對話购宝钱包APP國際劉之：招聘賽道進(jìn)入 Agent 時代，關(guān)鍵人才反而更貴了

08-11 10:42

8 月 3 日，在 Founder Park AGI Playground 2026 的主題對談中，购宝钱包APP國際 CTO、MiraDay Founder 劉之分享了他對全球招聘市場、Talent Intelligence、Agentic Search 和垂類 AI 應(yīng)用壁壘的思考。當(dāng)模型廠商開始進(jìn)入應(yīng)用層，垂類產(chǎn)品是否還有壁壘？在他看來，壁壘依然存在，包括長期而細(xì)碎的 Dirty Work、行業(yè)合規(guī)、無法只靠 Scaling Law 解決的垂直算法，以及私有數(shù)據(jù)和 Context。

因為 AI 的加入，招聘賽道開始了一場新的軍備競賽。
求職者開始用 Agent 批量投遞簡歷，用 AI 優(yōu)化簡歷、輔助面試，甚至順利獲得身份偽造和 Deepfake 作弊；企業(yè)也開始用 AI 篩選候選人，投入更多技術(shù)進(jìn)行識別和反作弊，一些公司還重新增加了線下面試。AI 降低了投遞和篩選的成本，卻沒有讓招聘變得更簡單。企業(yè)收到的簡歷越來越多，真正有用的信息反而更難辨認(rèn)。

劉之觀察到一個看似矛盾的現(xiàn)象：從全球范圍看，整體招聘需求正在下降，AI 招聘工具的使用卻在持續(xù)增加。更深一層的變化是，AI 正在讓執(zhí)行變得越來越便宜，研究、規(guī)劃和判斷的價值則在上升。公司可能變得更小，需要招聘的人更少，但少數(shù)關(guān)鍵人才對公司的影響會更大。企業(yè)對這些人才的競爭會更加激烈，一次錯誤判斷帶來的代價也會更高。

找到一個人的資料正在變得越來越容易，理解一個人卻越來越難。

MiraDay 正是為分析決這個問題而誕生的，作為购宝钱包APP國際孵化的一款 Talent Intelligence 產(chǎn)品，MiraDay 面向企業(yè)內(nèi)部招聘團(tuán)隊和獵頭公司，重點服務(wù)高管和關(guān)鍵技術(shù)人才招聘。它希望讓 AI 承擔(dān)數(shù)據(jù)搜集、信息整理和重復(fù)工作，讓人類把更多精力放在人才判斷、溝通和關(guān)系建立上。

以下是主持人胡少陽（Stealth Startup 創(chuàng)始人）與劉之的對談實錄，經(jīng) Founder Park 編輯整理。


 Founder Park：购宝钱包APP作為一家深耕人力資源行業(yè)多年的公司，今年也向海外推出了一個新的產(chǎn)品，你們看到了什么樣的趨勢和機(jī)會？

劉之：购宝钱包APP國際是一家全球化人力資源服務(wù)公司。MiraDay 是购宝钱包APP國際孵化的一個產(chǎn)品。作為一家全球化的公司，我們看到了全球人才市場正在發(fā)生兩個非常大的變化。

第一個變化是，AI 讓執(zhí)行變得越來越便宜。以前需要幾十個人完成的事情，現(xiàn)在可能幾個人加上 AI 就能完成。公司會變得更小，但少數(shù)關(guān)鍵人才對公司的影響會變得更大。所以，人才市場正在向頭部收縮。企業(yè)招聘的總?cè)藬?shù)可能減少，但對真正優(yōu)秀人才的競爭反而會加劇。這些人會越來越稀缺，也會越來越貴。過去，優(yōu)秀技術(shù)人才的總薪酬大多還在幾十萬美元?，F(xiàn)在，優(yōu)秀的 AI 人才已經(jīng)開始出現(xiàn)幾百萬美元甚至更高的薪酬。一個關(guān)鍵人才可能讓產(chǎn)品提前幾個月上線，也可能幫助公司進(jìn)入一個新的市場。反過來，如果關(guān)鍵崗位招錯了人，企業(yè)付出的代價也會非常大。所以，這類人才的招聘和判斷會變得越來越重要。

