科锐国际CTO刘之：AI落地质量与企业内部数据获取精确性紧密关联
8月27日，由36氪与中欧国际工商学院联合主办的2025 AI Partner百业大会在北京中关村软件园盛大举行。本次大会以“中国式方案”为主题，分为“中国式方案”和“谁来定义下一个人工智能时代”两大篇章，围绕“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”“AI + 千行百业融合创新的繁荣景象”四大话题，全面呈现了中国AI的最新突破与生态体系，分享了中国式AI的成长路径和未来前景，探索了中国式方案的创新模式。
当天，科锐国际CTO刘之带来了《AI + 人力资源：从技术概念到场景落地的实践路径》的主题分享。
以下是演讲内容，经36氪整理编辑：
各位嘉宾：
大家好！今天我想和大家探讨“AI + 人力资源”，具体介绍科锐国际在人力资源赛道上的内部实践。目前科锐暂未向客户提供AI产品，主要将AI应用于内部运营与产业互联网平台，所以这次我会重点分享我们在落地过程中遇到的问题、如何聚焦痛点，以及技术方案的选型思路。
当下AI浪潮澎湃，各类技术不断涌现，让人目不暇接。我觉得，在合适的时间选择正确的技术并与业务场景相结合，是AI落地的关键。
先简单介绍一下科锐国际：我们是一家有29年历史的企业，核心业务是招聘，涵盖从猎头到招聘流程外包（RPO）、灵活用工的全链条人才解决方案，既有线下服务，也有产业互联网平台。作为全球化公司，我们在全球设有160多个分支机构，均以招聘为核心业务。
两年半前GPT问世后，我们内部高度重视，认为这是招聘行业的重大机遇。招聘赛道细分众多，蓝领与白领、不同层级岗位面临的问题差异很大。当时我们主要聚焦中高端招聘，这也是公司运营近30年来的核心优势领域，我们发现中高端招聘业务存在三大痛点：
第一，市场变化迅速。过去一个赛道的迭代周期是1 - 2年，现在缩短至3 - 6个月。比如去年热门的AI硬件、智能硬件，今年就转向了自动驾驶和Agent。随着赛道的快速变化，市场选择变得尤为重要。
第二，岗位知识密度高。很多人认为猎头只是“撮合候选人与客户”，其实并非如此。比如帮具身智能企业招聘“感觉系统、触觉系统”相关人才时，顾问必须深入了解技术细节，才能精准匹配，这要求顾问具备极高的专业知识与信息储备。我们的顾问从入职到完全胜任岗位，需要两年多时间，知识储备难以跟上市场变化。
第三，岗位职能划分更细。前几年国内技术岗位大致分为开发、测试、运维三类，如今随着产业链加速迭代，职能细分更加精细。仅互联网开发领域，职能划分就有近20类，对招聘的精准度提出了更高要求。而大模型，恰好为解决这些痛点提供了可能。
我们的核心目标是：构建一套能整合“区域行业、线上线下、增量存量”的客户、职位、人才、顾问的高效匹配系统。数字化转型中常说，传统ERP管理企业内部资源，数字化转型的ERP要做“生态资源规划”。若能将科锐内部资源、外部合作资源、行业生态资源整合，通过技术实现精准匹配，效率必将大幅提升。比如科锐过去主要服务外企、大型企业，如今拓展区域市场，需要了解不同城市的招聘需求与客户情况，这其中“数据”和“匹配技术”尤为关键。
招聘领域的匹配技术多种多样：针对蓝领，行为推荐（无需依赖简历，通过候选人浏览的招聘需求等行为做匹配）较为常用；针对人事、财务、法律等变化较小的垂类岗位，用标签或知识图谱即可满足需求。但科锐专注的技术招聘，岗位变化快、岗位非常细分，传统的匹配技术无法胜任。通过推理大模型能够在一定程度上解决人岗匹配的问题，但我们的人才库规模庞大，有近千万的人才数据，再加上生态合作伙伴数据，靠大模型进行人岗匹配速度太慢。所以如何结合大模型突破匹配难题，成为我们的核心课题。
大模型与企业内部数据结合，常见有三种方式，但都存在局限：一是微调，小问题易适配但智能化水平低，大模型微调易出现“遗忘”；二是上下文学习（提示语），虽最长提示语可达100万token，但有效注意力长度有限，难以满足科锐庞大的数据需求；三是RAG，RAG的核心在于Embedding模型，但通用的Embedding模型在我们的场景中效果很差。
为此，两年前我们利用大模型、Embedding技术等构建了我们的匹配系统。它有四大核心技术亮点：
混合系统（Hybrid）：如果只采用Embedding模型，虽然能提高相关性，但很多时候需要匹配出来的内容要能精确包含某一部分的内容。Hybird平衡精确性与相关性，既解决关键字精准搜索需求，也兼顾语义匹配的相关性。
1TB训练数据：在CRE的训练过程中，我们发现匹配能力也具备ScalingLaw。所以我们也在加大模型的参数量和训练数据。当然，数据需要是有效的，而不是单纯追求数量。不同的数据混合比例、质量以及训练顺序都会影响模型的性能。
