從技術(shù)突破邁向產(chǎn)業(yè)落地，在政策賦能和全球合作的大背景下，“中國(guó)式方案”憑借獨(dú)特的“技術(shù) + 場(chǎng)景 + 生態(tài)”模式，正深刻改寫(xiě)著全球科技產(chǎn)業(yè)版圖。在這一關(guān)鍵節(jié)點(diǎn)，行業(yè)面臨著兩個(gè)核心命題：一是“中國(guó)式方案”怎樣持續(xù)深化賦能千行百業(yè)；二是中國(guó)的AI企業(yè)如何重構(gòu)“場(chǎng)景化智能”的邊界。

8月27日，由36氪與中歐國(guó)際工商學(xué)院聯(lián)合主辦的2025 AI Partner百業(yè)大會(huì)在北京中關(guān)村軟件園盛大舉行。本次大會(huì)以“中國(guó)式方案”為主題，分為“中國(guó)式方案”和“誰(shuí)來(lái)定義下一個(gè)人工智能時(shí)代”兩大篇章，圍繞“中國(guó)式創(chuàng)新的黃金時(shí)刻”“超級(jí)智能體能否成為下一代AI的核心形態(tài)”“中國(guó)式方案重塑世界科技競(jìng)爭(zhēng)格局”“AI + 千行百業(yè)融合創(chuàng)新的繁榮景象”四大話題，全面呈現(xiàn)了中國(guó)AI的最新突破與生態(tài)體系，分享了中國(guó)式AI的成長(zhǎng)路徑和未來(lái)前景，探索了中國(guó)式方案的創(chuàng)新模式。

當(dāng)天，科銳國(guó)際CTO劉之帶來(lái)了《AI + 人力資源：從技術(shù)概念到場(chǎng)景落地的實(shí)踐路徑》的主題分享。

以下是演講內(nèi)容，經(jīng)36氪整理編輯：

各位嘉賓：

大家好！今天我想和大家探討“AI + 人力資源”，具體介紹科銳國(guó)際在人力資源賽道上的內(nèi)部實(shí)踐。目前科銳暫未向客戶提供AI產(chǎn)品，主要將AI應(yīng)用于內(nèi)部運(yùn)營(yíng)與產(chǎn)業(yè)互聯(lián)網(wǎng)平臺(tái)，所以這次我會(huì)重點(diǎn)分享我們?cè)诼涞剡^(guò)程中遇到的問(wèn)題、如何聚焦痛點(diǎn)，以及技術(shù)方案的選型思路。

當(dāng)下AI浪潮澎湃，各類技術(shù)不斷涌現(xiàn)，讓人目不暇接。我覺(jué)得，在合適的時(shí)間選擇正確的技術(shù)并與業(yè)務(wù)場(chǎng)景相結(jié)合，是AI落地的關(guān)鍵。

先簡(jiǎn)單介紹一下科銳國(guó)際：我們是一家有29年歷史的企業(yè)，核心業(yè)務(wù)是招聘，涵蓋從獵頭到招聘流程外包（RPO）、靈活用工的全鏈條人才解決方案，既有線下服務(wù)，也有產(chǎn)業(yè)互聯(lián)網(wǎng)平臺(tái)。作為全球化公司，我們?cè)谌蛟O(shè)有160多個(gè)分支機(jī)構(gòu)，均以招聘為核心業(yè)務(wù)。

兩年半前GPT問(wèn)世后，我們內(nèi)部高度重視，認(rèn)為這是招聘行業(yè)的重大機(jī)遇。招聘賽道細(xì)分眾多，藍(lán)領(lǐng)與白領(lǐng)、不同層級(jí)崗位面臨的問(wèn)題差異很大。當(dāng)時(shí)我們主要聚焦中高端招聘，這也是公司運(yùn)營(yíng)近30年來(lái)的核心優(yōu)勢(shì)領(lǐng)域，我們發(fā)現(xiàn)中高端招聘業(yè)務(wù)存在三大痛點(diǎn)：

第一，市場(chǎng)變化迅速。過(guò)去一個(gè)賽道的迭代周期是1 - 2年，現(xiàn)在縮短至3 - 6個(gè)月。比如去年熱門的AI硬件、智能硬件，今年就轉(zhuǎn)向了自動(dòng)駕駛和Agent。隨著賽道的快速變化，市場(chǎng)選擇變得尤為重要。

