人工智能的工业化历程，早已逾越看法探索，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天下人工智能大会暨人工智能全球治理高级别聚会（简称“WAIC 2025”）现场，mg冰球突破CTO刘之受邀做客钛媒体《数字价值视察室》，与钛媒体联合首创人刘湘明睁开对话，聚焦 “AI+人力资源服务” 场景，带来mg冰球突破的前瞻思索与探索实践。。

目今人力资源领域，招聘相关的AI新应用层出不穷。。面临尚未收敛的手艺情形，mg冰球突破CTO刘之强调务实战略：回归焦点营业流程（“老场景”），寻找倾覆性解决方案（“新解法”），通过小规模验证乐成后再规模；；粗。。
“AI仍处早期，手艺厘革仍在举行，新场景和新商业模式或需两三年才华成型。。现阶段，我们更关注怎样用AI革命性地解决既有痛点。！
！！ 刘之在对话明确体现。。同时，他提出了通用 Agent 事情影象的三难逆境：长上下文窗口、、有用注重力和高信息密度的三者不可能同时实现，并且以为Agent落地可以从问题清晰度和艰辛度两个维度出发举行选择。。

刘之将天生式AI在营业中的应用演进划分为清晰的三阶段：
第一个阶段是 ChatGPT阶段：重塑知识获取方式。。mg冰球突破使用其重大人才库与大模子连系，显著提升了猎头这种知识麋集型营业的效率。。 
第二个阶段是多模态阶段：随着多模态模子成熟，mg冰球突破聚焦语音与文本模态的融合，尤其用于优化招聘中的语音相同环节。。 
第三个阶段是Agent阶段：随着 Agent的推理、、长程妄想和工具挪用能力的提升，重构短流程营业,实现从辅助决议到自主执行的跨越，成为mg冰球突破主攻的偏向。。

Agent的引入，从基础上改变了手艺需求的界定方式和产品设计逻辑。。Agent泛起之前做产品，识别需求很主要，尤其是要识别出小需求和伪需求。。若是某个小需求同时具备高频泛起的特点，往往这个需求是一个非：玫淖ナ，能够资助实现单点突破。。但大部分情形下，这类小需求难以寻找，往往更多的是无法被规模；；男⌒枨。。
这两类需求爆发的原因主要有三点：1，敌手艺上限不相识，容易陷入弘大叙事；；；2，没有真正明确需求的实质；；；3，没思量适用规模和频次。。
针对这些问题，mg冰球突破提出了“问题方案链“的需求治理要领。。其焦点是明确需求涉及的工具、、详细问题以及对应方案。。设计出方案Before和After的比照，并针对方案自己剖析可能保存的问题和进一步优化的偏向，别的还要判断实验后是否能带来显著改善，进而进入决议环节。。 
Agent 泛起后，产品设计与需求治剃头生巨变。。Agent焦点是自主性，强调自主完成使命 —— 差别于以往系统聚焦流程节点（交付物）并固化到线上，Agent 时代更需视察优异照料的感知与决议历程，因此需要更多照料加入产研环节。。

刘之以为，刚落地Agent时应当优先解决基础能力，再落地场景需求。。例如先构建好沙箱、、事情影象与恒久影象、、感知系统、、工具等等。。当基础能力完善后，再去看场景需求。。落地场景需求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可以既不失去Agent的自主性，又能更好的贴近场景。。展望未来，刘之体现，2025年mg冰球突破的焦点目的是将MatchSystem持续刷新以增强其从语义级匹配往应用级匹配过渡的能力，并与招聘场景举行连系，最终形成SearchAgent。。他透露mg冰球突破已经最先内测更强盛的Agent产品，自动化与自助化标签界说、、CRN 图模子等场景化应用也在同步推进。。


附上本期直播时间轴,帮你快速跳转感兴趣的部分
03：03  Agent应用现状
04：17 mg冰球突破AI应用结构
06：43 大模子开展的三个阶段
11：20  Agent应用痛点
17：40 怎样选出“真”AI需求
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怎样重构人力资源行业

以下为对话实录,经钛媒体APP整理:

刘湘明:首先,请您简朴介绍一下mg冰球突破。。
刘之：mg冰球突破是一家手艺驱动型的人力资源解决方案公司，是海内第一家在A股上市的人力资源公司。。现在在全球有160多个分支机构，主要提供猎头、、招聘流程外包以及无邪用工等人力资源服务，焦点优势是手艺+平台+服务的商业模式。。

