人工智能的產業化進程，早已超越概念探索，正以 " 老場景 , 新解法 " 的范式，靜默卻深刻地重構各行各業。在鈦媒體 2025 ITValue Summit 前瞻 WAIC 現場版：AI 落地指南系列的直播中，科銳國際 CTO 劉之與鈦媒體聯合創始人劉湘明聚焦人力資源服務領域，深入探討了 Agent（智能體）的實際落地路徑。

當前人力資源領域，招聘相關的 AI 新應用層出不窮。面對尚未收斂的技術環境，科銳國際 CTO 劉之強調務實策略：回歸核心業務流程（" 老場景 "），尋找顛覆性解決方案（" 新解法 "），通過小范圍驗證成功后再規?；瘡椭啤?/p>

從 " 老場景 " 出發 , 尋找 AI 單點突破

"AI 仍處早期，技術變革仍在進行，新場景和新商業模式或需兩三年才能成型?，F階段，我們更關注如何用 AI 革命性地解決既有痛點。" 劉之在對話明確表示。同時，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實現，并且認為 Agent 落地可以從問題清晰度和費力度兩個維度出發進行選擇。

AI 應用三階段 : 從信息檢索到智能決策

劉之將生成式 AI 在業務中的應用演進劃分為清晰的三階段：第一個階段是 ChatGPT 階段：重塑知識獲取方式?？其J國際利用其龐大人才庫與大模型結合，顯著提升了獵頭這種知識密集型業務的效率。

第二個階段是多模態階段：隨著多模態模型成熟，科銳國際聚焦語音與文本模態的融合，尤其用于優化招聘中的語音溝通環節。

第三個階段是 Agent 階段 : 隨著 Agent 的推理、長程規劃和工具調用能力的提升，重構短流程業務 , 實現從輔助決策到自主執行的跨越，成為科銳國際主攻的方向。

Agent 時代 : 需求管理與產品設計的范式轉變

Agent 的引入，從根本上改變了技術需求的界定方式和產品設計邏輯。Agent 出現之前做產品，識別需求很重要，尤其是要識別出小需求和偽需求。如果某個小需求同時具備高頻出現的特點，往往這個需求是一個非常好的抓手，能夠幫助實現單點突破。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模化的小需求。

這兩類需求產生的原因主要有三點：1，對技術上限不了解，容易陷入宏大敘事；2，沒有真正理解需求的本質；3，沒考慮適用范圍和頻次。

針對這些問題，科銳國際提出了 " 問題方案鏈 " 的需求管理方法。其核心是明確需求涉及的對象、具體問題以及對應方案。設計出方案 Before 和 After 的對比，并針對方案本身分析可能存在的問題和進一步優化的方向，此外還要判斷實施后是否能帶來顯著改善，進而進入決策環節。

Agent 出現后，產品設計與需求管理發生巨變。Agent 核心是自主性，強調自主完成任務—— 不同于以往系統聚焦流程節點（交付物）并固化到線上，Agent 時代更需觀察優秀顧問的感知與決策過程，因此需要更多顧問參與產研環節。

劉之認為，剛落地 Agent 時應當優先解決基礎能力，再落地場景需求。例如先構建好沙箱、工作記憶與長期記憶、感知系統、工具等等。當基礎能力完善后，再去看場景需求。落地場景需求時往往會要求基礎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 年科銳國際的核心目標是將 MatchSystem 持續改進以增強其從語義級匹配往應用級匹配過渡的能力，并與招聘場景進行結合，最終形成 SearchAgent。他透露科銳國際已經開始內測更強大的 Agent 產品，自動化與自助化標簽定義、CRN 圖模型等場景化應用也在同步推進。

附上本期直播時間軸 , 幫你快速跳轉感興趣的部分

03：03 Agent 應用現狀

04：17 科銳 AI 應用布局

06：43 大模型發展的三個階段

11：20 Agent 應用痛點

17：40 如何選出 " 真 "AI 需求

27：45 兩個指標，篩選 Agent 優先落地場景

33：54 AI 正在重塑各行各業

38：17 AI 如何重構人力資源行業

以下為對話實錄 , 經鈦媒體 APP 整理 :