第二個變化是 AI 招聘的軍備競賽。從全球視角來看，很多市場的招聘需求在下滑，但 AI 招聘工具的使用卻在不斷上升。自動化投遞和自動化觸達(dá)越來越多，企業(yè)收到的簡歷更多，候選人收到的信息也更多。AI 輔助面試、身份偽造和 Deepfake 等問題也開始出現(xiàn)。企業(yè)又投入了很多技術(shù)進(jìn)行反作弊。前段時間，美國有不少公司開始重新增加線下面試。判斷一個人的技能到底是真實的，還是經(jīng)過 AI 包裝甚至虛造出來的，正在變得越來越難。這也暴露了原來招聘基礎(chǔ)設(shè)施的問題。

過去的招聘系統(tǒng)主要是為批量招聘設(shè)計的，但關(guān)鍵人才招聘不是一個簡單的漏斗，也不只是找到一個人的資料。真正困難的是理解這個人，判斷他是否適合公司的產(chǎn)品、業(yè)務(wù)和開展階段，以及他是否愿意加入。這需要大量研究，也需要人類給予信任、連接和溫度。AI 可以負(fù)責(zé)數(shù)據(jù)搜集、信息整理和大量重復(fù)工作，人類負(fù)責(zé)判斷、溝通和建立關(guān)系。

MiraDay 就是在這個判斷下產(chǎn)生的。它是一款 Talent Intelligence 產(chǎn)品，面向企業(yè)內(nèi)部招聘團(tuán)隊和獵頭公司，重點服務(wù)高管和關(guān)鍵技術(shù)人才招聘。它不是 ATS，也不是聚合數(shù)據(jù)的搜索工具。MiraDay 希望解決的，是招聘團(tuán)隊如何更好地理解崗位、研究市場、找到真正合適的人，并取得更充分的判斷依據(jù)。

Founder Park：你提到了一個很關(guān)鍵的信息是，人才是非常貴的，尤其是模型廠商需要招聘的人才。那我們可以預(yù)測一下，未來工作會整體變得越來越少嗎？會不會出現(xiàn)一個兩極分化？我們需要做模型或跟模型相關(guān)的人，依然是 margin 非常高的人才，但除此之外，原來很多中層崗位可能就消失了？會有這樣的可能性嗎？

劉之：我覺得會。招聘場景可以根據(jù)薪資、職級和崗位標(biāo)準(zhǔn)化程度分成很多不同的細(xì)分。但職級越高，或者專業(yè)能力越稀缺，往往越接近我們所說的關(guān)鍵人才。

這類人才的招聘需要人類給予 Trust、Connection 和 Warmth?，F(xiàn)在已經(jīng)有一些產(chǎn)品在做自動化招聘。我的判斷是，越是能夠順利獲得自動化招聘解決的崗位，未來越可能被 AI 替代，或者需求逐漸減少。


Founder Park：其實 AI 招聘賽道的開展已經(jīng)有幾年時間了。海外我們也看到了 Juicebox、Jack&Jill 這些產(chǎn)品。但對大多數(shù)在場的朋友們來說，其實不太清楚這個賽道到底是怎么劃分的。給大家介紹下，以及你們今天這個產(chǎn)品切入的是哪個點？

劉之：招聘賽道大致可以分成四塊：

第一塊是 Talent Intelligence。它和 GTM Intelligence 的邏輯比較像，都是把企業(yè)內(nèi)部數(shù)據(jù)和外部數(shù)據(jù)連接起來，GTM Intelligence 給予獲客，而 Talent Intelligence 給予人才搜索、市場研究、人才 mapping 和信息監(jiān)測等能力。