刘湘明:此次加入WAIC大会, 您的感受怎样?
刘之：我看到了具身智能和许多硬件厂商的展台。。AI虽然仍然照旧更多是围绕着基础设施，应用厂商还较量少。。不过我相信明年、、后年，WAIC上会泛起更多的应用公司。。另外，我以为手艺气氛十分不错，能在会上望见一些不错的手艺展示。。

刘湘明：AI 落地是现在热议的话题，现在 AI 在招聘营业的应用和刷新，已经到什么程度了？？？
刘之：现在海内外在招聘方面的AI应用有许多希望。。整体上看，我以为人力资源公司和SaaS公司开展是最快的，而企业侧相对来说慢一点。。虽然AI仍处于完善基础设施的阶段，但我相信过一段时间之后，在招聘场景中会有更多的应用，甚至新的商业模式泛起。。

刘湘明：现在mg冰球突破在 AI 应用做了哪些实验？？？
刘之：mg冰球突破在 ChatGPT 刚问世的时间就最先了 AI 应用的实验。。我以为这个历程中或许履历了三次手艺突破。。
第一次是 ChatGPT 问世。。ChatGPT 改变了知识获取的方式。。在这个阶段，mg冰球突破主要针对猎头营业睁开 AI 化。。由于mg冰球突破所服务的部分细分市场是围绕着手艺岗位的招聘营业睁开的。。以是猎头营业需要对岗位的专业知识有深度明确。。
获取企业内部数据有三种要领：微调、、上下文学习与 RAG。。我在两年多前判断微调笔直大模子并没有什么现实意义：参数小的模子容易微调，可是智能化水平低；；；参数大的模子难以微调。？？g冰球突破的数据量太大，没法放在上下文中。。以是我们主攻的偏向是 RAG。。而 RAG 的焦点就是 Embedding 模子，已往两年，mg冰球突破一直在训练招聘与手艺的笔直 Embedding 模子和研发MatchSystem匹配系统。。
第二次是多模态大模子。。但我以为，视觉 - 语言的多模态大模子缺乏 ScalingLaw。。这可能和语言是由人类创立的一种压缩名堂，以是容易泛起 ScalingLaw有关。。而语音 - 语言的多模态都属于人类创立的数据形式，是具备 ScalingLaw 的。。在这个阶段我们焦点关注 AI 电话这个场景。。由于在招聘历程中，许多都需要举行电话相同。。
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最先的。。这个阶段我以为最佳的开展偏向是：稍微重复的短流程营业。。
适才讲的是手艺，再讲讲产品。。我们许多年前就判断未来的招聘行业的市场转变速率会越来越快。。原因有两个：第一个是海内工业链越来越细分，细分岗位也就越来越多，好比工程师岗位，原先用五个种别划分就够了，现在可能要九类，甚至十类举行划分。。第二个是手艺呈现出指数型的开展。。
我们在三年前最先构建大数据平台，以是积累了很是多的数据。。我们希望使用研发的 MatchSystem 匹配系统和 CRE Embedding 模子的能力，将线上线下，增量存量、、区域行业的客户、、职位、、人才和照料举行实时 AI 匹配，进而可以更快的响应市场的快速转变。。这些手艺已经应用在mg冰球突破内部系统清静台产品禾蛙上。。

