人为智能的产业化过程，，早已超过概念索求，，正以 “老场景·新解法”的范式，，静默却深刻地重构各行各业。。。在2025世界人为智能大会暨人为智能全球治理高级别会议（简称“WAIC 2025”）现。。。808钱包CTO刘之受邀做客钛媒体《数字价值观察室》，，与钛媒体结合首创人刘湘明发展对话，，聚焦 “AI+人力资源服务” 场景，，带来808钱包的前瞻思虑与索求实际。。。

当前人力资源领域，，招聘有关的AI新利用层出不穷。。。面对尚未收敛的技术环境，，808钱包CTO刘之强调求实战术：回归主题业务流程（“老场景”），，寻找颠覆性解决规划（“新解法”），，通过小领域验证成功后再规模化复制。。。
“AI仍处早期，，技术刷新仍在进行，，新场景和新贸易模式或需两三年能力成型。。。现阶段，，我们更关注若何用AI革命性地解决既有痛点。。！ 刘之在对话明确暗示。。。同时，，他提出了通用 Agent 工作影象的三难困境：长高低文窗口、、有效把稳力和高信息密度的三者不成能同时实现，，并且以为Agent落地能够从问题清澈度和费劲度两个维度启程进行选择。。。

刘之将天生式AI在业务中的利用演进划分为清澈的三阶段：
第一个阶段是 ChatGPT阶段：重塑知识获取方式。。。808钱包利用其重大人才库与大模型结合，，显著提升了猎头这种知识密集型业务的效能。。。 
第二个阶段是多模态阶段：随着多模态模型成熟，，808钱包聚焦语音与文本模态的融合，，尤其用于优化招聘中的语音沟通环节。。。 
第三个阶段是Agent阶段：随着 Agent的推理、、长程规划和工具挪用能力的提升，，重构短流程业务,实现从辅助决策到自主执行的逾越，，成为808钱包主攻的方向。。。

Agent的引入，，从底子上扭转了技术需要的界定方式和产品设计逻辑。。。Agent出现之前做产品，，鉴别需要很重要，，尤其是要鉴别出小需要和伪需要。。。若是某个小需要同时具备高频出现的特点，，往往这个需要是一个非：玫淖ナ郑赡茉质迪值サ阃黄。。。但大部门情况下，，这类小需要难以寻找，，往往更多的是无法被规模化的小需要。。。
这两类需要产生的原因重要有三点：1，，对技术上限不相识，，容易陷入巨大叙事；2，，没有真正理解需要的性质；3，，没思考合用领域和频次。。。
针对这些问题，，808钱包提出了“问题规划链“的需要治理步骤。。。其主题是明确需要涉及的对象、、具体问题以及对应规划。。。设计出规划Before和After的对比，，并针对规划自身分析可能存在的问题和进一步优化的方向，，此外还要判断执行后是否能带来显著改善，，进而进入决策环节。。。 
Agent 出现后，，产品设计与需要治理产生巨变。。。Agent主题是自主性，，强调自主实现工作 —— 分歧于以往系统聚焦流程节点（交付物）并固化到线上，，Agent 时期更需观察优良照拂的感知与决策过程，，因而必要更多照拂参加产研环节。。。

刘之以为，，刚落地Agent时该当优先解决基础能力，，再落地场景需要。。。例如先构建好沙箱、、工作影象与持久影象、、感知系统、、工具等等。。。当基础能力美满后，，再去看场景需要。。。落地场景需要时往往会要求基础能力提出一些新的要求。。。这种迭代螺旋上升的方式能够既不失去Agent的自主性，，又能更好的切近场景。。。瞻望将来，，刘之暗示，，2025年808钱包的主题指标是将MatchSystem持续改进以加强其从语义级匹配往利用级匹配过渡的能力，，并与招聘场景进行结合，，最终形成SearchAgent。。。他泄漏808钱包已经起头内测更壮大的Agent产品，，自动化与自主化标签界说、、CRN 图模型等场景化利用也在同步推动。。。