第二，崗位知識(shí)密度高。很多人認(rèn)為獵頭只是“撮合候選人與客戶”，其實(shí)并非如此。比如幫具身智能企業(yè)招聘“感覺(jué)系統(tǒng)、觸覺(jué)系統(tǒng)”相關(guān)人才時(shí)，顧問(wèn)必須深入了解技術(shù)細(xì)節(jié)，才能精準(zhǔn)匹配，這要求顧問(wèn)具備極高的專業(yè)知識(shí)與信息儲(chǔ)備。我們的顧問(wèn)從入職到完全勝任崗位，需要兩年多時(shí)間，知識(shí)儲(chǔ)備難以跟上市場(chǎng)變化。

第三，崗位職能劃分更細(xì)。前幾年國(guó)內(nèi)技術(shù)崗位大致分為開(kāi)發(fā)、測(cè)試、運(yùn)維三類，如今隨著產(chǎn)業(yè)鏈加速迭代，職能細(xì)分更加精細(xì)。僅互聯(lián)網(wǎng)開(kāi)發(fā)領(lǐng)域，職能劃分就有近20類，對(duì)招聘的精準(zhǔn)度提出了更高要求。而大模型，恰好為解決這些痛點(diǎn)提供了可能。

我們的核心目標(biāo)是：構(gòu)建一套能整合“區(qū)域行業(yè)、線上線下、增量存量”的客戶、職位、人才、顧問(wèn)的高效匹配系統(tǒng)。數(shù)字化轉(zhuǎn)型中常說(shuō)，傳統(tǒng)ERP管理企業(yè)內(nèi)部資源，數(shù)字化轉(zhuǎn)型的ERP要做“生態(tài)資源規(guī)劃”。若能將科銳內(nèi)部資源、外部合作資源、行業(yè)生態(tài)資源整合，通過(guò)技術(shù)實(shí)現(xiàn)精準(zhǔn)匹配，效率必將大幅提升。比如科銳過(guò)去主要服務(wù)外企、大型企業(yè)，如今拓展區(qū)域市場(chǎng)，需要了解不同城市的招聘需求與客戶情況，這其中“數(shù)據(jù)”和“匹配技術(shù)”尤為關(guān)鍵。

招聘領(lǐng)域的匹配技術(shù)多種多樣：針對(duì)藍(lán)領(lǐng)，行為推薦（無(wú)需依賴簡(jiǎn)歷，通過(guò)候選人瀏覽的招聘需求等行為做匹配）較為常用；針對(duì)人事、財(cái)務(wù)、法律等變化較小的垂類崗位，用標(biāo)簽或知識(shí)圖譜即可滿足需求。但科銳專注的技術(shù)招聘，崗位變化快、崗位非常細(xì)分，傳統(tǒng)的匹配技術(shù)無(wú)法勝任。通過(guò)推理大模型能夠在一定程度上解決人崗匹配的問(wèn)題，但我們的人才庫(kù)規(guī)模龐大，有近千萬(wàn)的人才數(shù)據(jù)，再加上生態(tài)合作伙伴數(shù)據(jù)，靠大模型進(jìn)行人崗匹配速度太慢。所以如何結(jié)合大模型突破匹配難題，成為我們的核心課題。

大模型與企業(yè)內(nèi)部數(shù)據(jù)結(jié)合，常見(jiàn)有三種方式，但都存在局限：一是微調(diào)，小問(wèn)題易適配但智能化水平低，大模型微調(diào)易出現(xiàn)“遺忘”；二是上下文學(xué)習(xí)（提示語(yǔ)），雖最長(zhǎng)提示語(yǔ)可達(dá)100萬(wàn)token，但有效注意力長(zhǎng)度有限，難以滿足科銳龐大的數(shù)據(jù)需求；三是RAG，RAG的核心在于Embedding模型，但通用的Embedding模型在我們的場(chǎng)景中效果很差。

為此，兩年前我們利用大模型、Embedding技術(shù)等構(gòu)建了我們的匹配系統(tǒng)。它有四大核心技術(shù)亮點(diǎn)：

混合系統(tǒng)（Hybrid）：如果只采用Embedding模型，雖然能提高相關(guān)性，但很多時(shí)候需要匹配出來(lái)的內(nèi)容要能精確包含某一部分的內(nèi)容。Hybird平衡精確性與相關(guān)性，既解決關(guān)鍵字精準(zhǔn)搜索需求，也兼顧語(yǔ)義匹配的相關(guān)性。

