8 月 3 日，在 Founder Park AGI Playground 2026 的主题对谈中，mansion88·明升官方网站 CTO、MiraDay Founder 刘之分享了他对全球招聘市场、Talent Intelligence、Agentic Search 和垂类 AI 利用壁垒的思虑。当模型厂商起头进入利用层，垂类产品是否还有壁垒？在他看来，壁垒依然存在，蕴含持久而细碎的 Dirty Work、行业合规、无法只靠 Scaling Law 解决的垂直算法，以及私罕见据和 Context。

由于 AI 的参与，招聘赛路起头了一场新的军备较量。
求职者起头用 Agent 批量投递简历，用 AI 优化简历、辅助口试，甚至通过身份伪造和 Deepfake 舞弊；企业也起头用 AI 筛选候选人，投入更多技术进行鉴别和反舞弊，一些公司还沉新增长了线下口试。AI 降低了投递和筛选的成本，却没有让招聘变得更单一。企业收到的简历越来越多，真正有效的信息反而更难辨认。

刘之观察到一个看似矛盾的景象：从全球领域看，整体招聘需要鄙人降，AI 招聘工具的使用却在持续增长。更深一层的变动是，AI 在让执行变得越来越便宜，钻延注规划和判断的价值则在上升。公司可能变得更幼，必要招聘的人更少，但少数关键人才对公司的影响会更大。企业对这些人才的竞争会越发强烈，一次谬误判断带来的价值也会更高。

找到一幼我的资料在变得越来越容易，理解一幼我却越来越难。

MiraDay 正是为相识决这个问题而诞生的，作为mansion88·明升官方网站孵化的一款 Talent Intelligence 产品，MiraDay 面向企业内部招聘团队和猎头公司，沉点服务高管和关键技术人才招聘。它但愿让 AI 承担数据网络、信息整顿和沉复工作，让人类把更多精力放在人才判断、沟通和关系成立上。

以下是主持人胡少阳（Stealth Startup 首创人）与刘之的对谈实录，经 Founder Park 编纂整顿。


 Founder Park：mansion88·明升官方网站作为一家深耕人力资源行业多年的公司，今年也向海表推出了一个新的产品，你们看到了什么样的趋向和机遇？

刘之：mansion88·明升官方网站是一家全球化人力资源服务公司。MiraDay 是mansion88·明升官方网站孵化的一个产品。作为一家全球化的公司，我们看到了全球人才市场在产生两个极度大的变动。

第一个变动是，AI 让执行变得越来越便宜。以前必要几十幼我实现的事件，此刻可能几幼我加上 AI 就能实现。公司会变得更幼，但少数关键人才对公司的影响会变得更大。所以，人才市场在向头部收缩。企业招聘的总人数可能削减，但对真正优良人才的竞争反而会加剧。这些人会越来越稀缺，也会越来越贵。从前，优良技术人才的总薪酬大多还在几十万美元。此刻，优良的 AI 人才已经起头出现几百万美元甚至更高的薪酬。一个关键人才可能让产品提前几个月上线，也可能援手公司进入一个新的市场。反过来，若是关键岗位招错了人，企业支出的价值也会极度大。所以，这类人才的招聘和判断会变得越来越沉要。

第二个变动是 AI 招聘的军备较量。从全球视角来看，好多市场的招聘需要鄙人滑，但 AI 招聘工具的使用却在不休上升。自动化投递和自动化触达越来越多，企业收到的简历更多，候选人收到的信息也更多。AI 辅助口试、身份伪造和 Deepfake 等问题也起头出现。企业又投入了好多技术进行反舞弊。前段功夫，美国有不少公司起头沉新增长线下口试。判断一幼我的技术到底是真实的，还是经过 AI 包装甚至虚造出来的，在变得越来越难。这也露出了原来招聘基础设施的问题。

从前的招聘系统重要是为批量招聘设计的，但关键人才招聘不是一个单一的漏斗，也不只是找到一幼我的资料。真正难题的是理解这幼我，判断他是否适合公司的产品、业务和发展阶段，以及他是否愿意参与。这必要大量钻研，也必要人类提供信赖、衔接和温度。AI 能够掌管数据网络、信息整顿和大量沉复工作，人类掌管判断、沟通和成立关系。

MiraDay 就是在这个判断下产生的。它是一款 Talent Intelligence 产品，面向企业内部招聘团队和猎头公司，沉点服务高管和关键技术人才招聘。它不是 ATS，也不是聚合数据的搜索工具。MiraDay 但愿解决的，是招聘团队若何更好地理解岗位、钻研市场、找到真正相宜的人，并获得更充分的判断凭据。