附上本期直播功夫轴,帮你急剧跳转感兴致的部门
03：03  Agent利用近况
04：17 808钱包AI利用布局
06：43 大模型发展的三个阶段
11：20  Agent利用痛点
17：40 若何选出“真”AI需要
27：45 两个指标，，筛选Agent优先落地场景
33：54  AI正在重塑各行各业
38：17  AI若何重构人力资源行业

以下为对话实录,经钛媒体APP整顿:

刘湘明:首先,请您单一介绍一下808钱包。。。
刘之：808钱包是一家技术驱动型的人力资源解决规划公司，，是国内第一家在A股上市的人力资源公司。。。目前在全球有160多个分支机构，，重要提供猎头、、招聘流程外包以及矫捷用工等人力资源服务，，主题优势是技术+平台+服务的贸易模式。。。

刘湘明:这次参与WAIC大会, 您的感触若何?
刘之：我看到了具身智能融洽多硬件厂商的展台。。。AI当然依然还是更多是萦绕着基础设施，，利用厂商还比力少。。。不外我相信明年、、后年，，WAIC上会出现更多的利用公司。。。别的，，我感触技术氛围极度不错，，能在会上看见一些不错的技术展示。。。

刘湘明：AI 落地是目前热议的话题，，此刻 AI 在招聘业务的利用和刷新，，已经到什么水平了？
刘之：目前国内外在招聘方面的AI利用有好多进展。。。整体上看，，我感触人力资源公司和SaaS公司发展是最快的，，而企业侧相对来说慢一点。。。固然AI仍处于美满基础设施的阶段，，但我相信过一段功夫之后，，在招聘场景中会有更多的利用，，甚至新的贸易模式出现。。。

刘湘明：目前808钱包在 AI 利用做了哪些尝试？
刘之：808钱包在 ChatGPT 刚问世的时辰就起头了 AI 利用的尝试。。。我感触这个过程中或许经历了三次技术突破。。。
第一次是 ChatGPT 问世。。。ChatGPT 扭转了知识获取的方式。。。在这个阶段，，808钱包重要针对猎头业务发展 AI 化。。。由于808钱包所服务的部门细分市场是萦绕着技术岗位的招聘业务发展的。。。所以猎头业务必要对岗位的专业知识有深度理解。。。
获取企业内部数据有三种步骤：微调、、高低文学习与 RAG。。。我在两年多前判断微调垂直大模型并没有什么现实意思：参数小的模型容易微调，，但是智能化水平低；参数大的模型难以微调。。808钱包的数据量太大，，没法放在高低文中。。。所以我们主攻的方向是 RAG。。。而 RAG 的主题就是 Embedding 模型，，从前两年，，808钱包一向在训练招聘与技术的垂直 Embedding 模型和研发MatchSystem匹配系统。。。
第二次是多模态大模型。。。但我以为，，视觉 - 说话的多模态大模型不足 ScalingLaw。。。这可能和说话是由人类创制的一种压缩体式，，所以容易出现 ScalingLaw有关。。。而语音 - 说话的多模态都属于人类创制的数据大局，，是具备 ScalingLaw 的。。。在这个阶段我们主题关注 AI 电话这个场景。。。由于在招聘过程中，，好多都必要进行电话沟通。。。
第三次是 Agent。。。这个阶段是从 DeepSeek R1 通过强化学习将推理能力提升到了一个新高度起头的。。。这个阶段我以为最佳的发展方向是：轻微反复的短流程业务。。。
刚才讲的是技术，，再讲讲产品。。。我们好多年前就判断将来的招聘行业的市场变动速度会越来越快。。。原因有两个：第一个是国内产业链越来越细分，，细分岗位也就越来越多，，好比工程师岗位，，原先用五个类别划分就够了，，此刻可能要九类，，甚至十类进行划分。。。第二个是技术出现出指数型的发展。。。
我们在三年前起头构建大数据平台，，所以堆集了极度多的数据。。。我们但愿利用研发的 MatchSystem 匹配系统和 CRE Embedding 模型的能力，，将线上线下，，增量存量、、区域行业的客户、、职位、、人才和照拂进行实时 AI 匹配，，进而能够更快的响应市场的急剧变动。。。这些技术已经利用在808钱包内部系统和平台产品禾蛙上。。。

