AI驱动人力资源新范式：科锐国际的落地实践与前瞻思考

2025年8月27日，由36氪与中欧国际工商学院联合举办的2025 AI Partner百业大会在北京中关村软件园隆重开幕。本届大会聚焦“中国式方案”核心主题，并划分为“中国式方案”与“谁来定义下一个人工智能时代”两大核心篇章。会议深入探讨了“中国式创新的黄金时刻”、“超级智能体能否成为下一代AI的核心形态”、“中国式方案重塑世界科技竞争格局”以及“AI+千行百业融合创新的繁荣景象”四大前沿议题，系统展示了中国人工智能领域的最新成果与生态布局，分享了本土AI成长轨迹与未来愿景，共同探寻中国式创新模式的独特路径。

在大会现场，科锐国际首席技术官刘之发表了题为《AI + 人力资源：从技术概念到场景落地的实践路径》的专题演讲。

以下内容根据刘之的演讲整理，并经36氪编辑发布：

尊敬的各位来宾：

大家好！今天我期待与各位深入交流“AI + 人力资源”这一主题，并具体介绍科锐国际在人力资源赛道内部的实践探索——目前，科锐国际尚未对外部客户提供成型的AI产品，而是将人工智能技术深度应用于内部运营与产业互联网平台构建。因此，本次分享将重点剖析我们在落地过程中遭遇的挑战、如何精准定位业务痛点，以及相关技术方案的选型逻辑。

当前AI技术浪潮澎湃，各类创新层出不穷，易令人目不暇接。我深信，在恰当的时机，选择正确的技术并将其与真实的业务场景深度融合，乃是AI成功落地的核心所在。

首先简要介绍科锐国际：我们是一家拥有近30年历史的企业，核心业务始终围绕招聘展开，服务范围涵盖猎头、招聘流程外包（RPO）、灵活用工等全链条人才解决方案，兼具线下服务与产业互联网平台。作为一家全球化公司，我们在全球设立了超过160个分支机构，均以招聘服务为核心。

自两年半前GPT模型问世以来，我们内部给予了高度关注，并认为这是招聘行业发展的重大机遇。招聘赛道细分领域众多，蓝领与白领招聘、不同层级岗位所面临的挑战差异显著。当时，我们核心聚焦于中高端招聘领域，这也是公司近30年运营积累的核心优势。我们发现，中高端招聘业务主要面临三大核心痛点：

第一，市场演进速度急剧加快。过去一个技术或行业赛道的迭代周期约为1至2年，如今已缩短至3到6个月——例如，去年备受关注的AI硬件、智能硬件领域，今年热点已转向自动驾驶和智能体（Agent）。随着赛道快速更迭，做出精准的市场选择变得至关重要。

第二，岗位所需知识密度极高。许多人认为猎头工作仅是“撮合候选人与客户”，实则远非如此。例如，在为具身智能企业招聘“感觉系统、触觉系统”相关人才时，顾问必须深入理解技术细节，方能实现精准匹配，这对顾问的专业知识与信息储备提出了极高要求。我们的顾问从入职到完全胜任岗位，通常需要两年以上时间，其知识储备往往难以跟上市场的飞速变化。

第三，岗位职能划分日趋精细化。前几年，国内技术岗位大致可分为开发、测试、运维三类，如今随着产业链加速演进，职能细分愈发精密——仅在互联网开发领域，职能划分就已接近20类，这对招聘的精准度提出了前所未有的高要求。而大模型技术的出现，恰好为破解这些痛点提供了新的可能性。

我们的核心目标是：构建一套能够高效整合“区域行业、线上线下、增量存量”的客户、职位、人才及顾问的智能匹配系统。在数字化转型的语境中，传统ERP系统管理企业内部资源，而数字化转型的ERP则致力于“生态资源规划”。若能通过技术手段，将科锐内部资源、外部合作资源乃至整个行业生态资源进行整合，并实现精准匹配，运营效率必将获得大幅提升。例如，科锐过去主要服务于外企和大型企业，如今正拓展区域市场，这就需要清晰把握不同城市的招聘需求与客户状况，其中“数据”与“匹配技术”扮演着关键角色。

招聘领域的匹配技术复杂多样：针对蓝领招聘，行为推荐（即不依赖简历，通过分析候选人浏览招聘需求等行为进行匹配）较为常用；针对人事、财务、法律等职能相对稳定的垂直类岗位，使用标签体系或知识图谱即可满足需求。然而，科锐所专注的技术类招聘，因其岗位变化快、细分程度高，传统匹配技术难以胜任。虽然推理大模型能在一定程度上解决人岗匹配问题，但我们的人才库规模庞大，拥有近千万量级的人才数据，若再纳入生态合作伙伴的数据，完全依赖大模型进行匹配速度过慢。因此，如何结合大模型技术突破匹配难题，成为我们面临的核心课题。

将大模型与企业内部数据结合，常见有三种方式，但均存在局限：一是微调，对小规模问题适配性强但智能化水平有限，对大模型进行微调又容易引发“知识遗忘”现象；二是上下文学习（即提示工程），尽管提示语长度可达百万token，但有效注意力范围有限，难以满足科锐对海量数据的处理需求；三是检索增强生成（RAG），其核心在于嵌入（Embedding）模型，但通用的嵌入模型在我们的特定场景中效果不佳。