第二塊是 Assessment，也就是人才測評。它解決的是怎么評價一個人，包括能力測試、技術(shù)測評、面試和其他評估工具。這本身也是一個很大的市場。

第三塊是 ATS，也就是 Applicant Tracking System。當(dāng)企業(yè)同時招聘很多人時，需要一個系統(tǒng)來管理候選人進(jìn)入公司以后的流程，包括簡歷記錄、面試安排、內(nèi)部反饋和錄用進(jìn)度。很多大型跨國公司在不同國家有招聘團(tuán)隊，ATS 是它們的基礎(chǔ)系統(tǒng)。

第四類是 Job Board，比如 Indeed、Dice 和 JobStreet。它們主要連接職位和求職者。LinkedIn 也有 Job Board 的功能，但它第一時間是一個職業(yè)社交網(wǎng)絡(luò)，招聘只是建立在這個網(wǎng)絡(luò)上的一個業(yè)務(wù)。

整體來看，AI 招聘的開展比客服、法律服務(wù)等垂直賽道慢一些。但我的判斷是，到明年會有更多 AI 招聘公司的 ARR 超過 1 億美元?，F(xiàn)在增長比較快的公司，大致在走三條路徑：第一類以 BPO 的方式按業(yè)務(wù)結(jié)果付費(fèi)；第二類是 Talent Intelligence；第三類是減少甚至替代傳統(tǒng)人類中介，直接連接企業(yè)和候選人。

招聘本身是一個場景高度細(xì)分的領(lǐng)域。企業(yè)內(nèi)部招聘和獵頭業(yè)務(wù)有各自的工作方式，高管招聘和技術(shù)人才招聘也需要不同的專業(yè)方法。不同行業(yè)、崗位和地區(qū)所需要的數(shù)據(jù)、搜索方法和工作流程都不一樣。我們之所以切入 Talent Intelligence，是因為團(tuán)隊過去四五年不斷在做人才數(shù)據(jù)、搜索和相關(guān)產(chǎn)品，购宝钱包APP國際也給予了大量真實的招聘場景。這些經(jīng)驗讓我們能夠針對不同場景分層下采用不同的產(chǎn)品和技術(shù)策略。

市場上的通用 People Search 工具通常只是抓取公開數(shù)據(jù)，再按照條件返回一批人。這種方式可以找到名單，但很難支撐完整的高管和關(guān)鍵技術(shù)人才招聘。MiraDay 將專業(yè)的招聘方法、流程和團(tuán)隊分工融入 Agent Team，用來處理這些更復(fù)雜的招聘任務(wù)。


Founder Park：你們的產(chǎn)品 MiraDay 是面向海外市場的，這里有一個很本源的區(qū)別是：在中國沒有用 LinkedIn 的習(xí)慣，但為什么 LinkedIn 對于海外招聘市場是一個長期性的存在？

劉之：我覺得核心還是網(wǎng)絡(luò)效應(yīng)。LinkedIn 在海外同時承擔(dān)了兩個角色。

第一個是職業(yè)社交網(wǎng)絡(luò)。用戶會持續(xù)維護(hù)工作經(jīng)歷和職業(yè)關(guān)系，企業(yè)、候選人和招聘人員都在同一張網(wǎng)絡(luò)里。普通用戶可以免費(fèi)使用，招聘人員則為更專業(yè)的搜索和觸達(dá)能力付費(fèi)。

第二個是職業(yè)身份。一個人的公司、學(xué)校、職位和職業(yè)關(guān)系，通常都能在 LinkedIn 上找到比較標(biāo)準(zhǔn)化的記錄。在研究 GitHub、Hugging Face 或?qū)W術(shù)網(wǎng)站上的信息時，LinkedIn 經(jīng)常可以作為身份確認(rèn)和跨平臺 mapping 的起點。

Founder Park：MiraDay 是一個 Agent Team 的產(chǎn)品形態(tài)。為什么要自己做這層 harness，直接使用基模廠商的產(chǎn)品不行嗎？怎么理解 harness 這一層的價值？