刘湘明：您能否分享一些详细的细节和履历？？？
刘之：Embedding 模子相当于将简历和招聘需求能够编码成一个盘算性能读懂的语言，从而让大模子在会见企业内部数据的时间，可以快速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 模子还处在语义阶段。。语义即代表了一段文本的潜在意义。。当来到了 Agent 时代，这种手艺就保存问题了。。好比我问 Agent：" 我想知道mg冰球突破数据库中，有哪些产品司理是有从 0 到 1 履历的？？？" 这就需要我看完这个人的简历后，举行一些推理。。好比这个一经从 0 到 1 创业过，这个人一经在小公司待过，而这个公司一经开展很快，那么他就会有从 0 到 1 的履历。。推理是指通过多个证据，并得出结论。。；Ｉ杏行┣樾蜗，Agent 还需要做一些多跳检索。。好比我想盘问 " 某家公司内，有一个人选，这个人一经在哪些地方事情过 "。。
多跳检索和推理使命在 Agent 时代里，若是用古板基于语义的 Embedding 模子的话，Agent 需要与系统举行重复交互。。这样消耗的 Token 量很是的大，速率很慢，并且还纷歧定准确。。
我们在两年多 Embedding 的实践中，一直有一个疑惑：" 为什么像 BERT 这样的 Encoder 架构，它的 Scaling Law 不显着？？？" 厥后我们从强化学习、、语言学和认知心理学的角度举行了深入研究，才有了一些顿悟。。我们已往总以为语言的实质是为了转达信息和知识，也就是我们所说的 " 语义 "。。但着实，语言与头脑有着更深层的关系。。好比人在思索的时间，脑海里会泛起许多词汇或句子。。这种语言形式，我们称之为 " 内语（Inner Speech）"。。内语有两个要害作用：第一个是资助人坚持注重力集中，第二个是指导和组织人的头脑历程。。
既然我们以为语言与显性头脑有关，那么我们为什么不可在 Embedding 模子中把这种 " 头脑链" 引发出来呢？？？基于这个熟悉，mg冰球突破正在研发两个立异性的手艺：第一个叫 RT（Refine Thought）推理手艺，它通过多次前向撒播，快速引发出 Embedding 模子在预训练阶段学习到的推理能力。。RT 与Embedding 模子连系，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 模子。。它引入了基于强化学习的训练框架，并接纳token级别的信用分配机制，从而挣脱古板比照学习的约束，使 Embedding 模子在推理状态空间中实现越发有用的跳跃与泛化。。

刘湘明：招聘看起来是一个人力资源的环节，但着实这内里个性化差别很是大，面向差别的岗位、、人才，分类庞杂，在举行 AI应用之前，你们怎么梳理这些需求的？？？
刘之：首先先谈谈对行业的明确。。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实质上保存区别。。服务治理较量强调引发照料的自主性，需要充分授权。。以是在服务行业里，太过强调标准化违反了行业特点。。可是我们要做系统，纵然有自界说能力，也必需具备一定的标准化能力。。这就爆发了冲突。。
在这种个性化较多的情形下，最焦点的是举行识别需求。。在需求识别上，我们可以分为两个阶段：一是 Agent 泛起之前；；；二是 Agent 泛起之后。。
Agent 泛起之前做产品，最焦点的是要识别出小需求和伪需求。。若是小需求，同时高频泛起，往往这个需求是一个非：玫淖ナ，能够实现单点突破。。这两类需求爆发的原因：1，敌手艺上限不相识，过于弘大叙事；；；2，对需求背后的真相不明确；；；3，没思量需求的应用规模和频次。。
针对此，mg冰球突破提出了 " 问题 - 方案链 " 的需求治理要领。。要明确 " 谁 "" 问题 " 和 " 方案 "。。需要明确详细且有代表性的用户角色。。问题需要精准界说待解决的痛点。。比照 " 现有方案 "(Before) 与 " 新方案 "(After)，要害是新方案能否带来十倍级体验提升，同时预判新方案可能带来的衍生问题。。
另一方面，在 AI 早期，我们以为应该只管做 " 老场景 " 的 " 新解法 "。。由于手艺还在厘革，可能再过两三年才会泛起新场景。。
Agent 之后，产品设计和需求治理的要领又爆发了重大的改变。。Agent 更强调自主性，自主完成使命。。原先做系统的时间，需要特殊关注流程节点，我们称为交付物。。产研认真将线下的交付物固化到线上。。但 Agent 时代，交付物的固化已经不主要了，更多要视察的是优异照料的感知和决议的历程。。以是，Agent 需要更多优异照料加入到产研开发环节中。。
这个阶段，要先解决基础能力再解决场景需求。。例如，以mg冰球突破正在内测的 Agent 系统。。举个例子，基础能力包括模子、、沙箱（沙箱就是一台电脑，需要一个代码执行情形，同时还需要会见外部网站）、、事情影象与恒久影象、、工具等等。。解决了基础能力之后，才最先优化详细的场景。。在场景开发时间，还对基础能力提出一些特别的需求。。
Agent 与人一样，都需要在一个重大的问题空间中，搜索解决问题的路径。。这个问题空间我们可以用一个叫问题清晰度的指标来举行权衡。。问题清晰度用专业的术语可以称为 " 问题空间结构优异性 "。。问题清晰度包括三个方面：第一是目今状态清不清晰；；；第二个是目的状态清不清晰；；；第三个是搜索空间是否重大。。当问题清晰度很低的情形下，搜索是很是重大的。。
第二个指标叫艰辛度。。认知心理学的术语可以称为 " 认知负荷 "。。它说明在这个使命当中需要泯灭几多心智资源。。
用艰辛度和问题清晰度两个指标并连系频次去举行判断。。好比有些高问题清晰度、、低艰辛度的问题，若是这类问题是重复泛起的，那么企业应用优先解决；；；而低问题清晰度、、高艰辛度的问题，这类问题价值极大（例如 AI 编码、、Coding）。。通常使用长程妄想（甚至是逐步妄想），并连系更多的事情影象才华解决。。
使用这两个指标对企业的营业或使命举行分层，找出要重点解决的场景。。找加入景后，还需要进一步去思索让 Agent 先模拟人类，再怎样逾越人类。。

