अध्याय २ · खण्ड III · 16 मिनेट
बूलियन खोजी र उम्मेदवार पुल निर्माण
राम्रो बूलियन स्ट्रिङ तपाईंले बनाउने सबैभन्दा सस्तो स्रोत-खोजी लिवरेज हो — र AI एक लेख्न साँच्चै उपयोगी छ, बशर्ते तपाईंले हरेक क्लज व्याख्या गर्न लगाउनुहोस् ताकि पुनः नसोधी समायोजन गर्न सक्नुहोस्।
नेपालमा अधिकांश स्रोत खोजी उही पचास जना हुन्। काठमाडौंमा दुई वर्ष भन्दा बढी टेक रोल भर्ती गरेका कसैले प्रतिस्पर्धीले निकाल्ने उम्मेदवारको नाम भन्न सक्छन् — खल्ती, eSewa, Cotiviti, Leapfrog, Logpoint, F1Soft, Deerwalk का वरिष्ठ इन्जिनियर, साना एजेन्सीका स्पष्ट मध्यम-तहका मानिस, गत दुई नेपाली डेभलपर कार्यक्रमका सम्मेलन वक्ता। पुल थाकेको जस्तो लाग्छ किनकि खोजी थाकेकी छ। उही बूलियन स्ट्रिङ (“backend engineer” Kathmandu Go OR Java) ले हरेक कम्पनीका लागि हप्ता-हप्ता उही मानिसमा हिर्काउँछ। AI ले अन्तर्निहित समस्या समाधान गर्दैन — नेपालमा माग भन्दा कम इन्जिनियर छन् — तर राम्ररी प्रयोग गर्दा, स्पष्ट पचाई बाहिर खोजी विस्तार गर्छ, र अधिकांश नेपाली भर्तीकर्तासँग नभएको कुरा बनाउन दिन्छ: साँचो, व्यवस्थित, खोजी-योग्य उम्मेदवार पुल जहाँ तपाईं अर्को त्रैमासिकमा फर्किन सक्नुहुन्छ।
व्याख्यासहितको बूलियन — एकमात्र प्रयोगयोग्य बूलियन प्रम्प्ट
सरल प्रम्प्ट — “काठमाडौंको ब्याकएन्ड इन्जिनियरका लागि बूलियन खोजी दिनुहोस्” — ले सिन्ट्याक्टिकली मान्य स्ट्रिङ दिन्छ जुन तपाईंले समायोजन गर्ने तरिका छैन। चलाउनुहुन्छ, ८०० नतिजा आउँछन्, मध्यम-तहमा साँघुर्याउन चाहनुहुन्छ, र पुनः प्रम्प्ट गर्नुपर्छ। म्यानेजर बहिष्कार गर्न चाहनुहुन्छ, पुनः प्रम्प्ट गर्नुपर्छ। पोखरा थप्न चाहनुहुन्छ, पुनः प्रम्प्ट गर्नुपर्छ। हरेक राउन्ड नयाँ कुराकानी; मोडेलसँग किन के समावेश गर्यो भन्ने स्मरण छैन, र तपाईंसँग कुन क्लजले के काम गर्दैछ भन्ने जान्ने तरिका छैन।
काम गर्ने ढाँचा हो व्याख्यासहित बूलियन प्रम्प्ट। तपाईंले मोडेललाई केवल स्ट्रिङ होइन, हरेक क्लजको एक-लाइन छोटो व्याख्या पनि सोध्नुहुन्छ। अब तपाईं स्ट्रिङ पढ्न, कुन क्लजले तपाईं चाहेको फिल्टरिङ गर्दैछ र कुनले तपाईंले लिने उम्मेदवारलाई फिल्टर गर्दैछ बुझ्न, र आफै समायोजन गर्न सक्नुहुन्छ — मोडेलमा फर्किनुपर्दैन।
प्रम्प्ट यस्तो देखिन्छ:
नेपालमा आधारित मध्यम-तहको ब्याकएन्ड इन्जिनियरका लागि LinkedIn X-Ray बूलियन खोजी जेनेरेट गर्नुहोस्।