为此，两年前我们开始利用大模型、嵌入技术等构建专属的匹配系统。该系统具备四大核心技术亮点：

混合系统（Hybrid）：如果仅采用嵌入模型，虽能提升语义相关性，但很多时候匹配结果需要精确包含特定关键词或内容。混合系统平衡了精确性与相关性，既能满足关键字精准搜索的需求，也兼顾了语义匹配的灵活性。

1TB高质量训练数据：在训练我们的CRE模型过程中，我们发现匹配能力同样遵循缩放定律。因此，我们不断增大模型参数量并扩充训练数据。当然，数据的有效性远比单纯的数量更重要。不同的数据混合比例、质量以及训练顺序都会对模型最终性能产生显著影响。

CRE模型（科锐招聘嵌入模型）：过去两年多，我们在PJBenchmark评估集上的得分实现了从20分到74分的显著突破。最新的CRE1.1版本更是将匹配效率提升了60%。CRE模型可以被视为一个压缩后的专业知识库，能够大幅缩短顾问学习岗位知识所需的时间。

RT（精炼思维）推理方法：我们发现，基于解码器架构的嵌入模型在推理时，只需增加一次前向传播过程，就能激发出一定的推理能力。RT方法类似于人类的“三思而后行”。

匹配系统基于一个核心认知：在AI落地过程中，大模型获取企业内部数据的精确程度，直接决定了AI应用效果的下限。

当前AI技术迭代迅速，诸如模型上下文协议（MCP）等新概念不断涌现，许多人认为“大模型连接企业内部数据非常容易”，实则不然。以MCP为例，若未经模型针对性学习，仅依靠零样本或少样本方式调用工具，其工具调用率与工具准确调用率往往不高。这在企业级应用中可能是致命的，例如，智能体若无法准确判断何时及如何调用内部数据接口，将直接影响落地效果。

除了匹配系统，再重点介绍我们正在研发的CRE-T1推理嵌入模型。以“招聘具备0到1经验的大众消费产品经理”为例，传统嵌入模型仅能进行语义相似度匹配，无法判断候选人是否拥有创业经历、是否具备成功将产品推向市场的经验，缺乏多维度证据推理能力。以往依赖对比学习的模型，更侧重于语义层面的相关性（例如理解“中午去组个局”与“中午一起吃饭”的关联）。但在智能体与企业内部数据交互时，需要反复、大量地获取数据并进行复杂推理。这不仅消耗大量token、耗时久，且结果往往不够精确。

今年以来，Meta、字节跳动、阿里巴巴等公司相继推出了具备一定推理能力的嵌入模型，以应对智能体时代访问内部数据的需求。我们正在研发的CRE-T1模型实现了创新突破，放弃了传统的对比学习方法，转而采用强化学习技术。通过细粒度的信用分配机制，将奖励归因至Token级别。在推理过程中，对查询进行更深入的计算。以往嵌入模型只能在排序中体现相关性，无法对“一份简历”与“一个岗位”进行精准匹配的直接相关性打分。我们首先训练出具备相关性的重排序奖励模型，进而引导模型进行精确的匹配度评分。

最后，分享一些关于AI落地的深度思考。从传统大模型到推理大模型，再到智能体大模型，其演进路径清晰可见。在提示语设计上，早期传统大模型强调对生成结果的精确描述；推理大模型出现后，提示语无需过于精确；而迈入智能体时代的大模型，亦被称为大规模动作模型，其核心在于“为解决问题而生”，重点是构建清晰的“问题空间”。构建问题空间时，必须明确三大要素：初始状态（现状）、目标状态（期望结果）以及最优问题解决策略（关键路径）。可以通过推理大模型的思维链自动生成“问题空间”，亦可对其进行详尽描述。

例如“5小时内从北京抵达上海”。推理大模型的思维链会先自动厘清目标（5小时抵达）、现状（出发时间与地点），再通过生成—检验的问题解决策略，对比分析高铁、飞机等选项。由于这类问题定义清晰，所采用的问题解决策略也相对直接。人类在解决问题时，常依赖经验选择最优策略（如目标-手段分析、爬山法）。问题定义越清晰，人类的认知负荷越低；反之则负荷越高。

在我们的研究过程中，有一个重要洞察：思考语言与隐性思维之间存在密切关联。语言不仅是交流工具，更是引导思维、维持注意力的一种方式。例如，我们在日常思考时常使用“内部语言”，即自我对话。内部语言有助于聚焦注意力、梳理思维链条。

目前，科锐国际内部能够自主决策的智能体仍处于内测阶段。我们提出了两个关键评估指标：“问题清晰度”（目标、现状、关键路径是否明确）与“解决费力度”（解决问题所需投入的精力）。基于此划分业务场景——例如，“高清晰度、低费力度”场景更侧重于提升解决问题的速度，强调智能体需比人类执行得更快；“低清晰度、高费力度”场景则需强化系统的记忆与注意力管理能力，更强调解决人类难以独立应对的复杂问题。在此基础上，结合各细分场景的发生频率，能够帮助我们精准定位业务痛点。唯有集中资源攻克一个具体场景，方能避免AI落地沦为华而不实的“演示秀”。

在智能体产品设计上，需要更多借鉴符号人工智能与认知心理学的信息加工理论。首先明确“处理层（包括感知模块、认知模型与行动模块）与工具及记忆层”的认知架构，再进行技术选型。我们认为，多智能体更多是一个技术术语，在产品层面应更强调“数字分身”的概念。正如近期政府文件提及的“未来探索智能体上岗”，我们也期待让我们的招聘数字分身能够尽早投入到实际工作中。

以上便是我的全部分享，感谢各位聆听！