科锐国际CTO刘之：AI落地的下限取决于获取企业内部数据的精确性 | 36氪2025AI Partner百业大会

8月27日，由36氪与中欧国际工商学院联合主办的2025 AI Partner百业大会于北京中关村软件园盛大启幕。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，全方位集中呈现中国AI的最新突破与生态体系，分享中国式AI的成长路径和未来前景，探索中国式方案的创新模式。

当日，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。

以下为演讲内容，经36氪整理编辑：

各位嘉宾：

大家好！今天想和大家聊聊 “AI + 人力资源”，具体讲讲科锐国际在人力资源赛道上的内部实践 —— 科锐目前暂未向客户提供 AI 产品，更多是将 AI 应用于内部运营与产业互联网平台，所以这次会重点分享我们落地中遇到的问题、如何聚焦痛点，以及技术方案的选型思路。

当下 AI 浪潮汹涌，各类技术层出不穷，容易让人眼花缭乱。我认为，在合适的时间点，选对技术并与业务场景结合，正是 AI 落地的关键。

首先简单介绍科锐国际：我们是一家拥有 29 年历史的企业，核心业务是招聘，覆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，我们内部高度关注，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。当时我们核心聚焦中高端招聘，这也正是公司运营近30年来的核心优领域，我们发现中高端招聘业务面临三大痛点：

第一，市场变化速度极快。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。随着赛道不断的变化，进行市场选择变得尤其重要。

第二，岗位知识密度高。很多人以为猎头只是 “撮合候选人与客户”，实则不然。比如帮具身智能企业招聘 “感觉系统、触觉系统” 相关人才时，顾问必须深入理解技术细节，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，岗位职能划分越来越细。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，职能细分愈发精细 —— 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 管企业内部的资源，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。比如科锐过去以服务外企、大型企业为主，如今拓展区域市场，需要摸清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复杂多样：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。但科锐所专注的技术招聘，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，但各有局限：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，但是很多时候需要匹配出来的内容中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，数据需要是有效性，而不是单纯的数量。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基于一个我们的基础认知：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 技术迭代快，像 MCP 等概念层出不穷，很多人认为 “大模型链接企业内部数据很容易”，实则不然。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，再重点讲讲我们正在研发的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，需要大量反复的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奖励模型来，再引导模型去精确的打分。

最后想分享一些 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上可以不需要写的那么精确。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”，又或者详细描述“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。

我们在研究的过程中，有一个洞察是：思考语言和隐性思维的关系。语言不仅是交流，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”。内语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比人类做的要快“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，再去进行技术选型。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！