अनिवार्य: ब्याकएन्डको ३–६ वर्ष अनुभव, Go, Java, वा Python मध्ये कम्तीमा एकमा सहजता, हाल नेपालमा बसोबास (कुनै सहर, काठमाडौं मात्र होइन)। राम्रो हुने: भुक्तानी क्षेत्र, माइक्रोसर्विसेज, AWS वा GCP। बहिष्कार: हालको पदमा “manager”, “director”, “head of”, वा “VP” भएका कोही पनि। स्पष्ट विद्यार्थी र इन्टर्न बहिष्कार। विचार गर्ने पर्यायवाची: “backend engineer”, “backend developer”, “server-side engineer”, “platform engineer”।
आउटपुट ढाँचा: १. पूरा बूलियन स्ट्रिङ। २. हरेक क्लज व्याख्या गर्ने बुलेट सूची — के समावेश गर्छ, के बहिष्कार गर्छ, र क्लज कति प्रतिबन्धात्मक छ अनुमान। ३. दुई वैकल्पिक स्ट्रिङ — एउटा फराकिलो (बढी नतिजा, कम सटीक), एउटा कसिलो (कम नतिजा, बढी सटीक)।
आउटपुट साँच्चै उपयोगी छ। तपाईंले देख्न सक्नुहुन्छ — ("backend" OR "server-side") क्लजले अधिकांश काम गर्दैछ, -"intern" बहिष्कार सस्तो छ, र ("Nepal" OR "Kathmandu" OR "Lalitpur" OR "Pokhara") थप्दा केवल "Nepal" भन्दा तीखो साँघुर्याउँछ। तपाईंले स्ट्रिङमै क्लज मेटेर वा फेरेर समायोजन गर्नुहुन्छ, च्याट पुनः खोलेर होइन। तीन-चार रोलपछि तपाईंले बूलियन जेनेरेट गर्न मोडेल प्रयोग गर्न छोड्नुहुन्छ र तपाईंले नसोचेका पर्यायवाची थप्न मात्र प्रयोग गर्न थाल्नुहुन्छ।
समयक्रममा तपाईंले बनाउने पुल
नेपालका अधिकांश भर्तीकर्तासँग उम्मेदवार पुल छैन। उनीहरूसँग अन्तिम बन्द गरेको रोलका CV को फोल्डर, र “फेब्रुअरीमा कुरा गरेको त्यो राम्रो फ्रन्टएन्ड डेभलपर” को अस्पष्ट सम्झना छ। अर्को रोल खुल्दा शून्यबाट सुरु — उही जब बोर्ड पोस्ट, उही LinkedIn खोजी, उही पचास मानिस।
साँचो पुल फरक हुन्छ। यो एउटा खोजी-योग्य रेकर्ड हो — स्प्रेडसिट, ATS, वा राम्ररी ट्याग गरिएको Notion डेटाबेस — जहाँ तपाईंले कहिल्यै भेटेका हरेक रोचक उम्मेदवार यी सहित कैद हुन्छन्:
- रोल (ब्याकएन्ड, फ्रन्टएन्ड, वित्त, कार्यक्रम म्यानेजर, आदि)
- स्तर (जुनियर, मध्यम, वरिष्ठ, लिड, हेड)
- स्थान (काठमाडौं उपत्यका, अन्य नेपाली सहर, डायस्पोरा, फर्केको डायस्पोरा)
- च्यानल (कहाँबाट भेट्टाउनुभयो — LinkedIn, Facebook, रेफरल, सम्मेलन, विश्वविद्यालय)
- स्थिति (रोलका लागि खुला, निष्क्रिय, “दुई वर्षसम्म होइन”, “सम्पर्क नगर्ने”)
- अन्तिम सम्पर्क (मिति र च्यानल)