刘湘明：您可否分享一些具体的细节和经验？
刘之：Embedding 模型相当于将简历和招聘需要可能编码成一个推算机能读懂的说话，，从而让大模型在接见企业内部数据的时辰，，能够急剧在一个重大的数据库中找到想要的信息。。。
在今年 4 月份以前，，Embedding 模型还处在语义阶段。。。语义即代表了一段文本的潜在意思。。。当来到了 Agent 时期，，这种技术就存在问题了。。。好比我问 Agent：" 我想知晓808钱包数据库中，，有哪些产品经理是有从 0 到 1 经验的？" 这就必要我看完这小我的简历后，，进行一些推理。。。好比这个已经从 0 到 1 创业过，，这小我已经在小公司待过，，而这个公司已经发展很快，，那么他就会有从 0 到 1 的经验。。。推理是指通过多个证据，，并得出结论。。。还有些情况下，，Agent 还必要做一些多跳检索。。。好比我想查问 " 某家公司内，，有一小我。。。庑∥乙丫谀男┐λぷ鞴 "。。。
多跳检索和推理工作在 Agent 时期里，，若是用传统基于语义的 Embedding 模型的话，，Agent 必要与系统进行反复交互。。。这样亏损的 Token 量极度的大，，速度很慢，，并且还不愿定正确。。。
我们在两年多 Embedding 的实际中，，一向有一个疑惑：" 为什么像 BERT 这样的 Encoder 架构，，它的 Scaling Law 不显著？" 后来我们从强化学习、、说话学和认知生理学的角度进行了深刻钻研，，才有了一些顿悟。。。我们从前总以为说话的性质是为了传递信息和知识，，也就是我们所说的 " 语义 "。。。但其实，，说话与思想有着更深层的关系。。。好比人在思虑的时辰，，脑海里会出现好多词汇或句子。。。这种说话大局，，我们称之为 " 内语（Inner Speech）"。。。内语有两个关键作用：第一个是援手人维持把稳力集中，，第二个是疏导和组织人的思想过程。。。
既然我们以为说话与显性思想有关，，那么我们为什么不能在 Embedding 模型中把这种 " 思想链" 引发出来呢？基于这个意识，，808钱包正在研发两个创新性的技术：第一个叫 RT（Refine Thought）推理技术，，它通过屡次前向传布，，急剧引发出 Embedding 模型在预训练阶段学习到的推理能力。。。RT 与Embedding 模型结合，，已经在多个公开数据集上刷新了 SOTA（State of the Art，，业界最优）。。。第二个是 正在训练的CRE-T1 模型。。。它引入了基于强化学习的训练框架，，并选取token级此外信誉分配机制，，从而脱节传统对比学习的约束，，使 Embedding 模型在推理状态空间中实现越发有效的跳跃与泛化。。。

