WAIC2025X购宝钱包APP國際劉之：人力資源招聘場景下的AI實(shí)踐

2025-08-05 14:27

人工智能的產(chǎn)業(yè)化進(jìn)程，早已超越概念探索，正以 “老場景·新解法”的范式，靜默卻深刻地重構(gòu)各行各業(yè)。在2025世界人工智能大會(huì)暨人工智能全球治理高級(jí)別會(huì)議（簡稱“WAIC 2025”）現(xiàn)場，购宝钱包APP國際CTO劉之受邀做客鈦媒體《數(shù)字價(jià)值觀察室》，與鈦媒體聯(lián)合創(chuàng)始人劉湘明展開對(duì)話，聚焦 “AI+人力資源服務(wù)” 場景，帶來购宝钱包APP國際的前瞻思考與探索實(shí)踐。

當(dāng)前人力資源領(lǐng)域，招聘相關(guān)的AI新應(yīng)用層出不窮。面對(duì)尚未收斂的技術(shù)環(huán)境，购宝钱包APP國際CTO劉之強(qiáng)調(diào)務(wù)實(shí)策略：回歸核心業(yè)務(wù)流程（“老場景”），尋找顛覆性解決方案（“新解法”），順利獲得小范圍驗(yàn)證成功后再規(guī)模化復(fù)制。
“AI仍處早期，技術(shù)變革仍在進(jìn)行，新場景和新商業(yè)模式或需兩三年才能成型。現(xiàn)階段，我們更關(guān)注如何用AI革命性地解決既有痛點(diǎn)。” 劉之在對(duì)話明確表示。同時(shí)，他提出了通用 Agent 工作記憶的三難困境：長上下文窗口、有效注意力和高信息密度的三者不可能同時(shí)實(shí)現(xiàn)，并且認(rèn)為Agent落地可以從問題清晰度和費(fèi)力度兩個(gè)維度出發(fā)進(jìn)行選擇。

劉之將生成式AI在業(yè)務(wù)中的應(yīng)用演進(jìn)劃分為清晰的三階段：
第一個(gè)階段是 ChatGPT階段：重塑知識(shí)獲取方式。购宝钱包APP國際利用其龐大人才庫與大模型結(jié)合，顯著提升了獵頭這種知識(shí)密集型業(yè)務(wù)的效率。 
第二個(gè)階段是多模態(tài)階段：隨著多模態(tài)模型成熟，购宝钱包APP國際聚焦語音與文本模態(tài)的融合，尤其用于優(yōu)化招聘中的語音溝通環(huán)節(jié)。 
第三個(gè)階段是Agent階段：隨著 Agent的推理、長程規(guī)劃和工具調(diào)用能力的提升，重構(gòu)短流程業(yè)務(wù),實(shí)現(xiàn)從輔助決策到自主執(zhí)行的跨越，成為购宝钱包APP國際主攻的方向。

Agent的引入，從根本上改變了技術(shù)需求的界定方式和產(chǎn)品設(shè)計(jì)邏輯。Agent出現(xiàn)之前做產(chǎn)品，識(shí)別需求很重要，尤其是要識(shí)別出小需求和偽需求。如果某個(gè)小需求同時(shí)具備高頻出現(xiàn)的特點(diǎn)，往往這個(gè)需求是一個(gè)非常好的抓手，能夠幫助實(shí)現(xiàn)單點(diǎn)突破。但大部分情況下，這類小需求難以尋找，往往更多的是無法被規(guī)模化的小需求。
這兩類需求產(chǎn)生的原因主要有三點(diǎn)：1，對(duì)技術(shù)上限不分析，容易陷入宏大敘事；2，沒有真正理解需求的本質(zhì)；3，沒考慮適用范圍和頻次。
針對(duì)這些問題，购宝钱包APP國際提出了“問題方案鏈“的需求管理方法。其核心是明確需求涉及的對(duì)象、具體問題以及對(duì)應(yīng)方案。設(shè)計(jì)出方案Before和After的對(duì)比，并針對(duì)方案本身分析可能存在的問題和進(jìn)一步優(yōu)化的方向，此外還要判斷實(shí)施后是否能帶來顯著改善，進(jìn)而進(jìn)入決策環(huán)節(jié)。 
Agent 出現(xiàn)后，產(chǎn)品設(shè)計(jì)與需求管理發(fā)生巨變。Agent核心是自主性，強(qiáng)調(diào)自主完成任務(wù) —— 不同于以往系統(tǒng)聚焦流程節(jié)點(diǎn)（交付物）并固化到線上，Agent 時(shí)代更需觀察優(yōu)秀顧問的感知與決策過程，因此需要更多顧問參與產(chǎn)研環(huán)節(jié)。