- तपाईंले ध्यान दिएको एउटा विशिष्ट कुरा (वार्ता, पोस्ट, परियोजना, सिफारिस)
अन्तिम फिल्ड अधिकांश पुलमा छुट्ने हो। यो नभए छ महिनापछि उम्मेदवारलाई किन झन्डा लगाएको थियो सम्झन सकिँदैन — र अर्को आउटरिच फेरि सामान्य हुन्छ।
AI ले व्यवस्थापनमा सहयोग गर्छ, सामग्रीमा होइन। तपाईंले मोडेललाई सोध्न सक्नुहुन्छ: “गत त्रैमासिकमा मैले लिएका २० उम्मेदवार नोट यहाँ छन्। हरेकका लागि निकाल्नुहोस्: नाम, रोल, स्तर, स्थान अनुमान, स्थिति, र मैले देखेको एउटा विशिष्ट कुरा। CSV ढाँचामा फर्म्याट गर्नुहोस् जुन म मेरो पुलमा पेस्ट गर्न सकूँ।” मोडेल यस प्रकारको संरचनात्मक निकासमा उत्कृष्ट छ। उसले गर्न नसक्ने भनेको उम्मेदवारलाई भेट्ने हो; त्यो भाग अझै तपाईंकै हो।
एक वर्षमा स्रोत-केन्द्रित भर्तीकर्ताले साँचो पुल कायम राख्दा ३००–५०० ट्याग गरिएका उम्मेदवार जम्मा हुन्छन्। तेस्रो वा चौथो पटक उस्तै रोल खुल्दा, स्रोत खोजीको पहिलो घण्टा पुल खोज्ने हो, LinkedIn होइन। “हामी छ महिना अघि छोटो कुरा गरेका थियौं” उम्मेदवारलाई आउटरिचको जवाफ दर कोल्ड उम्मेदवारलाई भन्दा नाटकीय रूपमा उच्च हुन्छ। पुल जोडिँदै जान्छ।
AI ले पार गर्न नसक्ने नेपाली स्रोत खोजी वास्तविकता
स्रोत खोजीलाई मोडेलले समाधान गर्न सक्ने बूलियन समस्याको रूपमा हेर्न मन लाग्न सक्छ। नेपालमा, होइन। बूलियन स्ट्रिङले तपाईंले खोज्ने च्यानलमा पहिल्यै आफैं आएका उम्मेदवार मात्र खोज्छ। त्यो कभरेज एकदम असमान छ।
LinkedIn कभरेज काठमाडौं उपत्यका बाहिर आंशिक छ। इटहरी, बुटवल, वा धनगडीका वरिष्ठ ब्याकएन्ड इन्जिनियरले काठमाडौंका भन्दा सक्रिय LinkedIn प्रोफाइल राख्ने सम्भावना धेरै कम छ। केवल LinkedIn हेर्ने बूलियन खोजीले पूर्व र सुदूरपश्चिमको सम्पूर्ण प्रतिभा आधार चुपचाप बहिष्कार गर्छ। काम — ती उम्मेदवारलाई कुन च्यानलले पहुँच गर्छ थाहा पाउने (स्थानीय Facebook पेसागत समूह, क्षेत्रीय विश्वविद्यालय पूर्व-विद्यार्थी सञ्जाल, विराटनगर र पोखराका कलेज क्यारिअर प्लेसमेन्ट कार्यालय) — र ती च्यानल वर्णन गर्न र खोज्न AI प्रयोग गर्ने, ती छन् भन्ने थाहा पाउने कुराको प्रतिस्थापन गर्ने होइन।
Facebook समूहले SME, मध्यम-करियर, र प्रादेशिक प्रतिभाको ठूलो हिस्सा बोक्छ। Nepali Accountants Forum, HR Nepal, विभिन्न जिल्ला-स्तरीय पेसागत समूह, महिला-मात्र पेसागत समूह — यी कुनै X-Ray खोजीमा छैनन्। तपाईं जोडिनुहुन्छ, मापदण्ड अवलोकन गर्नुहुन्छ, पोस्ट गर्नुहुन्छ वा DM गर्नुहुन्छ। AI ले पोस्ट लेख्न र शैली अनुकूलन गर्न सहयोग गर्छ; समूह भेट्न सहयोग गर्दैन।