刘湘明：招聘看起来是一小我力资源的环节，，但其实这里面个性化差距极度大，，面向分歧的岗位、、人才，，分类错杂，，在进行 AI利用之前，，你们怎么梳理这些需要的？
刘之：首先先谈谈对行业的理解。。。我以为服务跟产品是两回事，，治理学上讲，，服务治理与产品治理性质上存在区别。。。服务治理比力强调引发照拂的自主性，，必要充分授权。。。所以在服务行业里，，过度强调尺度化违背了行业特点。。。但是我们要做系统，，即便有自界说能力，，也必须具备肯定的尺度化能力。。。这就产生了矛盾。。。
在这种个性化较多的情况下，，最主题的是进行鉴别需要。。。在需要鉴别上，，我们能够分为两个阶段：一是 Agent 出现之前；二是 Agent 出现之后。。。
Agent 出现之前做产品，，最主题的是要鉴别出小需要和伪需要。。。若是小需要，，同时高频出现，，往往这个需要是一个非：玫淖ナ郑赡苁迪值サ阃黄。。。这两类需要产生的原因：1，，对技术上限不相识，，过于巨大叙事；2，，对需要背后的真相不理解；3，，没思考需要的利用领域和频次。。。
针对此，，808钱包提出了 " 问题 - 规划链 " 的需要治理步骤。。。要明确 " 谁 "" 问题 " 和 " 规划 "。。。必要明确具体且有代表性的用户角色。。。问题必要精准界说待解决的痛点。。。对比 " 现有规划 "(Before) 与 " 新规划 "(After)，，关键是新规划能否带来十倍级履历提升，，同时预判新规划可能带来的衍生问题。。。
另一方面，，在 AI 早期，，我们以为应该尽量做 " 老场景 " 的 " 新解法 "。。。由于技术还在刷新，，可能再过两三年才会出现新场景。。。
Agent 之后，，产品设计和需要治理的步骤又产生了巨大的扭转。。。Agent 更强调自主性，，自主实现工作。。。原先做系统的时辰，，必要出格关注流程节点，，我们称为交付物。。。产研掌管将线下的交付物固化到线上。。。但 Agent 时期，，交付物的固化已经不重要了，，更多要观察的是优良照拂的感知和决策的过程。。。所以，，Agent 必要更多优良照拂参加到产研开发环节中。。。
这个阶段，，要先解决基础能力再解决场景需要。。。例如，，以808钱包正在内测的 Agent 系统。。。举个例子，，基础能力蕴含模型、、沙箱（沙箱就是一台电脑，，必要一个代码执行环境，，同时还必要接见外部网站）、、工作影象与持久影象、、工具等等。。。解决了基础能力之后，，才起头优化具体的场景。。。在场景开发时辰，，还对基础能力提出一些出格的需要。。。
Agent 与人一样，，都必要在一个巨大的问题空间中，，搜索解决问题的蹊径。。。这个问题空间我们能够用一个叫问题清澈度的指标来进行衡量。。。问题清澈度用专业的术语能够称为 " 问题空间结构优良性 "。。。问题清澈度蕴含三个方面：第一是当前状态清不清澈；第二个是指标状态清不清澈；第三个是搜索空间是否巨大。。。当问题清澈度很低的情况下，，搜索是极度复杂的。。。
第二个指标叫费劲度。。。认知生理学的术语能够称为 " 认知负荷 "。。。它注明在这个工作傍边必要耗费几多心智资源。。。
用费劲度和问题清澈度两个指标并结合频次去进行判断。。。好比有些高问题清澈度、、低费劲度的问题，，若是这类问题是反复出现的，，那么企业利用优先解决；而低问题清澈度、、高费劲度的问题，，这类问题价值极大（例如 AI 编码、、Coding）。。。通常使用长程规划（甚至是逐步规划），，并结合更多的工作影象能力解决。。。
使用这两个指标对企业的业务或工作进行分层，，找出要重点解决的场景。。。找参与景后，，还必要进一步去思虑让 Agent 先仿照人类，，再若何超过人类。。。