招聘還沒有誕生 " 新場景 "

劉湘明 : 首先 , 請您簡單介紹一下科銳國際。

劉之：科銳國際是一家技術驅動型的人力資源解決方案公司，是國內第一家在 A 股上市的人力資源公司。目前在全球有 160 多個分支機構，主要提供獵頭、招聘流程外包以及靈活用工等人力資源服務，核心優勢是技術 + 平臺 + 服務的商業模式。

劉湘明 : 此次參加 WAIC 大會 ,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。AI 當然仍然還是更多是圍繞著基礎設施，應用廠商還比較少。不過我相信明年、后年，WAIC 上會出現更多的應用公司。另外，我覺得技術氛圍十分不錯，能在會上看見一些不錯的技術展示。

劉湘明：AI 落地是目前熱議的話題，現在 AI 在招聘業務的應用和改造，已經到什么程度了？

劉之：目前國內外在招聘方面的 AI 應用有很多進展。整體上看，我覺得人力資源公司和 SaaS 公司發展是最快的，而企業側相對來說慢一點。雖然 AI 仍處于完善基礎設施的階段，但我相信過一段時間之后，在招聘場景中會有更多的應用，甚至新的商業模式出現。

劉湘明：目前科銳國際在 AI 應用做了哪些嘗試？

劉之：科銳在 ChatGPT 剛問世的時候就開始了 AI 應用的嘗試。我覺得這個過程中大概經歷了三次技術突破。

第一次是 ChatGPT 問世。ChatGPT 改變了知識獲取的方式。在這個階段，科銳主要針對獵頭業務展開 AI 化。因為科銳所服務的部分細分市場是圍繞著技術崗位的招聘業務展開的。所以獵頭業務需要對崗位的專業知識有深度理解。

獲取企業內部數據有三種方法：微調、上下文學習與 RAG。我在兩年多前判斷微調垂直大模型并沒有什么實際意義：參數小的模型容易微調，但是智能化水平低；參數大的模型難以微調?？其J的數據量太大，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，科銳一直在訓練招聘與技能的垂直 Embedding 模型和研發 MatchSystem 匹配系統。

第二次是多模態大模型。但我認為，視覺 - 語言的多模態大模型缺乏 ScalingLaw。這可能和語言是由人類創造的一種壓縮格式，所以容易出現 ScalingLaw 有關。而語音 - 語言的多模態都屬于人類創造的數據形式，是具備 ScalingLaw 的。在這個階段我們核心關注 AI 電話這個場景。因為在招聘過程中，很多都需要進行電話溝通。

第三次是 Agent。這個階段是從 DeepSeek R1 通過強化學習將推理能力提升到了一個新高度開始的。這個階段我認為最佳的發展方向是：輕微重復的短流程業務。

剛才講的是技術，再講講產品。我們很多年前就判斷未來的招聘行業的市場變化速度會越來越快。原因有兩個：第一個是國內產業鏈越來越細分，細分崗位也就越來越多，比如工程師崗位，原先用五個類別劃分就夠了，現在可能要九類，甚至十類進行劃分。第二個是技術呈現出指數型的發展。

我們在三年前開始構建大數據平臺，所以積累了非常多的數據。我們希望利用研發的 MatchSystem 匹配系統和 CRE Embedding 模型的能力，將線上線下，增量存量、區域行業的客戶、職位、人才和顧問進行實時 AI 匹配，進而可以更快的響應市場的快速變化。這些技術已經應用在科銳內部系統和平臺產品禾蛙上。

