有些需求一提出来就知道不好办：「要找一个既懂材料、又懂临床的」「既做过机器学习又懂临床的医生」「有没有研究过这个方向的社会科学背景的人」。这类需求难在两点：一是你不太清楚这类人通常挂在哪个单位、哪个学科下；二是就算想到一两个，也不确定是不是还有别的。
找人这件事，换个思路会好办很多：不先想「谁合适」，而先圈定「哪些方向可能有人」。 MuchSci 的人才画像撑起的就是这条路——它把公开可查的履历与成果摆成结构化字段，让"跨不跨"这个问题从感觉变成可核对的事。这篇就讲这条路怎么走。
01 从一个方向拆成两半
先看流程。
▲ 图 1｜第 3 步是关键：跨学科的人往往在两个方向的名单里都留着痕迹
第一步是把方向拆开。 「既懂 A 又懂 B」不是一个能直接检索的描述——它描述的是一个人的组合特征，而不是任何一个可检索的口径。把它拆成两个独立方向，每个方向才有可操作的研究领域描述。
第二步是各自找候选，两个方向分别拉名单，不要求一次找全。这一步的预期要放低：不是要找十个人，而是把两个方向的活跃人群摸出来。
第三步取交集，是这条路上最关键的一步。跨学科的研究者通常在两个方向上都留有痕迹——论文挂在其中一个方向下，项目挂在另一个方向下。两个名单里都出现的人，值得优先核对。
第四步是补单个专家，找出那些只在一个方向的名单里出现、但档案里有明显跨领域迹象的人——比如教育背景是 A 方向、任职单位是 B 领域的机构。第五步核对归属，确认研究方向与在研项目是不是真的对得上，避免"看起来跨、实际不跨"。
02 凭印象找，和按方向交叉找
两条路都能走到人，差别在覆盖范围和可解释性。
▲ 图 2｜同一个目标，两种找法的差别在于「先想到谁」还是「先圈定范围」
凭印象找的起点是"先想到某个具体的人"，它的覆盖面受限于你认识谁。在内部小范围里推荐人，这种做法效率很高；但要跨机构、跨学科找一批人，它漏掉的往往比找到的还多——你不认识的人，直接就漏掉了。
按方向交叉的起点是"先圈定两个方向的范围"，覆盖面由方向决定，不受人脉限制。两个方向都过一遍，遗漏会明显减少。更实际的好处是可解释性：你能说出这个人落在哪几个方向下，而不是"我觉得他应该行"。
两种做法其实不冲突。务实的方式是：先用方向交叉圈出一批候选，再用印象补充几个，把覆盖面和人脉都用上。
03 跨学科匹配，要在字段之间找关系
单一方向的匹配，看一个字段就够；跨学科要在几个字段之间建立联系。
▲ 图 3｜跨学科的判断依据通常藏在「经历」和「成果」里，而不是「研究领域」那一栏
方向字段是第一层：研究领域是按什么口径描述的，两个方向的口径能不能对上。这一层决定了初步筛选的范围。
经历字段是第二层，也是跨学科判断的真正落点。教育背景的专业、任职单位的性质、甚至跨单位流动的轨迹，都可能在档案里留下"接触过另一个方向"的痕迹。很多人研究领域只写了一个方向，但经历里能看出他跨过界。
成果字段是第三层：主持项目与学术贡献是否横跨两个方向。这一层最硬——项目名称和学术贡献是实打实的记录，比研究领域的表述更能说明问题。
两层叠起来看，才能比较有把握地判断"这个人是不是既懂 A 又懂 B"。这也是 MuchSci 把研究领域、教育背景、任职履历分成三张表来存的原因——跨学科的线索从来不是哪一栏单独写得出来的，它藏在栏目之间的落差里。
04 界面：方向与经历都摆在明面上
这套判断依赖的字段，在档案里是分开放的。
▲ 图 4｜研究领域与教育背景分开呈现，跨领域的痕迹一眼能看出
基本情况里单列了"研究领域"这一栏，而受教育情况是独立的一张表——学校、专业、结果按时间排列。两者放在一起看，就能发现"研究领域是 A、教育专业是 B"这类信号。
任职履历这一块对跨学科找人尤其有用：
▲ 图 5｜任职履历能看到单位与职务的变化轨迹，跨单位流动是可观察的信号
单位性质的变化、职务类型的切换，往往暗示研究方向的迁移或交叉。这些信息在"一段式的简介"里通常会被抹平，但按时间和单位拆开成表之后，就变成了可以逐行比对的依据。
05 边界
① 本篇讲找人的思路与可用字段，不构成效果承诺。能否找到合适的人取决于公开资料的可得性与覆盖范围；跨学科组合往往是小众群体，公开资料的完整程度参差不齐。
② 字段能对上，不等于人合适。档案整理的是公开资料，不构成对任何人的能力评价、推荐或背书；研究领域与经历的对齐只是筛选线索，最终判断须由使用者自行核实并承担责任。
③ 只使用公开资料。 不涉及个人隐私数据；用于评审、招聘等正式用途时，以相关单位现行规定与程序为准。