刘湘明：我再追问一下，，808钱包 AI 利用与员工合作关系是什么样的？若何用 AI？
刘之：先谈产研内部的合作关系。。。我感触这一波 AI 是高度学科融合的，，正在对所有职能的分工进行重塑。。。最早大模型关切的是工程与深度学习算法的融合，，到了具身智能之后起头出现了强化学习，，再到 Agent 时期，，更多会商的是认知生理学。。。
从前我们一向在强调分工和合作，，但这一轮 AI 海潮的到来，，正在加快扑灭分工和合作。。。
所以在从前的几年功夫内，，无论是产品、、数据、、工程师，，还是测试、、前端、、后端等部门的员工，，808钱包都做了好多融合工作，，好比，，我们要求后端会写算法；产品经理睬写代码....这样的融合能力拉齐各人的认知。。。
再从业务与产研的合作关系来看。。。我以为业务与产研的合作关系，，应该从原来的产品援手业务梳理流程，，到实现业务自己梳理，，自己实现利用的过程。。。产研提供的更多是能够凭据业务人员的需要进行定制的通用产品。。。业务人员能够自己创建一个独立的 Agent，，并通过对话的方式训练它。。。但主题在于业务人员能不能把自己的感知和决策过程抽象提炼出来。。。

刘湘明：所以说，，真正的技术革命是对组织文化、、传统治理提出了巨大的挑战。。。
刘之：对，，治理革命简直经过了好多阶段。。。从早年的科学治理，，到行为治理，，到指标治理，，再到从前几年大厂所奉行的网格化治理。。。其实早在中台出现之后，，尤其在产研部门，，更多出现的是反分工，，扑灭分工。。。
原先，，在一些诸如打车、、外卖等轻服务的行业，，已经利用数字化的伎俩实现了肯定水平上的尺度化。。。而产品治理，，好比服装行业，，他们其实是用数字化的步骤，，实现了肯定水平的个性化。。。
这一轮的 AI 刷新对于服务行业而言，，最大的扭转是：可能让服务行业的尺度化水平再高点，，或者说是将其自动化水平再提高一点，，这就会带来一个全新的治理革命。。。
此外，，我问过一些大模型一个问题：当 Agent 在一家企业里面的利用数量超过人类会怎么？超过 100 倍会怎么？大无数模型给我的答案是：中层干部会隐没。。。中层原来出格强调协调，，他们的职能可能就是上传下达，，协调所有人。。。

刘湘明：以招聘为例，，原来写简历是为了要思考搜索优化，，将来是不是要思考 AI 优化的问题？
刘之：这个问题我们前段功夫还真思考过。。。我们此刻好多时辰是基于人类说话进行交互和处置，，那么我们有没有可能为 AI 创制一个全新的说话，，它的压缩率更高（由于中文压缩率是比英文压缩率要高的）。。：罄次沂宰庞 AI 创制出了一个高度压缩的说话，，说真话连我自己都没看懂。。。 

刘湘明：相比上一个技术时期，，哪些新的突破性技术在推动产品智能化过程中，，起到了关键作用？
刘之：对808钱包而言，，第一是预训练说话模型和合成数据对808钱包援手极大。。。在此之前，，企业做匹配系统更多的是靠标签以及知识图谱之类的方式。。。这必要大量的人为标注。。。但有了预训练说话模型的话，，标注量就少了好多。。。
合成数据方面，，终于原有的数据极度有限，，通过合成的方式，，我们能够将原先有限的数据扩大出出格多的数据，，这些数据再通过对比学习等步骤进行训练。。。
第二点我以为最大的变动是推理。。。我们从前理解匹配是语义的匹配，，后来我们以为匹配不仅是语义，，可能还蕴含了组织结构、、小我偏好等方面的匹配，，此刻，，我们以为匹配就是推理。。。
推理出现更多的是人类思想，，我以为推理是一个意思重大的事件。。。而 DeepSeek-R1问世之后，，反映之所以这么大，，也是由于他对推理，，尤其是结合强化学习这方面的突破，，让人们领略了原来推理能够通过强化学习，，仅必要少量数据（比预训练少），，就能达到原先预训练阶段的推理能力。。。