劉之認(rèn)為，剛落地Agent時(shí)應(yīng)當(dāng)優(yōu)先解決基礎(chǔ)能力，再落地場景需求。例如先構(gòu)建好沙箱、工作記憶與長期記憶、感知系統(tǒng)、工具等等。當(dāng)基礎(chǔ)能力完善后，再去看場景需求。落地場景需求時(shí)往往會(huì)要求基礎(chǔ)能力提出一些新的要求。這種迭代螺旋上升的方式可以既不失去Agent的自主性，又能更好的貼近場景。展望未來，劉之表示，2025年购宝钱包APP國際的核心目標(biāo)是將MatchSystem持續(xù)改進(jìn)以增強(qiáng)其從語義級(jí)匹配往應(yīng)用級(jí)匹配過渡的能力，并與招聘場景進(jìn)行結(jié)合，最終形成SearchAgent。他透露购宝钱包APP國際已經(jīng)開始內(nèi)測更強(qiáng)大的Agent產(chǎn)品，自動(dòng)化與自助化標(biāo)簽定義、CRN 圖模型等場景化應(yīng)用也在同步推進(jìn)。


附上本期直播時(shí)間軸,幫你快速跳轉(zhuǎn)感興趣的部分
03：03  Agent應(yīng)用現(xiàn)狀
04：17 购宝钱包APPAI應(yīng)用布局
06：43 大模型開展的三個(gè)階段
11：20  Agent應(yīng)用痛點(diǎn)
17：40 如何選出“真”AI需求
27：45 兩個(gè)指標(biāo)，篩選Agent優(yōu)先落地場景
33：54  AI正在重塑各行各業(yè)
38：17  AI如何重構(gòu)人力資源行業(yè)

以下為對(duì)話實(shí)錄,經(jīng)鈦媒體APP整理:

劉湘明:第一時(shí)間,請(qǐng)您簡單介紹一下购宝钱包APP國際。
劉之：购宝钱包APP國際是一家技術(shù)驅(qū)動(dòng)型的人力資源解決方案公司，是國內(nèi)第一家在A股上市的人力資源公司。現(xiàn)在在全球有160多個(gè)分支組織，主要給予獵頭、招聘流程外包以及靈活用工等人力資源服務(wù)，核心優(yōu)勢是技術(shù)+平臺(tái)+服務(wù)的商業(yè)模式。

劉湘明:此次參加WAIC大會(huì), 您的感受如何?
劉之：我看到了具身智能和很多硬件廠商的展臺(tái)。AI當(dāng)然仍然還是更多是圍繞著基礎(chǔ)設(shè)施，應(yīng)用廠商還比較少。不過我相信明年、后年，WAIC上會(huì)出現(xiàn)更多的應(yīng)用公司。另外，我覺得技術(shù)氛圍十分不錯(cuò)，能在會(huì)上看見一些不錯(cuò)的技術(shù)展示。

劉湘明：AI 落地是現(xiàn)在熱議的話題，現(xiàn)在 AI 在招聘業(yè)務(wù)的應(yīng)用和改造，已經(jīng)到什么程度了？
劉之：現(xiàn)在國內(nèi)外在招聘方面的AI應(yīng)用有很多進(jìn)展。整體上看，我覺得人力資源公司和SaaS公司開展是最快的，而企業(yè)側(cè)相對(duì)來說慢一點(diǎn)。雖然AI仍處于完善基礎(chǔ)設(shè)施的階段，但我相信過一段時(shí)間之后，在招聘場景中會(huì)有更多的應(yīng)用，甚至新的商業(yè)模式出現(xiàn)。