Founder Park：你提到了一个很关键的信息是，人才是极度贵的，尤其是模型厂商必要招聘的人才。那我们能够预测一下，未来工作会整体变得越来越少吗？会不会出现一个两极分化？我们必要做模型或跟模型有关的人，依然是 margin 极度高的人才，但除此之表，原来好多中层岗位可能就隐没了？会有这样的可能性吗？

刘之：我感触会。招聘场景能够凭据薪资、职级和岗位尺度化水平分成好多分歧的细分。但职级越高，或者专业能力越稀缺，往往越靠近我们所说的关键人才。

这类人才的招聘必要人类提供 Trust、Connection 和 Warmth。此刻已经有一些产品在做自动化招聘。我的判断是，越是可能通过自动化招聘解决的岗位，未来越可能被 AI 代替，或者需要逐步削减。


Founder Park：其实 AI 招聘赛路的发展已经有几年功夫了。海表我们也看到了 Juicebox、Jack&Jill 这些产品。但对大无数在场的伴侣们来说，其实不太明显这个赛路到底是怎么划分的。给各人介绍下，以及你们今天这个产品切入的是哪个点？

刘之：招聘赛路大体能够分成四块：

第一块是 Talent Intelligence。它和 GTM Intelligence 的逻辑比力像，都是把企业内部数据和表部数据衔接起来，GTM Intelligence 提供获客，而 Talent Intelligence 提供人才搜索、市场钻延注人才 mapping 和信息监测等能力。

第二块是 Assessment，也就是人才测评。它解决的是怎么评价一幼我，蕴含能力测试、技术测评、口试和其他评估工具。这自身也是一个很大的市场。

第三块是 ATS，也就是 Applicant Tracking System。当企业同使匦聘好多人时，必要一个系统来治理候选人进入公司以来的流程，蕴含简历纪录、口试铺排、内部反馈和录用进度。好多大型跨国公司在分歧国度有招聘团队，ATS 是它们的基础系统。

第四类是 Job Board，好比 Indeed、Dice 和 JobStreet。它们重要衔接职位和求职者。LinkedIn 也有 Job Board 的职能，但它首先是一个职业社交网络，招聘只是成立在这个网络上的一个业务。

整体来看，AI 招聘的发展比客服、司法服务等垂直赛路慢一些。但我的判断是，到明年会有更多 AI 招聘公司的 ARR 超过 1 亿美元。目前增长比力快的公司，大体在走三条蹊径：第一类以 BPO 的方式按业务了局付费；第二类是 Talent Intelligence；第三类是削减甚至代替传统人类中介，直接衔接企业和候选人。

招聘自身是一个场景高度细分的领域。企业内部招聘和猎头业务有各自的工作方式，高管招聘和技术人才招聘也必要分歧的专业步骤。分歧业业、岗位和地域所必要的数据、搜索步骤和工作流程都不一样。我们之所以切入 Talent Intelligence，是由于团队从前四五年一向在做人才数据、搜索和有关产品，mansion88·明升官方网站也提供了大量真实的招聘场景。这些经验让我们可能针对分歧场景分层下选取分歧的产品和技术战术。

市场上的通用 People Search 工具通常只是抓取公开数据，再依照前提返回一批人。这种方式能够找到名单，但很难支持齐全的高管和关键技术人才招聘。MiraDay 将专业的招聘步骤、流程和团队分工融入 Agent Team，用来处置这些更复杂的招聘用务。


Founder Park：你们的产品 MiraDay 是面向海表市场的，这里有一个很本原的区别是：在中国没有效 LinkedIn 的习惯，但为什么 LinkedIn 对于海表招聘市场是一个持久性的存在？

刘之：我感触主题还是网络效应。LinkedIn 在海表同时承担了两个角色。

第一个是职业社交网络。用户会持续守护工作经历和职业关系，企业、候选人和招聘人员都在统一张网络里。通常用户能够免费使用，招聘人员则为更专业的搜索和触达能力付费。

第二个是职业身份。一幼我的公司、学堂、职位和职业关系，通常都能在 LinkedIn 上找到比力尺度化的纪录。在钻研 GitHub、Hugging Face 或学术网站上的信息时，LinkedIn 经Ｄ芄蛔魑矸萑啡虾涂缙教 mapping 的起点。

Founder Park：MiraDay 是一个 Agent Team 的产品状态。为什么要自己做这层 harness，直接使用基模厂商的产品不能吗？怎么理解 harness 这一层的价值？