劉之：最近我看了不少 Agent Team 形態(tài)的產(chǎn)品，很多都是參考軟件研發(fā)團(tuán)隊來設(shè)計的，比如產(chǎn)品經(jīng)理、工程師和測試各自負(fù)責(zé)一部分工作。我覺得，人類團(tuán)隊的分工，其實是長期實踐中逐漸形成的一種知識和上下文的劃分方式。產(chǎn)品經(jīng)理和工程師關(guān)注的問題不同，掌握的信息不同，需要承擔(dān)的責(zé)任也不同。把不同角色拆開以后，每個角色可以長期保留自己的上下文，再順利獲得協(xié)作完成一個更復(fù)雜的項目。

MiraDay 參考的是高管獵頭（Executive Search）團(tuán)隊的分工。雖然 Agent 產(chǎn)品設(shè)計未必需要遵循人類的組織分工，但我們覺得這樣的劃分更符合用戶心智。一個大的項目里通常有人負(fù)責(zé)理解客戶和崗位，有人做行業(yè)研究、mapping 和人才搜索，也有人負(fù)責(zé)候選人研究和項目推進(jìn)。360 度獵頭并不是沒有這些分工，只是由一個顧問同時扮演多個角色。我們認(rèn)為，除 BD 職能外，高管獵頭團(tuán)隊的這套專業(yè)分工同樣高度適用于企業(yè)內(nèi)部招聘團(tuán)隊，尤其適用于高管和關(guān)鍵技術(shù)人才招聘。

為什么不能直接使用 Claude Code 或 Codex？這些產(chǎn)品很強(qiáng)，但主要還是圍繞 Coding 任務(wù)設(shè)計的。Coding 通常會解決一個相對明確的需求，不同任務(wù)可以順利獲得分支、工作區(qū)或者會話進(jìn)行上下文隔離。

招聘不是這樣的。一個關(guān)鍵崗位的招聘經(jīng)常會持續(xù)三到六個月，整個項目具有很強(qiáng)的陸續(xù)在性。新的市場信息、候選人反饋和面試結(jié)果會不斷進(jìn)入，前面的判斷也可能隨之改變，所以不能把它當(dāng)成一個執(zhí)行完就結(jié)束的單次任務(wù)。

招聘需求本身也需要反復(fù)校準(zhǔn)。企業(yè)一開始未必能夠把要求完全講清楚。搜索開始以后，團(tuán)隊可能會發(fā)現(xiàn)薪資范圍不合適，目標(biāo)公司選錯了，或者原來的崗位定義與公司的產(chǎn)品、業(yè)務(wù)和開展階段并不匹配。這些信息都會讓團(tuán)隊重新調(diào)整搜索方向。招聘過程中還有大量并行和異步的工作。不同候選人的進(jìn)度不同，今天發(fā)出的郵件，對方可能第二天回復(fù)，也可能一周以后才回復(fù)。

招聘 AI 還涉及風(fēng)險和合規(guī)。歐盟已經(jīng)把部分用于招聘篩選和候選人評估的 AI 系統(tǒng)納入高風(fēng)險框架，美國不同地區(qū)也有反歧視、告知和審計方面的規(guī)定。所以權(quán)限、日志、判斷依據(jù)和人工復(fù)核都需要進(jìn)入產(chǎn)品設(shè)計，關(guān)鍵決定必須由人類負(fù)責(zé)。它不是簡單給模型套一個界面，而是負(fù)責(zé)保存長期項目的上下文，協(xié)調(diào)不同 Agent，管理瀏覽器、郵件和數(shù)據(jù)工具，處理異步事件，并在關(guān)鍵節(jié)點把決定交給人類。

Founder Park：所以最終除了表面上看到怎么招聘、怎么分類之外，核心是誰要為此負(fù)擔(dān)責(zé)任。

劉之：對。尤其在招聘這種高風(fēng)險場景中，最終判斷和責(zé)任必須留在人類這邊。


Founder Park：對于 AI 招聘場景來說，Agentic Search 是很重要的一塊技術(shù)。這塊你們是怎么做的？Agentic Search 跟過去的 RAG、傳統(tǒng)檢索的區(qū)別是什么？