刘湘明：AI+ 人力资源招聘场景的上限取决于什么？
刘之：我先讲一下对 Agent 上限的理解。。。
我以为通用 Agent 最大的难点在于工作影象有限。。。Agent 能够通过增大步数或提升推算总时长来提升工作执行的成效。。。但这会产生巨大的高低文（工作影象）。。。而好多大模型固然名义上的高低文窗口很大，，但现实有效确把稳力有限。。。
我小我以为在 Transformer 架构下有一个 " 三难困境 "，，即 " 高低文窗口巨细 "、、" 有效确把稳力 " 和 " 高信息密度 "，，这三者无法同时实现。。。
好比长文章的检索工作，，大部门模型的有效把稳力能到 90% 左右，，但若是是推理工作，，好比必要从里面凭据某极端内容推理得到一个了局，，大部门模型的有效高低文，，有效把稳力长度就会造成高低文窗口巨细的 60% 左右。。。
而招聘 Agent 的上限取决于感知能力。。。感知层面与具身智能一样，，都是最难解决的问题。。。在招聘傍边，，有一些肢体说话、、表情等等。。。这些感知决定了招聘 Agent 的上限。。。

刘湘明：从客户角度启程，，客户对于 AI 技术的接受度与付费意愿若何？
刘之：808钱包的客户群能够分为三类，，一类是甲方/雇主方；一类是候选人；还有一类是生态同伴。。。目前在候选人与甲方/雇主方这两个群体中，，808钱包尚未对外提供 AI 产品。。。我感触从今年岁首起头 AI 接受度起头大幅度上升，，已经有好多甲方客户会找我们相识 AI 落地。。。不外在禾蛙平台上，，我们提供了一些AI工具，，用于援手生态同伴提升工作效能。。。

刘湘明：AI 在落地过程中，，最重要、、最值得器重的问题是什么？
刘之：第一个是肯定要预判方向，，至少要做到预判 3 个月以内的技术方向。。。在方向预判过程中，，要预防走到通用大模型的主航道上，，不断刻刻要思虑国内外科技巨头们会怎么做。。。
第二个是对技术要有敬畏之心。。。有了敬畏之心，，就会选择在一个技术或场景上反复打磨，，而不是四处着花。。。这个技术肯定是在整个系统中解决问题的主题技术。。。由于具体到落地过程中，，哪怕一个小职能的落地上线，，都有可能遇见好多坑。。。在单点上的投入，，把一个点打磨的出格好，，一旦这个点突破了，，也许整体就突破了。。。

刘湘明：对您来说，，这个点是什么？
刘之：以808钱包为例，，我以为我们从前几年很重要的关键点是：行业变动速度很快，，我们必要更快的响应行业变动速度。。。所以萦绕这个判断，，我们做了好多工作。。。同时，，我以为我们必要在某些业务上实现规模化 —— 好比在某个岗位或某个赛道上达成规模化效应。。。在这个过程中，，我感触最重要的是解决两个问题：一是若何获取更无数据，，二是若何在单点业务中结合技术利用。。。此外，，技术会商必须与业务现实缜密结合。。。

起源：钛媒体

---

808钱包
北京808钱包人力资源股份有限公司是当先的以技术驱动的整体人才解决规划服务商，，于2017年6月正式在深交所上市，，成为国内首家登陆A股的人力资源服务企业（300662.SZ）。。。公司目前在中国、、新加坡、、马来西亚、、美国、、英国、、德国、、荷兰、、澳大利亚、、瑞士等全球市场占有160余家分支机构，，近2,500名自有员工。。。通过构建“技术+平台+服务”的贸易模式，，在20+个细分行业及领域为客户提供中高端人才访寻、、招聘流程外包、、矫捷用工、、人力资源征询、、培训与发展等人力资源全产业链服务，，以及HR SaaS、、AI赋能的人力资源产业互联平台等技术和生态产品，，为企业人才配置与业务发展提供一体化支持，，为区域引才就业与产才融合提供全链条赋能。。。2024年，，交易收入达117.88亿元，，服务客户6,000余家，，成功推荐中高端治理及专业技术人员近20,000名，，年度在册治理外包员工及兼职专家45,500余人，，累计派出近50万人次，，链接生态合作同伴超15,500家。。。