刘之：最近我看了不少 Agent Team 状态的产品，好多都是参考软件研发团队来设计的，好比产品经理、工程师和测试各自掌管一部门工作。我感触，人类团队的分工，其实是持久实际中逐步形成的一种知识和高低文的划分方式。产品经理和工程师关注的问题分歧，把握的信息分歧，必要承担的责任也分歧。把分歧角色拆开以来，每个角色能够持久保留自己的高低文，再通过合作实现一个更复杂的项目。

MiraDay 参考的是高管猎头（Executive Search）团队的分工。固然 Agent 产品设计不定必要遵循人类的组织分工，但我们感触这样的划分更切合用户心智。一个大的项目里通常有人掌治理解客户和岗位，有人做行业钻延注mapping 和人才搜索，也有人掌管候选人钻研和项目推动。360 度猎头并不是没有这些分工，只是由一个照拂同时表演多个角色。我们以为，除 BD 职能表，高管猎头团队的这套专业分工同样高度合用于企业内部招聘团队，尤其合用于高管和关键技术人才招聘。

为什么不能直接使用 Claude Code 或 Codex？这些产品很强，但重要还是萦绕 Coding 工作设计的。Coding 通；峤饩鲆桓鱿喽悦魅返男枰，分歧工作能够通过度支、工作区或者会话进行高低文隔离。

招聘不是这样的。一个关键岗位的招聘经；岢中搅鲈，整个项目拥有很强的陆续性。新的市场信息、候选人反馈和口试了局会不休进入，前面的判断也可能随之扭转，所以不能把它当成一个执行完就实现的单次工作。

招聘需要自身也必要反复校准。企业一路头不定可能把要求齐全讲明显。搜索起头以来，团队可能会发现薪资领域不相宜，指标公司选错了，或者原来的岗位界说与公司的产品、业务和发展阶段并不匹配。这些信息城市让团队沉新调整搜索方向。招聘过程中还有大量并行和异步的工作。分歧候选人的进度分歧，今天发出的邮件，对方可能第二天回复，也可能一周以来才回复。

招聘 AI 还涉及风险和合规。欧盟已经把部门用于招聘筛选和候选人评估的 AI 系统纳入高风险框架，美国分歧地域也有反歧视、奉告和审计方面的划定。所以权限、日志、判断凭据和人为复核都必要进入产品设计，关键决定必须由人类掌管。它不是单一给模型套一个界面，而是掌管保留持久项主张高低文，协调分歧 Agent，治理浏览器、邮件和数据工具，处置异步事务，并在关键节点把决定交给人类。

Founder Park：所以最终除了表表上看到怎么招聘、怎么分类之表，主题是谁要为此职守责任。

刘之：对。尤其在招聘这种高风险场景中，最终判断和责任必须留在人类这边。


Founder Park：对于 AI 招聘场景来说，Agentic Search 是很沉要的一块技术。这块你们是怎么做的？Agentic Search 跟随前的 RAG、传统检索的区别是什么？

刘之：是的。大部门垂直类产品或利用都绕不开搜索。做司法产品，必要搜索律例、判例和企业内部文件；做财政产品，也必要搜索公开数据和企业数据。招聘也是一样，既要搜索公开数据，也要处置企业自己的数据。

从 AI 利用的角度来看，我感触搜索技术或许经历了三代。

第一代更多是通过关键词、标签、分类和图谱进行搜索。2014 年前后，深度进建起头更多地进入搜索和推荐，但其时重要还是用于分类和排序。人必要先把搜索前提界说明显，系统再凭据这些前提返回了局。

第二代是语义搜索。BERT 在 2018 年颁布，Dense Retrieval 和 RAG 约莫在 2020 年出现。到了 2023 年前后，随着更大规模的 Embedding 模型、数据和算力进入，模型的语义匹配能力有了显著提高，向量检索和 RAG 也起头大规模进入 AI 利用。

RAG 的典型方式，还是人输入一个问题，系统检索一批有关内容，再交给模型天生答案。若是了局不梦想，通常必要人批改问题，再沉新搜索。

第三代是 Agentic Search，并且会结合高低文检索。它和 RAG 最大的区别是，人不愿定要先写出一条正确的查问，而是能够先给 Agent 一个指标。Agent 会自己搜索、阅读了局，再凭据当前发现决定下一步搜索什么。这是一个不休观察、判断和采取行动的过程，和 ReAct 的思路比力靠近。