劉湘明：現(xiàn)在购宝钱包APP國際在 AI 應(yīng)用做了哪些嘗試？
劉之：购宝钱包APP在 ChatGPT 剛問世的時(shí)候就開始了 AI 應(yīng)用的嘗試。我覺得這個(gè)過程中大概經(jīng)歷了三次技術(shù)突破。
第一次是 ChatGPT 問世。ChatGPT 改變了知識(shí)獲取的方式。在這個(gè)階段，购宝钱包APP主要針對(duì)獵頭業(yè)務(wù)展開 AI 化。因?yàn)?#36141;宝钱包APP所服務(wù)的部分細(xì)分市場是圍繞著技術(shù)崗位的招聘業(yè)務(wù)展開的。所以獵頭業(yè)務(wù)需要對(duì)崗位的專業(yè)知識(shí)有深度理解。
獲取企業(yè)內(nèi)部數(shù)據(jù)有三種方法：微調(diào)、上下文學(xué)習(xí)與 RAG。我在兩年多前判斷微調(diào)垂直大模型并沒有什么實(shí)際意義：參數(shù)小的模型容易微調(diào)，但是智能化水平低；參數(shù)大的模型難以微調(diào)。购宝钱包APP的數(shù)據(jù)量太大，沒法放在上下文中。所以我們主攻的方向是 RAG。而 RAG 的核心就是 Embedding 模型，過去兩年，购宝钱包APP不斷在訓(xùn)練招聘與技能的垂直 Embedding 模型和研發(fā)MatchSystem匹配系統(tǒng)。
第二次是多模態(tài)大模型。但我認(rèn)為，視覺 - 語言的多模態(tài)大模型缺乏 ScalingLaw。這可能和語言是由人類創(chuàng)造的一種壓縮格式，所以容易出現(xiàn) ScalingLaw有關(guān)。而語音 - 語言的多模態(tài)都屬于人類創(chuàng)造的數(shù)據(jù)形式，是具備 ScalingLaw 的。在這個(gè)階段我們核心關(guān)注 AI 電話這個(gè)場景。因?yàn)樵谡衅高^程中，很多都需要進(jìn)行電話溝通。
第三次是 Agent。這個(gè)階段是從 DeepSeek R1 順利獲得強(qiáng)化學(xué)習(xí)將推理能力提升到了一個(gè)新高度開始的。這個(gè)階段我認(rèn)為最佳的開展方向是：輕微重復(fù)的短流程業(yè)務(wù)。
剛才講的是技術(shù)，再講講產(chǎn)品。我們很多年前就判斷未來的招聘行業(yè)的市場變化速度會(huì)越來越快。原因有兩個(gè)：第一個(gè)是國內(nèi)產(chǎn)業(yè)鏈越來越細(xì)分，細(xì)分崗位也就越來越多，比如工程師崗位，原先用五個(gè)類別劃分就夠了，現(xiàn)在可能要九類，甚至十類進(jìn)行劃分。第二個(gè)是技術(shù)呈現(xiàn)出指數(shù)型的開展。
我們?cè)谌昵伴_始構(gòu)建大數(shù)據(jù)平臺(tái)，所以積累了非常多的數(shù)據(jù)。我們希望利用研發(fā)的 MatchSystem 匹配系統(tǒng)和 CRE Embedding 模型的能力，將線上線下，增量存量、區(qū)域行業(yè)的客戶、職位、人才和顧問進(jìn)行實(shí)時(shí) AI 匹配，進(jìn)而可以更快的響應(yīng)市場的快速變化。這些技術(shù)已經(jīng)應(yīng)用在购宝钱包APP內(nèi)部系統(tǒng)和平臺(tái)產(chǎn)品禾蛙上。