पेसागत WhatsApp र Viber समूह झन् बन्द छन्। प्रवेश रेफरलले हुन्छ। नेपालका सबैभन्दा सशक्त मध्यम-तहका CA र ACCA उम्मेदवारले WhatsApp समूहहरूमा भर्ती कुराकानी समन्वय गर्छन् जहाँ पहिल्यै नचिनिएको कुनै भर्तीकर्ता कहिल्यै जोडिँदैन।
डायस्पोरा र फर्केको प्रतिभा — बैङ्गलोर, दुबई, अष्ट्रेलिया, अमेरिका, बेलायतमा काम गर्ने नेपाली जो फर्किने विचार गर्न सक्छन् — साँचो र बढ्दो पुल हो, तर डायस्पोरा फेसबुक समूह, NRN सञ्जाल, पूर्व-विद्यार्थी Slack च्यानल, र Twitter/X मा छरिएका छन्। उनीहरूको LinkedIn प्रोफाइलले प्रायः हालको विदेशी नियोक्ता सूचीबद्ध गर्छ, त्यसैले नेपाल-आधारित बूलियनले उनीहरूलाई पूरै छुटाउँछ। काम — विश्वविद्यालय र पूर्व नियोक्ताबाट खोज्ने हो, हालको स्थानबाट होइन।
महिला-मात्र पेसागत सञ्जाल — Women Leaders in Technology, Women in IT Nepal, Women in Tourism, विभिन्न WhatsApp समूह — सामान्य च्यानलले महिलालाई कम स्रोत खोज्ने भएकाले विशेष रूपमा अस्तित्वमा छन्। केवल LinkedIn र केवल सामान्य समूह खोज्ने भर्तीकर्ताको परिणामी उम्मेदवार स्लेट पूर्व-निर्धारित रूपमा पुरुष-झुकाव हुन्छ। समाधान मोडेललाई “थप महिला भेट्टाउनुहोस्” भन्ने (सक्दैन, र अनुरोध नैतिक रूपमा शङ्कास्पद) होइन — महिला-मात्र च्यानल छन् थाहा पाउने र त्यहाँ सिधै स्रोत खोज्ने।
“काठमाडौंका उही पचास मानिस” को जाल बच्ने
नेपाली स्रोत खोजीमा सबैभन्दा ठूलो ढाँचा असफलता भौगोलिक र जनसाङ्ख्यिक केन्द्रीकरण हो — स्लेट पछि स्लेट उही काठमाडौं उपत्यकाका उही पाँच कम्पनीका इन्जिनियर, उही लाजिम्पाटका वित्त पेसाकर्मी, पाँच वर्षमा तीन संस्थाबीच फेरिएका उही INGO कार्यक्रम अधिकृत। पुल थाकेको जस्तो लाग्छ किनकि खोजी संरचनागत रूपमा साँघुरी छ।
अनुशासन — हरेक बूलियन र हरेक पुलमा छुटेका वर्ग स्पष्ट रूपमा समावेश गर्ने। प्रम्प्ट निर्देशन एक लाइनको हो: “मानक खोजीका अतिरिक्त, तीन थप बूलियन स्ट्रिङ जेनेरेट गर्नुहोस्: एउटा काठमाडौं उपत्यका बाहिरका उम्मेदवार (पोखरा, विराटनगर, बुटवल, धरान, इटहरी, वीरगन्ज, नेपालगन्ज, धनगडी) लाई लक्षित गर्ने, एउटा फर्केको डायस्पोरा (हाल भारत, खाडी, अष्ट्रेलिया, अमेरिका, वा