刘湘明：我再追问一下，mg冰球突破 AI 应用与员工协作关系是什么样的？？？怎样用 AI？？？
刘之：先谈产研内部的协作关系。。我以为这一波 AI 是高度学科融合的，正在对所有职能的分工举行重塑。。最早大模子体贴的是工程与深度学习算法的融合，到了具身智能之后最先泛起了强化学习，再到 Agent 时代，更多讨论的是认知心理学。。
已往我们一直在强调分工和协作，但这一轮 AI 浪潮的到来，正在加速祛除分工和协作。。
以是在已往的几年时间内，无论是产品、、数据、、工程师，照旧测试、、前端、、后端等部分的员工，mg冰球突破都做了许多融合事情，好比，我们要求后端会写算法；；；产品司剖析写代码....这样的融合才华拉齐各人的认知。。
再从营业与产研的协作关系来看。。我以为营业与产研的协作关系，应该从原来的产品资助营业梳理流程，到实现营业自己梳理，自己实现应用的历程。。产研提供的更多是可以凭证营业职员的需求举行定制的通用产品。。营业职员可以自己建设一个自力的 Agent，并通过对话的方式逊。。但焦点在于营业职员能不可把自己的感知和决议历程笼统提炼出来。。

刘湘明：以是说，真正的手艺革命是对组织文化、、古板治理提出了重大的挑战。。
刘之：对，治理革命简直经由了许多阶段。。从早年的科学治理，到行为治理，到目的治理，再到已往几年大厂所推行的网格化治理。。着实早在中台泛起之后，尤其在产研部分，更多泛起的是反分工，祛除分工。。
原先，在一些诸如打车、、外卖等轻服务的行业，已经使用数字化的手段实现了一定程度上的标准化。。而产品治理，好比服装行业，他们着实是用数字化的要领，实现了一定程度的个性化。。
这一轮的 AI 厘革关于服务行业而言，最大的改变是：能够让服务行业的标准化程度再高点，或者说是将其自动化程度再提高一点，这就会带来一个全新的治理革命。。
别的，我问过一些大模子一个问题：当 Agent 在一家企业内里的应用数目凌驾人类会怎样？？？凌驾 100 倍会怎样？？？大大都模子给我的谜底是：中层干部会消逝。。中层原来特殊强调协调，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量搜索优化，未来是不是要思量 AI 优化的问题？？？
刘之：这个问题我们前段时间还真思量过。。我们现在许多时间是基于人类语言举行交互和处理，那么我们有没有可能为 AI 创立一个全新的语言，它的压缩率更高（由于中文压缩率是比英文压缩率要高的）。Ｘ屎笪沂宰庞 AI 创立出了一个高度压缩的语言，说真话连我自己都没看懂。。 