劉湘明：您可否分享一些具體的細(xì)節(jié)和經(jīng)驗(yàn)？
劉之：Embedding 模型相當(dāng)于將簡歷和招聘需求能夠編碼成一個(gè)計(jì)算機(jī)能讀懂的語言，從而讓大模型在訪問企業(yè)內(nèi)部數(shù)據(jù)的時(shí)候，可以快速在一個(gè)龐大的數(shù)據(jù)庫中找到想要的信息。
在今年 4 月份以前，Embedding 模型還處在語義階段。語義即代表了一段文本的潛在意義。當(dāng)來到了 Agent 時(shí)代，這種技術(shù)就存在問題了。比如我問 Agent：" 我想知道购宝钱包APP數(shù)據(jù)庫中，有哪些產(chǎn)品經(jīng)理是有從 0 到 1 經(jīng)驗(yàn)的？" 這就需要我看完這個(gè)人的簡歷后，進(jìn)行一些推理。比如這個(gè)曾經(jīng)從 0 到 1 創(chuàng)業(yè)過，這個(gè)人曾經(jīng)在小公司待過，而這個(gè)公司曾經(jīng)開展很快，那么他就會(huì)有從 0 到 1 的經(jīng)驗(yàn)。推理是指順利獲得多個(gè)證據(jù)，并得出結(jié)論。還有些情況下，Agent 還需要做一些多跳檢索。比如我想查詢 " 某家公司內(nèi)，有一個(gè)人選，這個(gè)人曾經(jīng)在哪些地方工作過 "。
多跳檢索和推理任務(wù)在 Agent 時(shí)代里，如果用傳統(tǒng)基于語義的 Embedding 模型的話，Agent 需要與系統(tǒng)進(jìn)行反復(fù)交互。這樣消耗的 Token 量非常的大，速度很慢，而且還不一定準(zhǔn)確。
我們?cè)趦赡甓?Embedding 的實(shí)踐中，不斷有一個(gè)疑惑：" 為什么像 BERT 這樣的 Encoder 架構(gòu)，它的 Scaling Law 不明顯？" 后來我們從強(qiáng)化學(xué)習(xí)、語言學(xué)和認(rèn)知心理學(xué)的角度進(jìn)行了深入研究，才有了一些頓悟。我們過去總以為語言的本質(zhì)是為了傳遞信息和知識(shí)，也就是我們所說的 " 語義 "。但其實(shí)，語言與思維有著更深層的關(guān)系。比如人在思考的時(shí)候，腦海里會(huì)出現(xiàn)很多詞匯或句子。這種語言形式，我們稱之為 " 內(nèi)語（Inner Speech）"。內(nèi)語有兩個(gè)關(guān)鍵作用：第一個(gè)是幫助人保持注意力集中，第二個(gè)是引導(dǎo)和組織人的思維過程。
既然我們認(rèn)為語言與顯性思維有關(guān)，那么我們?yōu)槭裁床荒茉?Embedding 模型中把這種 " 思維鏈" 激發(fā)出來呢？基于這個(gè)認(rèn)識(shí)，购宝钱包APP正在研發(fā)兩個(gè)創(chuàng)新性的技術(shù)：第一個(gè)叫 RT（Refine Thought）推理技術(shù)，它順利獲得多次前向傳播，快速激發(fā)出 Embedding 模型在預(yù)訓(xùn)練階段學(xué)習(xí)到的推理能力。RT 與Embedding 模型結(jié)合，已經(jīng)在多個(gè)公開數(shù)據(jù)集上刷新了 SOTA（State of the Art，業(yè)界最優(yōu)）。第二個(gè)是 正在訓(xùn)練的CRE-T1 模型。它引入了基于強(qiáng)化學(xué)習(xí)的訓(xùn)練框架，并采用token級(jí)別的信用分配機(jī)制，從而擺脫傳統(tǒng)對(duì)比學(xué)習(xí)的約束，使 Embedding 模型在推理狀態(tài)空間中實(shí)現(xiàn)更加有效的跳躍與泛化。

劉湘明：招聘看起來是一個(gè)人力資源的環(huán)節(jié)，但其實(shí)這里面?zhèn)€性化差異非常大，面向不同的崗位、人才，分類龐雜，在進(jìn)行 AI應(yīng)用之前，你們?cè)趺词崂磉@些需求的？
劉之：第一時(shí)間先談?wù)剬?duì)行業(yè)的理解。我認(rèn)為服務(wù)跟產(chǎn)品是兩回事，管理學(xué)上講，服務(wù)管理與產(chǎn)品管理本質(zhì)上存在區(qū)別。服務(wù)管理比較強(qiáng)調(diào)激發(fā)顧問的自主性，需要充分授權(quán)。所以在服務(wù)行業(yè)里，過分強(qiáng)調(diào)標(biāo)準(zhǔn)化違背了行業(yè)特點(diǎn)。但是我們要做系統(tǒng)，即使有自定義能力，也必須具備一定的標(biāo)準(zhǔn)化能力。這就產(chǎn)生了沖突。
在這種個(gè)性化較多的情況下，最核心的是進(jìn)行識(shí)別需求。在需求識(shí)別上，我們可以分為兩個(gè)階段：一是 Agent 出現(xiàn)之前；二是 Agent 出現(xiàn)之后。
Agent 出現(xiàn)之前做產(chǎn)品，最核心的是要識(shí)別出小需求和偽需求。如果小需求，同時(shí)高頻出現(xiàn)，往往這個(gè)需求是一個(gè)非常好的抓手，能夠?qū)崿F(xiàn)單點(diǎn)突破。這兩類需求產(chǎn)生的原因：1，對(duì)技術(shù)上限不分析，過于宏大敘事；2，對(duì)需求背后的真相不理解；3，沒考慮需求的應(yīng)用范圍和頻次。
針對(duì)此，购宝钱包APP提出了 " 問題 - 方案鏈 " 的需求管理方法。要明確 " 誰 "" 問題 " 和 " 方案 "。需要明確具體且有代表性的用戶角色。問題需要精準(zhǔn)定義待解決的痛點(diǎn)。對(duì)比 " 現(xiàn)有方案 "(Before) 與 " 新方案 "(After)，關(guān)鍵是新方案能否帶來十倍級(jí)體驗(yàn)提升，同時(shí)預(yù)判新方案可能帶來的衍生問題。
另一方面，在 AI 早期，我們認(rèn)為應(yīng)該盡量做 " 老場景 " 的 " 新解法 "。因?yàn)榧夹g(shù)還在變革，可能再過兩三年才會(huì)出現(xiàn)新場景。
Agent 之后，產(chǎn)品設(shè)計(jì)和需求管理的方法又發(fā)生了巨大的改變。Agent 更強(qiáng)調(diào)自主性，自主完成任務(wù)。原先做系統(tǒng)的時(shí)候，需要特別關(guān)注流程節(jié)點(diǎn)，我們稱為交付物。產(chǎn)研負(fù)責(zé)將線下的交付物固化到線上。但 Agent 時(shí)代，交付物的固化已經(jīng)不重要了，更多要觀察的是優(yōu)秀顧問的感知和決策的過程。所以，Agent 需要更多優(yōu)秀顧問參與到產(chǎn)研開發(fā)環(huán)節(jié)中。
這個(gè)階段，要先解決基礎(chǔ)能力再解決場景需求。例如，以购宝钱包APP正在內(nèi)測的 Agent 系統(tǒng)。舉個(gè)例子，基礎(chǔ)能力包括模型、沙箱（沙箱就是一臺(tái)電腦，需要一個(gè)代碼執(zhí)行環(huán)境，同時(shí)還需要訪問外部網(wǎng)站）、工作記憶與長期記憶、工具等等。解決了基礎(chǔ)能力之后，才開始優(yōu)化具體的場景。在場景開發(fā)時(shí)候，還對(duì)基礎(chǔ)能力提出一些特別的需求。
Agent 與人一樣，都需要在一個(gè)巨大的問題空間中，搜索解決問題的路徑。這個(gè)問題空間我們可以用一個(gè)叫問題清晰度的指標(biāo)來進(jìn)行衡量。問題清晰度用專業(yè)的術(shù)語可以稱為 " 問題空間結(jié)構(gòu)良好性 "。問題清晰度包含三個(gè)方面：第一是當(dāng)前狀態(tài)清不清晰；第二個(gè)是目標(biāo)狀態(tài)清不清晰；第三個(gè)是搜索空間是否巨大。當(dāng)問題清晰度很低的情況下，搜索是非常復(fù)雜的。
第二個(gè)指標(biāo)叫費(fèi)力度。認(rèn)知心理學(xué)的術(shù)語可以稱為 " 認(rèn)知負(fù)荷 "。它說明在這個(gè)任務(wù)當(dāng)中需要耗費(fèi)多少心智資源。
用費(fèi)力度和問題清晰度兩個(gè)指標(biāo)并結(jié)合頻次去進(jìn)行判斷。比如有些高問題清晰度、低費(fèi)力度的問題，如果這類問題是反復(fù)出現(xiàn)的，那么企業(yè)應(yīng)用優(yōu)先解決；而低問題清晰度、高費(fèi)力度的問題，這類問題價(jià)值極大（例如 AI 編碼、Coding）。通常使用長程規(guī)劃（甚至是逐步規(guī)劃），并結(jié)合更多的工作記憶才能解決。
使用這兩個(gè)指標(biāo)對(duì)企業(yè)的業(yè)務(wù)或任務(wù)進(jìn)行分層，找出要重點(diǎn)解決的場景。找到場景后，還需要進(jìn)一步去思考讓 Agent 先模仿人類，再如何超越人類。

劉湘明：我再追問一下，购宝钱包APP國際 AI 應(yīng)用與員工協(xié)作關(guān)系是什么樣的？如何用 AI？
劉之：先談產(chǎn)研內(nèi)部的協(xié)作關(guān)系。我覺得這一波 AI 是高度學(xué)科融合的，正在對(duì)所有職能的分工進(jìn)行重塑。最早大模型關(guān)心的是工程與深度學(xué)習(xí)算法的融合，到了具身智能之后開始出現(xiàn)了強(qiáng)化學(xué)習(xí)，再到 Agent 時(shí)代，更多討論的是認(rèn)知心理學(xué)。
過去我們不斷在強(qiáng)調(diào)分工和協(xié)作，但這一輪 AI 浪潮的到來，正在加速消滅分工和協(xié)作。
所以在過去的幾年時(shí)間內(nèi)，無論是產(chǎn)品、數(shù)據(jù)、工程師，還是測試、前端、后端等部門的員工，购宝钱包APP都做了很多融合工作，比如，我們要求后端會(huì)寫算法；產(chǎn)品經(jīng)理會(huì)寫代碼....這樣的融合才能拉齊大家的認(rèn)知。
再從業(yè)務(wù)與產(chǎn)研的協(xié)作關(guān)系來看。我認(rèn)為業(yè)務(wù)與產(chǎn)研的協(xié)作關(guān)系，應(yīng)該從原來的產(chǎn)品幫助業(yè)務(wù)梳理流程，到實(shí)現(xiàn)業(yè)務(wù)自己梳理，自己實(shí)現(xiàn)應(yīng)用的過程。產(chǎn)研給予的更多是可以根據(jù)業(yè)務(wù)人員的需求進(jìn)行定制的通用產(chǎn)品。業(yè)務(wù)人員可以自己創(chuàng)建一個(gè)獨(dú)立的 Agent，并順利獲得對(duì)話的方式訓(xùn)練它。但核心在于業(yè)務(wù)人員能不能把自己的感知和決策過程抽象提煉出來。

劉湘明：所以說，真正的技術(shù)革命是對(duì)組織文化、傳統(tǒng)管理提出了巨大的挑戰(zhàn)。
劉之：對(duì)，管理革命的確經(jīng)過了很多階段。從早年的科學(xué)管理，到行為管理，到目標(biāo)管理，再到過去幾年大廠所推行的網(wǎng)格化管理。其實(shí)早在中臺(tái)出現(xiàn)之后，尤其在產(chǎn)研部門，更多出現(xiàn)的是反分工，消滅分工。
原先，在一些諸如打車、外賣等輕服務(wù)的行業(yè)，已經(jīng)利用數(shù)字化的手段實(shí)現(xiàn)了一定程度上的標(biāo)準(zhǔn)化。而產(chǎn)品管理，比如服裝行業(yè)，他們其實(shí)是用數(shù)字化的方法，實(shí)現(xiàn)了一定程度的個(gè)性化。
這一輪的 AI 變革對(duì)于服務(wù)行業(yè)而言，最大的改變是：能夠讓服務(wù)行業(yè)的標(biāo)準(zhǔn)化程度再高點(diǎn)，或者說是將其自動(dòng)化程度再提高一點(diǎn)，這就會(huì)帶來一個(gè)全新的管理革命。
此外，我問過一些大模型一個(gè)問題：當(dāng) Agent 在一家企業(yè)里面的應(yīng)用數(shù)量超過人類會(huì)怎樣？超過 100 倍會(huì)怎樣？大多數(shù)模型給我的答案是：中層干部會(huì)消失。中層原來特別強(qiáng)調(diào)協(xié)調(diào)，他們的職能可能就是上傳下達(dá)，協(xié)調(diào)所有人。

劉湘明：以招聘為例，原來寫簡歷是為了要考慮搜索優(yōu)化，未來是不是要考慮 AI 優(yōu)化的問題？
劉之：這個(gè)問題我們前段時(shí)間還真考慮過。我們現(xiàn)在很多時(shí)候是基于人類語言進(jìn)行交互和處理，那么我們有沒有可能為 AI 創(chuàng)造一個(gè)全新的語言，它的壓縮率更高（因?yàn)橹形膲嚎s率是比英文壓縮率要高的）。后來我試著用 AI 創(chuàng)造出了一個(gè)高度壓縮的語言，說實(shí)話連我自己都沒看懂。 

劉湘明：相比上一個(gè)技術(shù)時(shí)代，哪些新的突破性技術(shù)在有助于產(chǎn)品智能化進(jìn)程中，起到了關(guān)鍵作用？
劉之：對(duì)购宝钱包APP而言，第一是預(yù)訓(xùn)練語言模型和合成數(shù)據(jù)對(duì)我們的幫助極大。在此之前，企業(yè)做匹配系統(tǒng)更多的是靠標(biāo)簽以及知識(shí)圖譜之類的方式。這需要大量的人工標(biāo)注。但有了預(yù)訓(xùn)練語言模型的話，標(biāo)注量就少了很多。
合成數(shù)據(jù)方面，畢竟原有的數(shù)據(jù)十分有限，順利獲得合成的方式，我們可以將原先有限的數(shù)據(jù)擴(kuò)展出特別多的數(shù)據(jù)，這些數(shù)據(jù)再順利獲得對(duì)比學(xué)習(xí)等方法進(jìn)行訓(xùn)練。
第二點(diǎn)我認(rèn)為最大的變化是推理。我們過去理解匹配是語義的匹配，后來我們認(rèn)為匹配不僅是語義，可能還包含了組織結(jié)構(gòu)、個(gè)人偏好等方面的匹配，現(xiàn)在，我們認(rèn)為匹配就是推理。
推理呈現(xiàn)更多的是人類思維，我認(rèn)為推理是一個(gè)意義重大的事情。而 DeepSeek-R1問世之后，反響之所以這么大，也是因?yàn)樗麑?duì)推理，尤其是結(jié)合強(qiáng)化學(xué)習(xí)這方面的突破，讓人們明白了原來推理可以順利獲得強(qiáng)化學(xué)習(xí)，僅需要少量數(shù)據(jù)（比預(yù)訓(xùn)練少），就能達(dá)到原先預(yù)訓(xùn)練階段的推理能力。

劉湘明：AI+ 人力資源招聘場景的上限取決于什么？
劉之：我先講一下對(duì) Agent 上限的理解。
我認(rèn)為通用 Agent 最大的難點(diǎn)在于工作記憶有限。Agent 可以順利獲得增大步數(shù)或提升計(jì)算總時(shí)長來提升任務(wù)執(zhí)行的效果。但這會(huì)產(chǎn)生巨大的上下文（工作記憶）。而很多大模型雖然名義上的上下文窗口很大，但實(shí)際有效的注意力有限。
我個(gè)人認(rèn)為在 Transformer 架構(gòu)下有一個(gè) " 三難困境 "，即 " 上下文窗口大小 "、" 有效的注意力 " 和 " 高信息密度 "，這三者無法同時(shí)實(shí)現(xiàn)。
比如長文章的檢索任務(wù)，大部分模型的有效注意力能到 90% 左右，但如果是推理任務(wù)，比如需要從里面根據(jù)某極端內(nèi)容推理得到一個(gè)結(jié)果，大部分模型的有效上下文，有效注意力長度就會(huì)變成上下文窗口大小的 60% 左右。
而招聘 Agent 的上限取決于感知能力。感知層面與具身智能一樣，都是最難解決的問題。在招聘當(dāng)中，有一些肢體語言、表情等等。這些感知決定了招聘 Agent 的上限。

劉湘明：從客戶角度出發(fā)，客戶對(duì)于 AI 技術(shù)的接受度與付費(fèi)意愿如何？
劉之：购宝钱包APP國際的客戶群可以分為三類，一類是甲方/雇主方；一類是候選人；還有一類是生態(tài)伙伴。現(xiàn)在在候選人與甲方/雇主方這兩個(gè)群體中，购宝钱包APP尚未對(duì)外給予 AI 產(chǎn)品。我覺得從今年年初開始 AI 接受度開始大幅度上升，已經(jīng)有很多甲方客戶會(huì)找我們分析 AI 落地。不過在禾蛙平臺(tái)上，我們給予了一些AI工具，用于幫助生態(tài)伙伴提升工作效率。

劉湘明：AI 在落地過程中，最重要、最值得重視的問題是什么？
劉之：第一個(gè)是一定要預(yù)判方向，至少要做到預(yù)判 3 個(gè)月以內(nèi)的技術(shù)方向。在方向預(yù)判過程中，要避免走到通用大模型的主航道上，時(shí)時(shí)刻刻要思考國內(nèi)外科技巨頭們會(huì)怎樣做。
第二個(gè)是對(duì)技術(shù)要有敬畏之心。有了敬畏之心，就會(huì)選擇在一個(gè)技術(shù)或場景上反復(fù)打磨，而不是到處開花。這個(gè)技術(shù)一定是在整個(gè)系統(tǒng)中解決問題的核心技術(shù)。因?yàn)榫唧w到落地過程中，哪怕一個(gè)小功能的落地上線，都有可能遇見很多坑。在單點(diǎn)上的投入，把一個(gè)點(diǎn)打磨的特別好，一旦這個(gè)點(diǎn)突破了，也許整體就突破了。

劉湘明：對(duì)您來說，這個(gè)點(diǎn)是什么？
劉之：以购宝钱包APP為例，我認(rèn)為我們過去幾年很重要的關(guān)鍵點(diǎn)是：行業(yè)變化速度很快，我們需要更快的響應(yīng)行業(yè)變化速度。所以圍繞這個(gè)判斷，我們做了很多工作。同時(shí)，我認(rèn)為我們需要在某些業(yè)務(wù)上實(shí)現(xiàn)規(guī)模化 —— 比如在某個(gè)崗位或某個(gè)賽道上達(dá)成規(guī)模化效應(yīng)。在這個(gè)過程中，我覺得最重要的是解決兩個(gè)問題：一是如何獲取更多數(shù)據(jù)，二是如何在單點(diǎn)業(yè)務(wù)中結(jié)合技術(shù)應(yīng)用。此外，技術(shù)討論必須與業(yè)務(wù)實(shí)際緊密結(jié)合。

來源：鈦媒體

---

购宝钱包APP國際
北京购宝钱包APP國際人力資源股份有限公司是領(lǐng)先的以技術(shù)驅(qū)動(dòng)的整體人才解決方案服務(wù)商，于2017年6月正式在深交所上市，成為國內(nèi)首家登陸A股的人力資源服務(wù)企業(yè)（300662.SZ）。公司現(xiàn)在在中國、新加坡、馬來西亞、美國、英國、德國、荷蘭、澳大利亞、瑞士等全球市場擁有160余家分支組織，近2,500名自有員工。順利獲得構(gòu)建“技術(shù)+平臺(tái)+服務(wù)”的商業(yè)模式，在20+個(gè)細(xì)分行業(yè)及領(lǐng)域?yàn)榭蛻艚o予中高端人才訪尋、招聘流程外包、靈活用工、人力資源咨詢、培訓(xùn)與開展等人力資源全產(chǎn)業(yè)鏈服務(wù)，以及HR SaaS、AI賦能的人力資源產(chǎn)業(yè)互聯(lián)平臺(tái)等技術(shù)和生態(tài)產(chǎn)品，為企業(yè)人才配置與業(yè)務(wù)開展給予一體化支撐，為區(qū)域引才就業(yè)與產(chǎn)才融合給予全鏈條賦能。2024年，營業(yè)收入達(dá)117.88億元，服務(wù)客戶6,000余家，成功推薦中高端管理及專業(yè)技術(shù)人員近20,000名，年度在冊(cè)管理外包員工及兼職專家45,500余人，累計(jì)派出近50萬人次，鏈接生態(tài)合作伙伴超15,500家。