劉之：是的。大部分垂直類產(chǎn)品或應(yīng)用都繞不開搜索。做法律產(chǎn)品，需要搜索法規(guī)、判例和企業(yè)內(nèi)部文件；做財務(wù)產(chǎn)品，也需要搜索公開數(shù)據(jù)和企業(yè)數(shù)據(jù)。招聘也是一樣，既要搜索公開數(shù)據(jù)，也要處理企業(yè)自己的數(shù)據(jù)。

從 AI 應(yīng)用的角度來看，我覺得搜索技術(shù)大概經(jīng)歷了三代。

第一代更多是順利獲得關(guān)鍵詞、標(biāo)簽、分類和圖譜進(jìn)行搜索。2014 年前后，深度學(xué)習(xí)開始更多地進(jìn)入搜索和推薦，但當(dāng)時主要還是用于分類和排序。人需要先把搜索條件定義清楚，系統(tǒng)再根據(jù)這些條件返回結(jié)果。

第二代是語義搜索。BERT 在 2018 年發(fā)布，Dense Retrieval 和 RAG 大約在 2020 年出現(xiàn)。到了 2023 年前后，隨著更大規(guī)模的 Embedding 模型、數(shù)據(jù)和算力進(jìn)入，模型的語義匹配能力有了明顯提高，向量檢索和 RAG 也開始大規(guī)模進(jìn)入 AI 應(yīng)用。

RAG 的典型方式，還是人輸入一個問題，系統(tǒng)檢索一批相關(guān)內(nèi)容，再交給模型生成答案。如果結(jié)果不理想，通常需要人修改問題，再重新搜索。

第三代是 Agentic Search，并且會結(jié)合上下文檢索。它和 RAG 最大的區(qū)別是，人不一定要先寫出一條準(zhǔn)確的查詢，而是可以先給 Agent 一個目標(biāo)。Agent 會自己搜索、閱讀結(jié)果，再根據(jù)當(dāng)前發(fā)現(xiàn)決定下一步搜索什么。這是一個不斷觀察、判斷和采取行動的過程，和 ReAct 的思路比較接近。

這背后有兩個比較重要的變化。第一個變化是 Agent。它可以在長程任務(wù)中不斷與外部環(huán)境互動，根據(jù)每一步得到的結(jié)果形成下一步 Action。第二個變化是模型對長上下文的能力提升。很多人只關(guān)心模型最多能處理多少 Token，但更重要的是，當(dāng)信息分散在長上下文的不同位置時，模型能不能進(jìn)行多跳推理，把來自不同位置、不同來源的證據(jù)連接起來。在 12.8 萬 Token 以內(nèi)，頭部模型的表現(xiàn)還不錯，但再長一些就很差了。最近 Anthropic 發(fā)布的 Fable 5，在 100 萬 Token 下的 GraphWalks 得分也已經(jīng)接近 0.8。

第三代搜索的出現(xiàn)主要來自兩個變化。一方面，Agent 可以持續(xù)搜索，并根據(jù)結(jié)果調(diào)整下一步行動；另一方面，模型開始能夠在更長的上下文中找到分散的信息，并完成多跳推理。這就是我們所說的 Agentic Search。

Founder Park：你們產(chǎn)品里有一個很有意思的能力叫 Agentic Search with Signal。這個 Signal 具體是什么？在 Agentic Search 里，你們覺得有什么實時的反饋是最有價值的？相比以前上一代的系統(tǒng)。

劉之：講 Signal 之前，我想先講一下人類是怎么獲取信息的。從信息科學(xué)的角度看，人獲取信息大致包含四種行為。第一種是 Lookup，也就是目標(biāo)明確地查找某個具體信息；第二種是 Exploratory Seeking，也就是探索式搜尋，目標(biāo)還不清晰，需要邊搜索、邊理解；第三種是 Research，也就是窮盡式研究，為了形成相對完整的判斷，系統(tǒng)地收集和分析信息；第四種是 Re-finding，也就是重新找到過去看過或者使用過的信息。