刘湘明：相比上一个手艺时代，哪些新的突破性手艺在推动产品智能化历程中，起到了要害作用？？？
刘之：对mg冰球突破而言，第一是预训练语言模子和合成数据对mg冰球突破资助极大。。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。。这需要大宗的人工标注。。但有了预训练语言模子的话，标注量就少了许多。。
合成数据方面，事实原有的数据十分有限，通过合成的方式，我们可以将原先有限的数据扩展出特殊多的数据，这些数据再通过比照学习等要领举行训练。。
第二点我以为最大的转变是推理。。我们已往明确匹配是语义的匹配，厥后我们以为匹配不但是语义，可能还包括了组织结构、、个人偏好等方面的匹配，现在，我们以为匹配就是推理。。
推理呈现更多的是人类头脑，我以为推理是一个意义重大的事情。。而 DeepSeek-R1问世之后，回声之以是这么大，也是由于他对推理，尤其是连系强化学习这方面的突破，让人们明确了原来推理可以通过强化学习，仅需要少量数据（比预训练少），就能抵达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 上限的明确。。
我以为通用 Agent 最大的难点在于事情影象有限。。Agent 可以通过增大步数或提升盘算总时长来提升使命执行的效果。。但这会爆发重大的上下文（事情影象）。。而许多大模子虽然名义上的上下文窗口很大，但现实有用的注重力有限。。
我个人以为在 Transformer 架构下有一个 " 三难逆境 "，即 " 上下文窗口巨细 "、、" 有用的注重力 " 和 " 高信息密度 "，这三者无法同时实现。。
好比长文章的检索使命，大部分模子的有用注重力能到 90% 左右，但若是是推理使命，好比需要从内里凭证某极端内容推理获得一个效果，大部分模子的有用上下文，有用注重力长度就会酿成上下文窗口巨细的 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，都是最难明决的问题。。在招聘当中，有一些肢体语言、、心情等等。。这些感知决议了招聘 Agent 的上限。。

刘湘明：从客户角度出发，客户关于 AI 手艺的接受度与付费意愿怎样？？？
刘之：mg冰球突破的客户群可以分为三类，一类是甲方/雇主方；；；一类是候选人；；；尚有一类是生态同伴。。现在在候选人与甲方/雇主方这两个群体中，mg冰球突破尚未对外提供 AI 产品。。我以为从今年年头最先 AI 接受度最先大幅度上升，已经有许多甲方客户会找我们相识 AI 落地。。不过在禾蛙平台上，我们提供了一些AI工具，用于资助生态同伴提升事情效率。。

刘湘明：AI 在落地历程中，最主要、、最值得重视的问题是什么？？？
刘之：第一个是一定要预判偏向，至少要做到预判 3 个月以内的手艺偏向。。在偏向预判历程中，要阻止走到通用大模子的主航道上，时时刻刻要思索海内外科技巨头们会怎样做。。
第二个是敌手艺要有敬畏之心。。有了敬畏之心，就会选择在一个手艺或场景上重复打磨，而不是随处着花。。这个手艺一定是在整个系统中解决问题的焦点手艺。。由于详细到落地历程中，哪怕一个小功效的落地上线，都有可能遇见许多坑。。在单点上的投入，把一个点打磨的特殊好，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mg冰球突破为例，我以为我们已往几年很主要的要害点是：行业转变速率很快，我们需要更快的响应行业转变速率。。以是围绕这个判断，我们做了许多事情。。同时，我以为我们需要在某些营业上实现规模；； —— 好比在某个岗位或某个赛道上告竣规模；；в。。在这个历程中，我以为最主要的是解决两个问题：一是怎样获取更大都据，二是怎样在单点营业中连系手艺应用。。别的，手艺讨论必需与营业现实细密连系。。

泉源：钛媒体

---

mg冰球突破
北京mg冰球突破人力资源股份有限公司是领先的以手艺驱动的整体人才解决方案服务商，于2017年6月正式在深交所上市，成为海内首家登陆A股的人力资源服务企业（300662.SZ）。。公司现在在中国、、新加坡、、马来西亚、、美国、、英国、、德国、、荷兰、、澳大利亚、、瑞士等全球市场拥有160余家分支机构，近2,500名自有员工。。通过构建“手艺+平台+服务”的商业模式，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、、无邪用工、、人力资源咨询、、培训与开展等人力资源全工业链服务，以及HR SaaS、、AI赋能的人力资源工业互联平台等手艺和生态产品，为企业人才设置与营业开展提供一体化支持，为区域引才就业与产才融合提供全链条赋能。。2024年，营业收入达117.88亿元，服务客户6,000余家，乐成推荐中高端治理及专业手艺职员近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，链接生态相助同伴超15,500家。。