劉湘明：您可否分享一些具體的細節和經驗？

劉之：Embedding 模型相當于將簡歷和招聘需求能夠編碼成一個計算機能讀懂的語言，從而讓大模型在訪問企業內部數據的時候，可以快速在一個龐大的數據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。當來到了 Agent 時代，這種技術就存在問題了。比如我問 Agent：" 我想知道科銳數據庫中，有哪些產品經理是有從 0 到 1 經驗的？" 這就需要我看完這個人的簡歷后，進行一些推理。比如這個曾經從 0 到 1 創業過，這個人曾經在小公司待過，而這個公司曾經發展很快，那么他就會有從 0 到 1 的經驗。推理是指通過多個證據，并得出結論。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，有一個人選，這個人曾經在哪些地方工作過 "。

多跳檢索和推理任務在 Agent 時代里，如果用傳統基于語義的 Embedding 模型的話，Agent 需要與系統進行反復交互。這樣消耗的 Token 量非常的大，速度很慢，而且還不一定準確。

我們在兩年多 Embedding 的實踐中，一直有一個疑惑：" 為什么像 BERT 這樣的 Encoder 架構，它的 Scaling Law 不明顯？" 后來我們從強化學習、語言學和認知心理學的角度進行了深入研究，才有了一些頓悟。我們過去總以為語言的本質是為了傳遞信息和知識，也就是我們所說的 " 語義 "。但其實，語言與思維有著更深層的關系。比如人在思考的時候，腦海里會出現很多詞匯或句子。這種語言形式，我們稱之為 " 內語（Inner Speech）"。內語有兩個關鍵作用：第一個是幫助人保持注意力集中，第二個是引導和組織人的思維過程。

既然我們認為語言與顯性思維有關，那么我們為什么不能在 Embedding 模型中把這種 " 思維鏈 " 激發出來呢？基于這個認識，科銳正在研發兩個創新性的技術：第一個叫 RT（Refine Thought）推理技術，它通過多次前向傳播，快速激發出 Embedding 模型在預訓練階段學習到的推理能力。RT 與 Embedding 模型結合，已經在多個公開數據集上刷新了 SOTA（State of the Art，業界最優）。第二個是 正在訓練的 CRE-T1 模型。它引入了基于強化學習的訓練框架，并采用 token 級別的信用分配機制，從而擺脫傳統對比學習的約束，使 Embedding 模型在推理狀態空間中實現更加有效的跳躍與泛化。

劉湘明：招聘看起來是一個人力資源的環節，但其實這里面個性化差異非常大，面向不同的崗位、人才，分類龐雜，在進行 AI 應用之前，你們怎么梳理這些需求的？

劉之：首先先談談對行業的理解。我認為服務跟產品是兩回事，管理學上講，服務管理與產品管理本質上存在區別。服務管理比較強調激發顧問的自主性，需要充分授權。所以在服務行業里，過分強調標準化違背了行業特點。但是我們要做系統，即使有自定義能力，也必須具備一定的標準化能力。這就產生了沖突。

在這種個性化較多的情況下，最核心的是進行識別需求。在需求識別上，我們可以分為兩個階段：一是 Agent 出現之前；二是 Agent 出現之后。

Agent 出現之前做產品，最核心的是要識別出小需求和偽需求。如果小需求，同時高頻出現，往往這個需求是一個非常好的抓手，能夠實現單點突破。這兩類需求產生的原因：1，對技術上限不了解，過于宏大敘事；2，對需求背后的真相不理解；3，沒考慮需求的應用范圍和頻次。

針對此，科銳提出了 " 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。問題需要精準定義待解決的痛點。對比 " 現有方案 " ( Before ) 與 " 新方案 " ( After ) ，關鍵是新方案能否帶來十倍級體驗提升，同時預判新方案可能帶來的衍生問題。

另一方面，在 AI 早期，我們認為應該盡量做 " 老場景 " 的 " 新解法 "。因為技術還在變革，可能再過兩三年才會出現新場景。

Agent 之后，產品設計和需求管理的方法又發生了巨大的改變。Agent 更強調自主性，自主完成任務。原先做系統的時候，需要特別關注流程節點，我們稱為交付物。產研負責將線下的交付物固化到線上。但 Agent 時代，交付物的固化已經不重要了，更多要觀察的是優秀顧問的感知和決策的過程。所以，Agent 需要更多優秀顧問參與到產研開發環節中。