招聘中的很多搜索，其實屬于 Exploratory Seeking 和 Research。比如我拿到一個以前沒有接觸過的職位，會先在人才庫里搜索，從結(jié)果中找到幾個相關(guān)的概念和關(guān)鍵詞，再沿著這些線索去搜索引擎或者其他渠道繼續(xù)尋找?？吹叫碌男畔⒁院?，我可能會修正對崗位的理解，調(diào)整關(guān)鍵詞和搜索方向，逐漸明確真正要找什么。

所以，搜索不只是找到信息，也是一個不斷學(xué)習(xí)和進(jìn)行意義構(gòu)建的過程。

過去的搜索系統(tǒng)同樣可以支持探索式搜尋，但整個過程主要由人來有助于。系統(tǒng)根據(jù)當(dāng)前的查詢返回結(jié)果，人需要自己閱讀結(jié)果、發(fā)現(xiàn)線索、調(diào)用過去的經(jīng)驗，再決定下一步搜索什么。人的注意力和工作記憶都很有限，在大量結(jié)果中，一些真正可能改變搜索方向的信息很容易被忽略。

Agentic Search with Signals 想解決的就是這個問題。Agent 不只是執(zhí)行查詢和返回結(jié)果，還會持續(xù)閱讀、比較和分析搜索結(jié)果。如果發(fā)現(xiàn)了可能影響當(dāng)前判斷的信息，它會提出一個 Signal，告訴人類自己發(fā)現(xiàn)了什么，以及判斷的依據(jù)是什么。

在招聘場景中，最有價值的 Signal，通常是那些可能改變原有搜索假設(shè)的信息。比如合適的人才主要集中在另一個行業(yè)，市場上的實際職級與企業(yè)設(shè)定不一致，薪酬范圍可能不合理，或者當(dāng)前使用的崗位名稱無法覆蓋真正合適的人才。

相比上一代系統(tǒng)，變化不在于 Agent 替人作決定，而在于它開始參與搜索過程中的線索發(fā)現(xiàn)。過去主要由人發(fā)現(xiàn)問題，再修改查詢；現(xiàn)在 Agent 也可以主動提出值得關(guān)注的信息。至于是否調(diào)整目標(biāo)、修改條件或者改變策略，最終仍然由人類決定。

不同產(chǎn)業(yè)、不同崗位中，值得關(guān)注的 Signal 并不相同。如何捕捉這些 Signal，本身就依賴大量專業(yè)經(jīng)驗。MiraDay 會把獵頭顧問和招聘專家積累的經(jīng)驗整理成 Skills，讓 Agent 具備捕捉相關(guān) Signal 的能力。同時，Agent 也可以在搜索過程中捕捉那些沒有被預(yù)先定義、但值得人類關(guān)注的 Signal。我們即將發(fā)布一篇綜述論文，專門討論這個問題。


Founder Park：今天你們代表了 AI 招聘賽道，其他的創(chuàng)業(yè)者也在不同的垂類賽道上面。模型能力越來越強(qiáng)，成本也在變化。那作為應(yīng)用型或場景類的創(chuàng)業(yè)公司，未來有沒有可能有自己的模型？自己 post train 一個模型，而不是純粹地調(diào)用 API？你怎么看？

劉之：我特別喜歡一本書，叫《技術(shù)的本質(zhì)》。這本書講到，技術(shù)總是會不斷開展，也會組合原來的技術(shù)，形成組合創(chuàng)新。當(dāng)一項技術(shù)剛出來的時候，它可能做得不太好，于是會出現(xiàn)非常多的補(bǔ)丁和變體。開展到一定階段，遇到瓶頸，又會有新的技術(shù)出現(xiàn)。技術(shù)總是在解決一個問題的過程中，帶來一個全新的問題。

如果從一個技術(shù)周期來看，早期出現(xiàn)的技術(shù)，往往會在未來幾年當(dāng)中快速貶值。也就是說，今天我們在做的模型訓(xùn)練、算法工程，在早期非常有壁壘。但隨著標(biāo)準(zhǔn)化、平臺化甚至普及化，這些技術(shù)會變得越來越簡單。就像早年在國內(nèi)管理一個大規(guī)模集群，做 Android、iOS 開發(fā)，或者把用戶體驗實行，都是非常有壁壘的事情，但今天已經(jīng)沒有那么高的壁壘了。