1TB訓(xùn)練數(shù)據(jù)：在CRE的訓(xùn)練過(guò)程中，我們發(fā)現(xiàn)匹配能力也具備ScalingLaw。所以我們也在加大模型的參數(shù)量和訓(xùn)練數(shù)據(jù)。當(dāng)然，數(shù)據(jù)需要是有效的，而不是單純追求數(shù)量。不同的數(shù)據(jù)混合比例、質(zhì)量以及訓(xùn)練順序都會(huì)影響模型的性能。

CRE模型（科銳招聘Embedding模型）：過(guò)去兩年多，我們實(shí)現(xiàn)了在PJBenchmark評(píng)估集上從20分到74分的突破。最近的CRE1.1版本更是實(shí)現(xiàn)了60%的匹配效率提升。CRE模型可以看成是一個(gè)壓縮了的知識(shí)庫(kù)，能夠減少顧問(wèn)對(duì)崗位知識(shí)的學(xué)習(xí)時(shí)間。

RT （Refine - Thought）推理方法：我們發(fā)現(xiàn)Decoder架構(gòu)的Embedding模型，在推理時(shí)只要多進(jìn)行一次前向傳播，就可以讓Embedding模型激發(fā)出一定的推理能力。RT類似人類的“多想一次”。

MatchSystem基于一個(gè)基礎(chǔ)認(rèn)知：AI落地中，大模型獲取企業(yè)數(shù)據(jù)的精確程度，直接決定了AI落地的下限。

當(dāng)前AI技術(shù)迭代迅速，像MCP等概念不斷涌現(xiàn)，很多人認(rèn)為“大模型鏈接企業(yè)內(nèi)部數(shù)據(jù)很容易”，其實(shí)并非如此。以MCP為例，若未經(jīng)過(guò)模型學(xué)習(xí)，僅靠零樣本（no shot）或少樣本（few shot）調(diào)用，工具調(diào)用率和工具準(zhǔn)確調(diào)用率均不高。這在企業(yè)應(yīng)用中極為致命，比如Agent無(wú)法判斷何時(shí)調(diào)用、如何調(diào)用內(nèi)部數(shù)據(jù)接口，會(huì)直接影響落地效果。

除了匹配系統(tǒng)，再重點(diǎn)介紹一下我們正在研發(fā)的CRE - T1推理Embedding模型。以“招聘有0 - 1經(jīng)驗(yàn)的Mass產(chǎn)品經(jīng)理”為例，傳統(tǒng)Embedding模型僅能通過(guò)語(yǔ)義匹配，無(wú)法判斷候選人是否有創(chuàng)業(yè)經(jīng)歷、是否具備產(chǎn)品成功上市經(jīng)驗(yàn)，缺乏多證據(jù)推理。過(guò)去依賴對(duì)比學(xué)習(xí)的模型，更側(cè)重語(yǔ)義的相關(guān)性（如“中午去組個(gè)局”與“中午一起吃飯”的語(yǔ)義關(guān)聯(lián)）。但在Agent與企業(yè)內(nèi)部數(shù)據(jù)交互時(shí)，需要大量反復(fù)地獲取數(shù)據(jù)并進(jìn)行推理。這不僅token消耗高、耗時(shí)久，結(jié)果還不準(zhǔn)確。

今年Meta、字節(jié)、阿里先后推出具有一定推理能力的Embedding模型來(lái)應(yīng)對(duì)Agent時(shí)代的訪問(wèn)內(nèi)部數(shù)據(jù)的需求。我們正在研發(fā)的CRE - T1模型做了創(chuàng)新突破，放棄了傳統(tǒng)對(duì)比學(xué)習(xí)，采用強(qiáng)化學(xué)習(xí)。通過(guò)細(xì)粒度的信用分配，將獎(jiǎng)勵(lì)歸因到Token級(jí)別。在推理時(shí)，對(duì)query進(jìn)行更多的計(jì)算。過(guò)去Embedding模型僅能在排序中體現(xiàn)相關(guān)性，無(wú)法單獨(dú)對(duì)“一份簡(jiǎn)歷 + 一個(gè)崗位”做精準(zhǔn)匹配的直接相關(guān)性計(jì)算。我們先訓(xùn)練出具備相關(guān)性的Reranker獎(jiǎng)勵(lì)模型，再引導(dǎo)模型去精確地打分。