这背后有两个比力沉要的变动。第一个变动是 Agent。它能够在长程工作中不休与表部环境互动，凭据每一步得到的了局形成下一步 Action。第二个变动是模型对长高低文的能力提升。好多人只关切模型最多能处置几多 Token，但更沉要的是，当信息分散在长高低文的分歧地位时，模型能不能进行多跳推理，把来自分歧地位、分歧起源的证据衔接起来。在 12.8 万 Token 以内，头部模型的阐发还不错，但再长一些就很差了。最近 Anthropic 颁布的 Fable 5，在 100 万 Token 下的 GraphWalks 得分也已经靠近 0.8。

第三代搜索的出现重要来自两个变动。一方面，Agent 能够持续搜索，并凭据了局调整下一步行动；另一方面，模型起头可能在更长的高低文中找到分散的信息，并实现多跳推理。这就是我们所说的 Agentic Search。

Founder Park：你们产品里有一个很有意思的能力叫 Agentic Search with Signal。这个 Signal 具体是什么？在 Agentic Search 里，你们感触有什么实时的反馈是最有价值的？相比以前上一代的系统。

刘之：讲 Signal 之前，我想先讲一下人类是怎么获守信息的。从信息科学的角度看，人获守信息大体蕴含四种行为。第一种是 Lookup，也就是指表明确地查找某个具体信息；第二种是 Exploratory Seeking，也就是索求式搜索，指标还不清澈，必要边搜索、边理解；第三种是 Research，也就是穷尽式钻研，为了形成相对齐全的判断，系统地网络和分析信息；第四种是 Re-finding，也就是沉新找到从前看过或者使用过的信息。

招聘中的好多搜索，其实属于 Exploratory Seeking 和 Research。好比我拿到一个以前没有接触过的职位，会先在人才库里搜索，从了局中找到几个有关的概想和关键词，再沿着这些线索去搜索引擎或者其他渠路持续寻找？吹叫碌男畔⒁岳，我可能会建改对岗位的理解，调整关键词和搜索方向，逐步明确真正要找什么。

所以，搜索不只是找到信息，也是一个不休进建和进行意思构建的过程。

从前的搜索系统同样能够支持索求式搜索，但整个过程重要由人来推动。系统凭据当前的查问返回了局，人必要自己阅读了局、发现线索、挪用从前的经验，再决定下一步搜索什么。人确把稳力和工作影象都很有限，在大量了局中，一些真正可能扭转搜索方向的信息很容易被忽略。

Agentic Search with Signals 想解决的就是这个问题。Agent 不只是执行查问和返回了局，还会持续阅读、比力和分析搜索了局。若是发现了可能影响当前判断的信息，它会提出一个 Signal，通知人类自己发现了什么，以及判断的凭据是什么。

在招聘场景中，最有价值的 Signal，通常是那些可能扭转原有搜索如果的信息。好比相宜的人才重要集中在另一个行业，市场上的现实职级与企业设定不一致，薪酬领域可能不合理，或者当前使用的岗位名称无法覆盖真正相宜的人才。

相比上一代系统，变动不在于 Agent 替身作决定，而在于它起头参加搜索过程中的线索发现。从前重要由人发现问题，再批改查问；此刻 Agent 也能够自动提出值得关注的信息。至因而否调整指标、批改前提或者扭转战术，最终依然由人类决定。

分歧产业、分歧岗位中，值得关注的 Signal 并不一样。若何捉拿这些 Signal，自身就依赖大量专业经验。MiraDay 会把猎头照拂和招聘专家堆集的经验整顿成 Skills，让 Agent 具备捉拿有关 Signal 的能力。同时，Agent 也能够在搜索过程中捉拿那些没有被预先界说、但值得人类关注的 Signal。我们即将颁布一篇综述论文，专门会商这个问题。


Founder Park：今天你们代表了 AI 招聘赛路，其他的创业者也在分歧的垂类赛路上面。模型能力越来越强，成本也在变动。那作为利用型或场景类的创业公司，未来有没有可能有自己的模型？自己 post train 一个模型，而不是纯正地挪用 API？你怎么看？

刘之：我出格喜欢一本书，接锥技术的性质》。这本书讲到，技术总是会不休发展，也会组合原来的技术，形成组合创新。当一项技术刚出来的时辰，它可能做得不太好，因而会出现极度多的补丁和变体。发展到肯定阶段，遇到瓶颈，又会有新的技术出现。技术总是在解决一个问题的过程中，带来一个全新的问题。