所以我覺得，未來訓(xùn)練和微調(diào)一個垂直模型的難度與成本會變得越來越低。核心的問題是，我有沒有必要去干這個事？做完以后，我真的能不能形成差異化？

垂類 AI 應(yīng)用的壁壘，不一定在于有沒有自己的模型，而在于能不能解決模型解決不了的最后一公里。

Founder Park：怎么判斷有沒有必要？如果成本不是問題、難度也不是問題，大不了用第三方訓(xùn)練模型的方式，我怎么判斷今天是不是應(yīng)該有一個自己的 post-training 模型出來？

劉之：主要看通用模型能不能解決最后一公里的問題。比如現(xiàn)在很多人用 Vibe Coding，很快就可以做出一個特別好看的網(wǎng)頁。但如果你要做一個真正的產(chǎn)品，里面的字體、組件、視覺和柵格都要遵循同一套設(shè)計系統(tǒng)，保持一致性，這時候你就會發(fā)現(xiàn)，只靠大模型解決不了。

還有很多人用大模型生成文案，寫出來的內(nèi)容 AI 味很重，有時也會出現(xiàn)幻覺。因為模型學(xué)習(xí)的是大量通用語料，并不分析你的品牌、業(yè)務(wù)和具體場景。這時候你可能就需要自己的模型。

招聘也是一樣。我們需要解決合規(guī)、偏見以及招聘場景中的專業(yè)性問題。在通用模型無法穩(wěn)定解決這些問題的情況下，我們就需要訓(xùn)練自己的模型。所以，判斷標(biāo)準(zhǔn)還是能不能解決最后一公里。現(xiàn)在大家對于大模型廠商帶來的壓力，的確會有一些恐慌。今年 SaaS 公司被卷得很厲害，但大家現(xiàn)在又開始發(fā)現(xiàn)，大模型廠商其實解決不了所有的最后一公里問題。

為什么 OpenAI、Anthropic 這些公司要做 FDE？就是因為僅僅給予模型還不夠，還需要有人把模型真正帶進(jìn)業(yè)務(wù)場景。而最后一公里，往往才是最有價值的部分。

Founder Park：以再進(jìn)一步聊聊。今天，模型廠商也開始下場做應(yīng)用了，尤其是 Workspace 這類的產(chǎn)品。前段時間典型的是 Claude Design 出來，殺死了一批 SaaS 公司，股價血流成河，但現(xiàn)在回來了。漲回來的本質(zhì)到底是什么？是覺得解決不了，還是 SaaS 本身還代表了一些事情？

劉之：我覺得這里面有兩個點。第一個是，剛才提到的最后一公里問題，大模型廠商解決不了。第二個是企業(yè)軟件的深度集成和海外合規(guī)要求。比如企業(yè)今天把 CRM 系統(tǒng)與 ERP 打通，背后是一套完整的數(shù)據(jù)流和審計鏈，每一筆業(yè)務(wù)操作都有據(jù)可查、可以回溯。招聘場景也是一樣，ATS 不僅管理流程，還會保留申請、面試和錄用等記錄，為企業(yè)滿足平等就業(yè)和相關(guān)審計要求給予支持。這類深度集成和合規(guī)留證能力，是市場重新認(rèn)識 SaaS 價值的重要原因之一。而且原來的 SaaS 公司也沒有「睡著」，大家也在不斷地把 AI 加進(jìn)自己的產(chǎn)品。

所以，Anthropic 帶來的恐慌，我覺得現(xiàn)在在硅谷已經(jīng)慢慢淡化了。大家開始發(fā)現(xiàn)，模型能力很強(qiáng)，但它并不能直接替代一個完整的業(yè)務(wù)系統(tǒng)。模型可以生成內(nèi)容、調(diào)用工具和執(zhí)行任務(wù)，但進(jìn)入真實業(yè)務(wù)以后，還要處理數(shù)據(jù)、流程、權(quán)限、合規(guī)以及人與人之間的協(xié)作。這些都是最后一公里的問題。