बेलायतमा भएका नेपाली पेसाकर्मी जसको नेपालमा विश्वविद्यालय शिक्षा) लाई लक्षित गर्ने, र एउटा महिला-विशिष्ट पेसागत सञ्जाल र पूर्व-विद्यार्थी समूह लक्षित गर्ने।” मोडेलले एकको सट्टा चार स्ट्रिङ जेनेरेट गर्छ। तपाईं चारैवटा चलाउनुहुन्छ। उम्मेदवार स्लेट साइजमा दोब्बर र विविधतामा तेब्बर हुन्छ। पहिलो अन्तर्वार्ता राउन्डको चरित्र पूरै बदलिन्छ।
यो “विविधता पहल” फ्रेमिङ होइन। यो स्रोत-गुणस्तर फ्रेमिङ हो। फराकिलो भौगोलिक र जनसाङ्ख्यिक पुलबाट तानिएको स्लेटले विश्वसनीय रूपमा राम्रो भर्ती दिन्छ — किनकि पुल आफै ठूलो छ। बारम्बार छोइएको “उही पचास मानिस” पुलले पदहरू भर्छ तर सबैभन्दा उत्कृष्ट उपलब्ध उम्मेदवारले होइन — सबैभन्दा सजिलो उम्मेदवारले मात्र।
सार्वजनिक च्याटबटमा कहिल्यै नहाल्ने कुरा
अघिल्ला खण्डका उही नियम लागू हुन्छन्। बूलियन स्ट्रिङ जेनेरेट गर्दा वा पुल व्यवस्थापन गर्दा उम्मेदवार नाम, नियोक्ता, सम्पर्क विवरण, वा कुनै परिचायक जानकारी सार्वजनिक च्याटबटमा पेस्ट नगर्नुहोस्। रोल वर्णन प्रयोग गर्नुहोस्। तपाईंले लिएका उम्मेदवार नोटबाट संरचित डेटा निकाल्दा, पेस्ट गर्नुअघि परिचायक सम्पादन गर्नुहोस्, वा प्रशिक्षण-नगर्ने सम्झौता भएको इन्टरप्राइज खाता प्रयोग गर्नुहोस्। मोडेलले फिर्ता दिने CSV मा प्लेसहोल्डर नाम हुन सक्छन्; तपाईंले वास्तविक नाम स्थानीय रूपमा भर्नुहुन्छ।
आफ्नो बुझाइ जाँच्नुहोस्
छोटो जाँच
—एक स्रोत खोजकर्ताले AI लाई नेपालको मध्यम-तहको ब्याकएन्ड इन्जिनियरका लागि LinkedIn बूलियन स्ट्रिङ जेनेरेट गर्न भन्छन्। कुन प्रम्प्ट निर्देशनले सबैभन्दा उपयोगी आउटपुट दिन्छ — जुन स्रोत खोजकर्ताले मोडेललाई पुनः सोध्नु नपरी समायोजन गर्न सक्छ?
अब के पढ्ने
राम्ररी बनाइएको पुल र राम्ररी लक्षित आउटरिचले CV ल्याउँछ — हायरिङ म्यानेजरले ध्यानपूर्वक पढ्न सक्ने भन्दा धेरै CV। अर्को अध्याय स्क्रिनिङ बारे हो: कुनै ढाँचा-मेल प्रणालीमा बस्ने पक्षपात उत्तराधिकारमा नलिई आवेदनलाई इमानदार ढंगले छाँट्न AI कसरी प्रयोग गर्ने, र AI स्क्रिनिङले विशिष्ट केसमा प्रमुख टेम्प्लेटमा नमेल खाने उम्मेदवारलाई कसरी व्यवस्थित रूपमा दण्डित गर्छ — गैर-प्रथम-श्रेणी विश्वविद्यालय, करियर ब्रेकबाट फर्केकी महिला, असामान्य बाटो हिँडेका उम्मेदवार। स्क्रिनिङ अध्याय त्यहाँ हो जहाँ AI लापरबाहीले प्रयोग गर्ने दाव सबैभन्दा उच्च हुन्छ।