最后分享一些AI落地的干貨思考。從傳統(tǒng)大模型到推理大模型，再到Agent大模型。從提示語(yǔ)的寫(xiě)法上，早期傳統(tǒng)大模型強(qiáng)調(diào)精確描述生成的結(jié)果，有了推理大模型后提示語(yǔ)可以不用寫(xiě)得那么精確。而Agent時(shí)代的大模型，也被稱為L(zhǎng)AM大規(guī)模動(dòng)作模型。它更強(qiáng)調(diào)“為解決問(wèn)題而生”，核心是構(gòu)建“問(wèn)題空間”。構(gòu)建問(wèn)題空間時(shí)，需明確三大要素：初始狀態(tài)(現(xiàn)狀)、目標(biāo)狀態(tài)(目標(biāo))、最優(yōu)問(wèn)題解決策略(關(guān)鍵路徑)。通過(guò)推理大模型的思維鏈自動(dòng)產(chǎn)生“問(wèn)題空間”，或者詳細(xì)描述“問(wèn)題空間”。

比如“5小時(shí)內(nèi)從北京到上?！薄Ｍ评泶竽Ｐ偷乃季S鏈會(huì)先自動(dòng)厘清目標(biāo)（5小時(shí)抵達(dá)）、現(xiàn)狀（出發(fā)時(shí)間、地點(diǎn)），再通過(guò)生成—檢驗(yàn)的問(wèn)題解決策略去分析高鐵、飛機(jī)等選項(xiàng)對(duì)比。因?yàn)檫@類問(wèn)題很清晰，所以采用的問(wèn)題解決策略也相對(duì)簡(jiǎn)單。人解決問(wèn)題時(shí)，常依賴經(jīng)驗(yàn)選擇最優(yōu)策略（如目標(biāo)手段分析、爬山法），問(wèn)題定義越清晰，人的認(rèn)知消耗越低；反之則消耗越高。

我們?cè)谘芯窟^(guò)程中有一個(gè)洞察：思考語(yǔ)言和隱性思維的關(guān)系。語(yǔ)言不僅是交流工具，更是引導(dǎo)思維和保持注意力的一種方式。例如我們?nèi)粘Ｋ伎紩r(shí)會(huì)使用“內(nèi)語(yǔ)”，也就是自己和自己說(shuō)話。內(nèi)語(yǔ)能幫助聚焦注意力、梳理思維鏈。

目前科銳內(nèi)部的自主決策的Agent仍在內(nèi)測(cè)。我們提出了兩個(gè)關(guān)鍵評(píng)估指標(biāo)：“問(wèn)題清晰度”（目標(biāo)、現(xiàn)狀、關(guān)鍵路徑是否明確）與“費(fèi)力度”（解決問(wèn)題需投入的精力）。根據(jù)此劃分業(yè)務(wù)場(chǎng)景，比如“高清晰度、低費(fèi)力度”場(chǎng)景，更側(cè)重解決問(wèn)題的速度，強(qiáng)調(diào)Agent比人類做得要快；“低清晰度、高費(fèi)力度”場(chǎng)景，則需強(qiáng)化記憶與注意力管理，更強(qiáng)調(diào)解決人類無(wú)法解決的問(wèn)題。在此基礎(chǔ)上，結(jié)合細(xì)分場(chǎng)景的發(fā)生概率，可以幫助我們精準(zhǔn)定位業(yè)務(wù)痛點(diǎn)。集中力量解決一個(gè)細(xì)分場(chǎng)景，才能避免AI落地淪為“Demo秀”。

在Agent產(chǎn)品設(shè)計(jì)上，需要更多參考符號(hào)人工智能和認(rèn)知心理學(xué)的信息加工理論。先明確“處理層(包括感知模塊、認(rèn)知模型與行動(dòng)模塊)與工具與記憶層”的認(rèn)知架構(gòu)，再進(jìn)行技術(shù)選型。我們認(rèn)為多智能體是一個(gè)技術(shù)術(shù)語(yǔ)，在產(chǎn)品上應(yīng)該更強(qiáng)調(diào)“數(shù)字分身”。正如近期政府文件提及的“未來(lái)探索Agent上崗”，我們也希望讓我們的招聘數(shù)字分身能盡早上崗。

以上就是我的分享，謝謝大家！

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請(qǐng)?jiān)谖闹凶⒚鱽?lái)源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請(qǐng)及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com