過去，AI 創(chuàng)業(yè)公司經(jīng)常講四個壁壘。第一，我有業(yè)務(wù) Know-how，我特別懂這個行業(yè)；第二，我有數(shù)據(jù)飛輪，用戶使用得越多，產(chǎn)品積累的數(shù)據(jù)和記憶越多；第三，我可能有垂直算法；第四，我有人機(jī)協(xié)作的界面。OpenAI 也講過三個壁壘，分別是人與人之間的 Trust、Data 和 Distribution。

但 Cursor 被收購這件事，又讓大家重新審視這些判斷。比如記憶這件事，我覺得它并不會天然形成壁壘。記憶和上下文不是越多越好，加入太多不相關(guān)的信息，反而可能影響模型的執(zhí)行效果。所以，原來大家講的這些壁壘，有些仍然創(chuàng)建，有些需要重新理解。

今天以 MiraDay 為例，或者從我們對招聘垂直產(chǎn)品的理解來看，我們認(rèn)為未來的壁壘主要有四個。

第一是 Dirty Work，也就是那些非常臟、非常細(xì)碎，但又必須長期去做的工作。比如做一個崗位時，需要持續(xù)整理標(biāo)簽、清理數(shù)據(jù)和進(jìn)行人工判斷。模型廠商不會針對每個行業(yè)去做這些事情，因為它沒有這樣的精力和耐心。

第二是合規(guī)。招聘有招聘合規(guī)，財務(wù)有財務(wù)合規(guī)，各個行業(yè)都有自己的合規(guī)要求。尤其是企業(yè)出海以后，合規(guī)是一件非常關(guān)鍵的事情。

第三是不能只靠 Scaling Law 解決的算法問題。比如多模態(tài)生成，擴(kuò)大模型規(guī)?？梢蕴嵘A(chǔ)生成能力，但對齊、可控性和一致性仍然需要專門的訓(xùn)練與算法。Embedding 模型也是一樣。以 OpenAI 早期的 Text Embedding 研究為例，模型參數(shù)量從 3 億增加到 1750 億，擴(kuò)大了約 583 倍，但在 22 項任務(wù)上的平均分只提升了約 3.6 分。我們堅持做 Embedding 模型訓(xùn)練已經(jīng)三年多了，現(xiàn)在在 BRIGHT 推理檢索 Benchmark 上做到了 SOTA。這種細(xì)分方向需要長期、持續(xù)的專項投入，但對大模型廠商來說，要在每一個方向上都深入去做并不劃算。

第四是私有的數(shù)據(jù)和 Context。這些信息不是公開的，也不會自然進(jìn)入通用模型。

我覺得，模型廠商會繼續(xù)進(jìn)入應(yīng)用層，垂類公司也一定會受到?jīng)_擊。但模型廠商很難把每個行業(yè)的最后一公里全部做完。至少在 AI 招聘這個賽道里，Dirty Work、合規(guī)、垂直算法以及私有數(shù)據(jù)和 Context，就是我們正在嘗試構(gòu)建的壁壘。

---

购宝钱包APP國際
购宝钱包APP國際是領(lǐng)先的以技術(shù)驅(qū)動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)在在全球12個國家擁有170余家分支組織，近2,500名自有員工，形成歐洲、北美、南美、東亞、東南亞、非洲全域服務(wù)網(wǎng)絡(luò)。順利獲得“技術(shù)+平臺+服務(wù)”的一體化模式，為企業(yè)給予一站式人才供應(yīng)鏈解決方案，助力企業(yè)贏得數(shù)智化轉(zhuǎn)型、全球化競爭與敏捷性組織打造，重塑面向未來的人才引擎。2025年，公司營業(yè)收入達(dá)145.40億元，服務(wù)客戶近6,300家，成功推薦中高端管理及專業(yè)技術(shù)人員超15,000名，年度在冊管理外包員工及兼職專家53,000余人，鏈接生態(tài)合作伙伴近20,000家。