質」:關注那些有個人專案(Side Project)、曾有創業經驗或對開源專案有貢獻的人。這類人通常具備新創需要的自主性與解決問題的能力。
  3. 深入特定社群:積極進入Slack群組、Discord論壇或GitHub,這些地方是傳統招募平台之外的人才金礦。

讓回應率飆升40%的陌生開發信秘訣

找到人只是第一步,如何讓他們願意回覆你才是關鍵。Paffenholse分享的數據顯示,一般來說,陌生開發信的回應率在10-20%之間就算不錯。然而,真正重要的是「感興趣率(Interested Rate)」,也就是表達正面意願的回覆。

Juicebox的客戶中,有些公司能做到超過40%的回應率,秘訣在於:

  • 極致的個人化:「花五分鐘客製化每一封信,絕對值得。你會接觸到那些原本絕不會回覆你的人。」提及他們過去的專案、共同的連結,或你欣賞他們的地方。
  • 多管道、多步驟接觸:不要只寄一封Email就放棄。設計一個包含2-3封Email加上LinkedIn私訊的自動化序列,持續跟進。
  • 創辦人親自出馬:「所有招募信都應該由創辦人發出,這會帶來最高的衝擊力。」
  • 建立信任感:在信中提及公司的成長動能、知名客戶或近期融資消息,證明你的公司值得他們冒險。

面試流程大翻轉:先「銷售」,再「評估」

「我看到創辦人最常犯的第一個錯誤,就是在第一通電話裡,他們只在『面試』候選人,而不是在『銷售』公司。」Paffenholse強調,順序必須完全顛倒。

第一場面談的唯一目的,是點燃候選人對公司願景的熱情。你應該像對待投資人一樣,分享你的故事、熱情與未來藍圖。同時,這也是一個蒐集情報的機會:他們為什麼對你的公司感興趣?他們還在跟哪些公司談?這些資訊將成為你後續「成交」的籌碼。

直到第二輪,才進入實質評估階段,例如讓AE模擬銷售你的產品,或讓工程師進行實作測驗。

終極武器:用「速度」贏得人才

新創公司對抗巨頭的最大優勢就是「速度」。

大型企業的招募流程可能長達數月,而新創公司應該將整個流程壓縮在7到14天內完成。清楚地告知候選人下一步是什麼,並在每次面談後迅速安排下一個環節。這種高效與果斷,本身就是一種強大的吸引力。

總結

在人才極度稀缺的時代,被動等待等於宣告失敗。創辦人必須將招募視為公司的核心業務,像頂尖業務員一樣主動出擊。從精準鎖定目標、 crafting 個人化的開發信,到在面試中先銷售願景,並用速度擊敗對手,這套「人才陌生開發」的思維,將是新創公司在這場戰爭中唯一能打出的王牌。

你的招募流程,還停留在被動等待的階段嗎?

參考資料:How Startups Can Win the Talent War

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin