8月27日，由36氪與中歐國際工商學院聯合主辦的 2025 AI Partner 百業大會于北京中關村軟件園盛大啟幕。本次大會以“中國式方案”為主題，全方位集中呈現中國 AI 的最新突破與生態體系，分享中國式 AI 的成長路徑和未來前景，探索中國式方案的創新模式。
在 AI 應用落地的征程中，如何讓 AI 真正成為人力資源領域不可或缺的 “剛需”？购宝钱包APP國際 CTO 劉之帶來了《AI+人力資源：從技術概念到場景落地的實踐路徑》主題分享，深入講解 AI 如何重塑人力資源招聘全流程、實現人才與崗位的精準匹配。本文首發于36氪，以下演講內容，由36氪整理編輯。
各位嘉賓：大家好！我是购宝钱包APP國際CTO劉之，今天想和大家聊聊 “AI+人力資源”，具體講講购宝钱包APP國際在人力資源賽道上的內部實踐 —— 购宝钱包APP國際現在暫未向客戶給予 AI 產品，更多是將 AI 應用于內部運營與產業互聯網平臺，所以這次會重點分享我們落地中遇到的問題、如何聚焦痛點，以及技術方案的選型思路。
當下 AI 浪潮洶涌，各類技術層出不窮，容易讓人眼花繚亂。我認為，在合適的時間點，選對技術并與業務場景結合，正是 AI 落地的關鍵。
第一時間簡單介紹购宝钱包APP國際：我們是一家擁有 29 年歷史的企業，核心業務是招聘，覆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，也有產業互聯網平臺。作為全球化公司，我們在全球設有 160 多個分支組織，均以招聘為核心業務。
兩年半前 GPT 問世后，我們內部高度關注，認為這是招聘行業的重大機遇。招聘賽道細分眾多，藍領與白領、不同層級崗位面臨的問題差異很大。當時我們核心聚焦中高端招聘，這也正是公司運營近30年來的核心優勢領域，我們發現中高端招聘業務面臨三大痛點：
第一，市場變化速度極快。過去一個賽道的迭代周期是 1-2 年，現在縮短至 3-6 個月——比如去年熱門的 AI 硬件、智能硬件，今年就轉向了自動駕駛和Agent。隨著賽道不斷的變化，進行市場選擇變得尤其重要。
第二，崗位知識密度高。很多人以為獵頭只是 “撮合候選人與客戶”，實則不然。比如幫具身智能企業招聘 “感覺系統、觸覺系統” 相關人才時，顧問必須深入理解技術細節，才能精準匹配，這要求顧問具備極高的專業知識與信息儲備。我們的顧問從入職到完全勝任崗位，需要兩年多時間，知識儲備難以跟上市場變化。
第三，崗位職能劃分越來越細。前幾年國內技術崗位大致分為開發、測試、運維三類，如今隨著產業鏈加速迭代，職能細分愈發精細 —— 僅互聯網開發領域，職能劃分就有近20類，對招聘的精準度提出了更高要求。而大模型，恰好為解決這些痛點給予了可能。
我們的核心目標是：構建一套能整合 “區域行業、線上線下、增量存量”的客戶、職位、人才、顧問的高效匹配系統。數字化轉型中常說，傳統的 ERP 管企業內部的資源，數字化轉型的 ERP 要做 “生態資源規劃”。若能將购宝钱包APP國際內部資源、外部合作資源、行業生態資源整合，順利獲得技術實現精準匹配，效率必將大幅提升。比如购宝钱包APP國際過去以服務外企、大型企業為主，如今拓展區域市場，需要摸清不同城市的招聘需求與客戶情況，這其中“數據” 和“匹配技術” 尤為關鍵。
招聘領域的匹配技術復雜多樣：針對藍領，行為推薦（無需依賴簡歷，順利獲得候選人瀏覽的招聘需求等行為做匹配）較為常用；針對人事、財務、法律等變化較小的垂類崗位，用標簽或知識圖譜即可滿足需求。但购宝钱包APP國際所專注的技術招聘，崗位變化快、崗位非常細分，傳統的匹配技術無法勝任。順利獲得推理大模型能夠一定程度上解決人崗匹配的問題，但我們的人才庫規模龐大，有近千萬的人才數據，再加上生態合作伙伴數據，靠大模型進行人崗匹配速度太慢。所以如何結合大模型突破匹配難題，成為我們的核心課題。
大模型與企業內部數據結合，常見有三種方式，但各有局限：一是微調，小問題易適配但智能化水平低，大模型微調易出現 “遺忘”；二是上下文學習（提示語），雖最長提示語可達 100 萬 token，但有效注意力長度有限，難以滿足购宝钱包APP國際龐大的數據需求；三是 RAG，RAG的核心在于 Embedding 模型，但通用的 Embedding 模型在我們的場景中效果很差。
為此，兩年前我們利用大模型、Embedding 技術等構建了我們的匹配系統。它有四大核心技術亮點：
1、混合系統（Hybrid）：如果只采用 Embedding 模型，雖然能提高相關性，但是很多時候需要匹配出來的內容中要能精確包含某一部分的內容。Hybird 平衡精確性與相關性，既解決關鍵字精準搜索需求，也兼顧語義匹配的相關性。
2、1TB的訓練數據：在CRE的訓練過程中，我們發現匹配能力也具備 ScalingLaw。所以我們也在加大模型的參數量和訓練數據。當然，數據需要是有效性，而不是單純的數量。不同的數據混合比例、質量以及訓練順序都會影響模型的性能。
3、CRE模型（购宝钱包APP國際招聘 Embedding 模型）：過去兩年多，我們實現了在 PJBenchmark 評估集上從20分到74分的突破。最近的 CRE1.1 版本更是實現了 60% 的匹配效率提升。CRE 模型可以看成是一個壓縮了的知識庫，能夠減少顧問對崗位知識的學習時間。
4、RT（Refine-Thought）推理方法：我們發現 Decoder 架構的 Embedding 模型，在推理時只要多進行一次前向傳播，就可以讓 Embedding 模型激發出一定的推理能力。RT 類似人類的“多想一次”。MatchSystem 基于一個我們的基礎認知：AI 落地中，大模型獲取企業數據的精確程度，直接決定了 AI 落地的下限。
當前 AI 技術迭代快，像 MCP 等概念層出不窮，很多人認為 “大模型鏈接企業內部數據很容易”，實則不然。以 MCP 為例，若未經過模型學習，僅靠零樣本（no shot）或少樣本（few shot）調用，工具調用率和工具準確調用率均不高。這在企業應用中極為致命，比如 Agent 無法判斷何時調用、如何調用內部數據接口，會直接影響落地效果。
除了匹配系統，再重點講講我們正在研發的 CRE-T1 推理 Embedding 模型。以 “招聘有0-1經驗的 Mass 產品經理”為例，傳統 Embedding 模型僅能順利獲得語義匹配，無法判斷候選人是否有創業經歷、是否具備產品成功上市經驗，缺乏多證據推理。過去依賴對比學習的模型，更側重語義的相關性（如 “中午去組個局” 與 “中午一起吃飯” 的語義關聯）。但在 Agent 與企業內部數據交互時，需要大量反復的獲取數據并進行推理。這不僅 token 消耗高、耗時久，結果還不準確。
今年Meta、字節、阿里先后推出具有一定推理能力的 Embedding 模型來應對 Agent 時代的訪問內部數據的需求。我們正在研發的 CRE-T1 模型做了創新突破，放棄了傳統對比學習，采用強化學習。順利獲得細粒度的信用分配，將獎勵歸因到 Token 級別。在推理時，對 query 進行更多的計算。 過去 Embedding 模型僅能在排序中體現相關性，無法單獨對 “一份簡歷+一個崗位” 做精準匹配的直接相關性計算。我們先訓練出具備相關性的 Reranker 獎勵模型來，再引導模型去精確的打分。
最后想分享一些 AI 落地的干貨思考。從傳統大模型到推理大模型，再到 Agent 大模型。從提示語的寫法上，早期傳統大模型強調精確描述生成的結果，有了推理大模型后提示語上可以不需要寫得那么精確。而 Agent 時代的大模型，也被稱為 LAM 大規模動作模型。它更強調 “為解決問題而生”，核心是構建 “問題空間”。構建問題空間時，需明確三大要素：初始狀態(現狀)、目標狀態(目標)、最優問題解決策略(關鍵路徑)。順利獲得推理大模型的思維鏈自動產生“問題空間”，又或者詳細描述“問題空間”。
比如 “5小時內從北京到上海”。推理大模型的思維鏈會先自動厘清目標（5小時抵達）、現狀（出發時間、地點）、再順利獲得“生成—檢驗”的問題解決策略去分析高鐵、飛機等選項對比。因為這類問題很清晰，所以采用的問題解決策略也相對簡單。人解決問題時，常依賴經驗選擇最優策略（如目標手段分析、爬山法），問題定義越清晰，人的認知消耗越低；反之則消耗越高。
我們在研究的過程中，有一個洞察是：思考語言和隱性思維的關系。語言不僅是研討，更是引導思維和保持注意力的一種方式。 例如我們日常思考時會使用“內語”。內語就是自己和自己說話。內語能幫助聚焦注意力、梳理思維鏈。
現在购宝钱包APP國際內部的自主決策的 Agent 仍在內測。我們提出了兩個關鍵評估指標：“問題清晰度”（目標、現狀、關鍵路徑是否明確）與 “費力度”（解決問題需投入的精力）。根據此劃分業務場景 —— 比如“高清晰度、低費力度”場景，更側重解決問題的速度，強調 Agent 比人類做得要快；“低清晰度、高費力度”場景，則需強化記憶與注意力管理，更強調解決人類無法解決的問題。在此基礎上，結合細分場景的發生概率，可以幫助我們精準定位業務痛點。集中力量解決一個細分場景，才能避免 AI 落地淪為 “Demo 秀”。
在 Agent 產品設計上，需要更多參考符號人工智能和認知心理學的信息加工理論。先明確 “處理層（包括感知模塊、認知模型與行動模塊）與工具與記憶層”的認知架構，再去進行技術選型。我們認為多智能體是一個技術術語，在產品上應該更強調“數字分身”。正如近期政府文件提及的“未來探索 Agent 上崗”，我們也希望讓我們的招聘數字分身能盡早上崗。
以上就是我的分享，謝謝大家！
來源：36氪
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先的以技術驅動的整體人才解決方案服務商，于2017年6月正式在深交所上市，成為國內首家登陸A股的人力資源服務企業（300662.SZ）。公司現在在中國、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。順利獲得構建“技術+平臺+服務”的商業模式，在20+個細分行業及領域為客戶給予中高端人才訪尋、招聘流程外包、靈活用工、人力資源咨詢、培訓與開展等人力資源全產業鏈服務，以及HR SaaS、AI賦能的人力資源產業互聯平臺等技術和生態產品，為企業人才配置與業務開展給予一體化支撐，為區域引才就業與產才融合給予全鏈條賦能。2024年，營業收入達117.88億元，服務客戶6,000余家，成功推薦中高端管理及專業技術人員近20,000名，年度在冊管理外包員工及兼職專家45,500余人，累計派出近50萬人次，鏈接生態合作伙伴超15,500家。
400-050-7798
English