CRE模型（科锐招聘Embedding模型）：过去两年多，我们实现了在PJBenchmark评估集上从20分到74分的突破。最近的CRE1.1版本更是实现了60%的匹配效率提升。CRE模型可以看成是一个压缩了的知识库，能够减少顾问对岗位知识的学习时间。
RT （Refine - Thought）推理方法：我们发现Decoder架构的Embedding模型，在推理时只要多进行一次前向传播，就可以让Embedding模型激发出一定的推理能力。RT类似人类的“多想一次”。
MatchSystem基于一个基础认知：AI落地中，大模型获取企业数据的精确程度，直接决定了AI落地的下限。
当前AI技术迭代迅速，像MCP等概念不断涌现，很多人认为“大模型链接企业内部数据很容易”，其实并非如此。以MCP为例，若未经过模型学习，仅靠零样本（no shot）或少样本（few shot）调用，工具调用率和工具准确调用率均不高。这在企业应用中极为致命，比如Agent无法判断何时调用、如何调用内部数据接口，会直接影响落地效果。
除了匹配系统，再重点介绍一下我们正在研发的CRE - T1推理Embedding模型。以“招聘有0 - 1经验的Mass产品经理”为例，传统Embedding模型仅能通过语义匹配，无法判断候选人是否有创业经历、是否具备产品成功上市经验，缺乏多证据推理。过去依赖对比学习的模型，更侧重语义的相关性（如“中午去组个局”与“中午一起吃饭”的语义关联）。但在Agent与企业内部数据交互时，需要大量反复地获取数据并进行推理。这不仅token消耗高、耗时久，结果还不准确。
今年Meta、字节、阿里先后推出具有一定推理能力的Embedding模型来应对Agent时代的访问内部数据的需求。我们正在研发的CRE - T1模型做了创新突破，放弃了传统对比学习，采用强化学习。通过细粒度的信用分配，将奖励归因到Token级别。在推理时，对query进行更多的计算。过去Embedding模型仅能在排序中体现相关性，无法单独对“一份简历 + 一个岗位”做精准匹配的直接相关性计算。我们先训练出具备相关性的Reranker奖励模型，再引导模型去精确地打分。
最后分享一些AI落地的干货思考。从传统大模型到推理大模型，再到Agent大模型。从提示语的写法上，早期传统大模型强调精确描述生成的结果，有了推理大模型后提示语可以不用写得那么精确。而Agent时代的大模型，也被称为LAM大规模动作模型。它更强调“为解决问题而生”，核心是构建“问题空间”。构建问题空间时，需明确三大要素：初始状态(现状)、目标状态(目标)、最优问题解决策略(关键路径)。通过推理大模型的思维链自动产生“问题空间”，或者详细描述“问题空间”。
比如“5小时内从北京到上海”。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、地点），再通过生成—检验的问题解决策略去分析高铁、飞机等选项对比。因为这类问题很清晰，所以采用的问题解决策略也相对简单。人解决问题时，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，人的认知消耗越低；反之则消耗越高。
我们在研究过程中有一个洞察：思考语言和隐性思维的关系。语言不仅是交流工具，更是引导思维和保持注意力的一种方式。例如我们日常思考时会使用“内语”，也就是自己和自己说话。内语能帮助聚焦注意力、梳理思维链。
目前科锐内部的自主决策的Agent仍在内测。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“费力度”（解决问题需投入的精力）。根据此划分业务场景，比如“高清晰度、低费力度”场景，更侧重解决问题的速度，强调Agent比人类做得要快；“低清晰度、高费力度”场景，则需强化记忆与注意力管理，更强调解决人类无法解决的问题。在此基础上，结合细分场景的发生概率，可以帮助我们精准定位业务痛点。集中力量解决一个细分场景，才能避免AI落地沦为“Demo秀”。
在Agent产品设计上，需要更多参考符号人工智能和认知心理学的信息加工理论。先明确“处理层(包括感知模块、认知模型与行动模块)与工具与记忆层”的认知架构，再进行技术选型。我们认为多智能体是一个技术术语，在产品上应该更强调“数字分身”。正如近期政府文件提及的“未来探索Agent上岗”，我们也希望让我们的招聘数字分身能尽早上岗。
以上就是我的分享，谢谢大家！
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com