這個階段，要先解決基礎能力再解決場景需求。例如，以科銳正在內測的 Agent 系統。舉個例子，基礎能力包括模型、沙箱（沙箱就是一臺電腦，需要一個代碼執行環境，同時還需要訪問外部網站）、工作記憶與長期記憶、工具等等。解決了基礎能力之后，才開始優化具體的場景。在場景開發時候，還對基礎能力提出一些特別的需求。

Agent 與人一樣，都需要在一個巨大的問題空間中，搜索解決問題的路徑。這個問題空間我們可以用一個叫問題清晰度的指標來進行衡量。問題清晰度用專業的術語可以稱為 " 問題空間結構良好性 "。問題清晰度包含三個方面：第一是當前狀態清不清晰；第二個是目標狀態清不清晰；第三個是搜索空間是否巨大。當問題清晰度很低的情況下，搜索是非常復雜的。

第二個指標叫費力度。認知心理學的術語可以稱為 " 認知負荷 "。它說明在這個任務當中需要耗費多少心智資源。

用費力度和問題清晰度兩個指標并結合頻次去進行判斷。比如有些高問題清晰度、低費力度的問題，如果這類問題是反復出現的，那么企業應用優先解決；而低問題清晰度、高費力度的問題，這類問題價值極大（例如 AI 編碼、Coding）。通常使用長程規劃（甚至是逐步規劃），并結合更多的工作記憶才能解決。

使用這兩個指標對企業的業務或任務進行分層，找出要重點解決的場景。找到場景后，還需要進一步去思考讓 Agent 先模仿人類，再如何超越人類。

劉湘明：我再追問一下，科銳國際 AI 應用與員工協作關系是什么樣的？如何用 AI？

劉之：先談產研內部的協作關系。我覺得這一波 AI 是高度學科融合的，正在對所有職能的分工進行重塑。最早大模型關心的是工程與深度學習算法的融合，到了具身智能之后開始出現了強化學習，再到 Agent 時代，更多討論的是認知心理學。

過去我們一直在強調分工和協作，但這一輪 AI 浪潮的到來，正在加速消滅分工和協作。

所以在過去的幾年時間內，無論是產品、數據、工程師，還是測試、前端、后端等部門的員工，科銳都做了很多融合工作，比如，我們要求后端會寫算法；產品經理會寫代碼 .... 這樣的融合才能拉齊大家的認知。

再從業務與產研的協作關系來看。我認為業務與產研的協作關系，應該從原來的產品幫助業務梳理流程，到實現業務自己梳理，自己實現應用的過程。產研提供的更多是可以根據業務人員的需求進行定制的通用產品。業務人員可以自己創建一個獨立的 Agent，并通過對話的方式訓練它。但核心在于業務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，真正的技術革命是對組織文化、傳統管理提出了巨大的挑戰。

劉之：對，管理革命的確經過了很多階段。從早年的科學管理，到行為管理，到目標管理，再到過去幾年大廠所推行的網格化管理。其實早在中臺出現之后，尤其在產研部門，更多出現的是反分工，消滅分工。

原先，在一些諸如打車、外賣等輕服務的行業，已經利用數字化的手段實現了一定程度上的標準化。而產品管理，比如服裝行業，他們其實是用數字化的方法，實現了一定程度的個性化。

這一輪的 AI 變革對于服務行業而言，最大的改變是：能夠讓服務行業的標準化程度再高點，或者說是將其自動化程度再提高一點，這就會帶來一個全新的管理革命。

此外，我問過一些大模型一個問題：當 Agent 在一家企業里面的應用數量超過人類會怎樣？超過 100 倍會怎樣？大多數模型給我的答案是：中層干部會消失。中層原來特別強調協調，他們的職能可能就是上傳下達，協調所有人。

劉湘明：以招聘為例，原來寫簡歷是為了要考慮搜索優化，未來是不是要考慮 AI 優化的問題？

劉之：這個問題我們前段時間還真考慮過。我們現在很多時候是基于人類語言進行交互和處理，那么我們有沒有可能為 AI 創造一個全新的語言，它的壓縮率更高（因為中文壓縮率是比英文壓縮率要高的）。后來我試著用 AI 創造出了一個高度壓縮的語言，說實話連我自己都沒看懂。

劉湘：相比上一個技術時代，哪些新的突破性技術在推動產品智能化進程中，起到了關鍵作用？

劉之：對科銳而言，第一是預訓練語言模型和合成數據對我們的幫助極大。在此之前，企業做匹配系統更多的是靠標簽以及知識圖譜之類的方式。這需要大量的人工標注。但有了預訓練語言模型的話，標注量就少了很多。

合成數據方面，畢竟原有的數據十分有限，通過合成的方式，我們可以將原先有限的數據擴展出特別多的數據，這些數據再通過對比學習等方法進行訓練。

第二點我認為最大的變化是推理。我們過去理解匹配是語義的匹配，后來我們認為匹配不僅是語義，可能還包含了組織結構、個人偏好等方面的匹配，現在，我們認為匹配就是推理。

推理呈現更多的是人類思維，我認為推理是一個意義重大的事情。而 DeepSeek-R1 問世之后，反響之所以這么大，也是因為他對推理，尤其是結合強化學習這方面的突破，讓人們明白了原來推理可以通過強化學習，僅需要少量數據（比預訓練少），就能達到原先預訓練階段的推理能力。

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 Agent 上限的理解。

我認為通用 Agent 最大的難點在于工作記憶有限。Agent 可以通過增大步數或提升計算總時長來提升任務執行的效果。但這會產生巨大的上下文（工作記憶）。而很多大模型雖然名義上的上下文窗口很大，但實際有效的注意力有限。

我個人認為在 Transformer 架構下有一個 " 三難困境 "，即 " 上下文窗口大小 "、" 有效的注意力 " 和 " 高信息密度 "，這三者無法同時實現。

比如長文章的檢索任務，大部分模型的有效注意力能到 90% 左右，但如果是推理任務，比如需要從里面根據某極端內容推理得到一個結果，大部分模型的有效上下文，有效注意力長度就會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，客戶對于 AI 技術的接受度與付費意愿如何？

劉之：科銳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；還有一類是生態伙伴。目前在候選人與甲方 / 雇主方這兩個群體中，科銳尚未對外提供 AI 產品。我覺得從今年年初開始 AI 接受度開始大幅度上升，已經有很多甲方客戶會找我們了解 AI 落地。不過在禾蛙平臺上，我們提供了一些 AI 工具，用于幫助生態伙伴提升工作效率。

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：第一個是一定要預判方向，至少要做到預判 3 個月以內的技術方向。在方向預判過程中，要避免走到通用大模型的主航道上，時時刻刻要思考國內外科技巨頭們會怎樣做。

第二個是對技術要有敬畏之心。有了敬畏之心，就會選擇在一個技術或場景上反復打磨，而不是到處開花。這個技術一定是在整個系統中解決問題的核心技術。因為具體到落地過程中，哪怕一個小功能的落地上線，都有可能遇見很多坑。在單點上的投入，把一個點打磨的特別好，一旦這個點突破了，也許整體就突破了。

劉湘明：對您來說，這個點是什么？

劉之：以科銳為例，我認為我們過去幾年很重要的關鍵點是：行業變化速度很快，我們需要更快的響應行業變化速度。所以圍繞這個判斷，我們做了很多工作。同時，我認為我們需要在某些業務上實現規?；? —— 比如在某個崗位或某個賽道上達成規?；?。在這個過程中，我覺得最重要的是解決兩個問題：一是如何獲取更多數據，二是如何在單點業務中結合技術應用。此外，技術討論必須與業務實際緊密結合。