若是从一个技术周期来看，早期出现的技术，往往会在未来几年傍边急剧贬值。也就是说，今天我们在做的模型训练、算法工程，在早期极度有壁垒。但随着尺度化、平台化甚至遍及化，这些技术会变得越来越单一。就像早年在国内治理一个大规模集群，做 Android、iOS 开发，或者把用户履历做好，都是极度有壁垒的事件，但今天已经没有那么高的壁垒了。

所以我感触，未来训练和微调一个垂直模型的难杜纂成本会变得越来越低。主题的问题是，我有没有必要去干这个事？做完以来，我真的能不能形成差距化？

垂类 AI 利用的壁垒，不愿定在于有没有自己的模型，而在于能不能解决模型解决不了的最后一公里。

Founder Park：怎么判断有没有必要？若是成本不是问题、难度也不是问题，大不了用第三方训练模型的方式，我怎么判断今天是不是应该有一个自己的 post-training 模型出来？

刘之：重要看通用模型能不能解决最后一公里的问题。好比此刻好多人用 Vibe Coding，很快就能够做出一个出格好看的网页。但若是你要做一个真正的产品，里面的字体、组件、视觉和栅格都要遵循统一套设计系统，维持一致性，这时辰你就会发现，只靠大模型解决不了。

还有好多人用大模型天生案牍，写出来的内容 AI 味很沉，有时也会出现幻觉。由于模型进建的是大量通用语料，并不相识你的品牌、业务和具体场景。这时辰你可能就必要自己的模型。

招聘也是一样。我们必要解决合规、私见以及招聘场景中的专业性问题。在通用模型无法不变解决这些问题的情况下，我们就必要训练自己的模型。所以，判断尺度还是能不能解决最后一公里。此刻各人对于大模型厂商带来的压力，简直会有一些发急。今年 SaaS 公司被卷得很严害，但各人此刻釉祓头发现，大模型厂商其实解决不了所有的最后一公里问题。

为什么 OpenAI、Anthropic 这些公司要做 FDE？就是由于仅仅提供模型还不够，还必要有人把模型真正带进业务场景。而最后一公里，往往步崆最有价值的部门。

Founder Park：以再进一步聊聊。今天，模型厂商也起头下场做利用了，尤其是 Workspace 这类的产品。前段功夫典型的是 Claude Design 出来，杀死了一批 SaaS 公司，股价血流漂杵，但此刻回来了。涨回来的性质到底是什么？是感触解决不了，还是 SaaS 自身还代表了一些事件？

刘之：我感触这里面有两个点。第一个是，刚才提到的最后一公里问题，大模型厂商解决不了。第二个是企业软件的深度集成和海表合规要求。好比企业今天把 CRM 系统与 ERP 买通，背后是一套齐全的数据流和审计链，每一笔业务操作都有据可查、能够回溯。招聘场景也是一样，ATS 不仅治理流程，还会保留申请、口试和录用等纪录，为企业满足平等就业和有关审计要求提供支持。这类深度集成和合规留证能力，是市场沉新意识 SaaS 价值的沉要原因之一。并且原来的 SaaS 公司也没佑赘睡着」，各人也在不休地把 AI 加进自己的产品。

所以，Anthropic 带来的发急，我感触此刻在硅谷已经慢慢淡化了。各人起头发现，模型能力很强，但它并不能直接代替一个齐全的业务系统。模型能够天生内容、挪用工具和执行工作，但进入真实业务以来，还要处置数据、流程、权限、合规以及人与人之间的合作。这些都是最后一公里的问题。

从前，AI 创业公司时时讲四个壁垒。第一，我有业务 Know-how，我出格懂这个行业；第二，我罕见据飞轮，用户使用得越多，产品堆集的数据和影象越多；第三，我可能有垂直算法；第四，我有人机合作的界面。OpenAI 也讲过三个壁垒，别离是人与人之间的 Trust、Data 和 Distribution。

但 Cursor 被收购这件事，又让各人沉新审视这些判断。好比影象这件事，我感触它并不会天然形成壁垒。影象和高低文不是越多越好，参与太多不有关的信息，反而可能影响模型的执行成效。所以，原来各人讲的这些壁垒，有些依然成立，有些必要沉新理解。

今天以 MiraDay 为例，或者从我们对招聘垂直产品的理解来看，我们以为未来的壁垒重要有四个。

第一是 Dirty Work，也就是那些极度脏、极度细碎，但又必须持久去做的工作。好比做一个岗位时，必要持续整顿标签、算帐数据和进行人为判断。模型厂商不会针对每个行业去做这些事件，由于它没有这样的精力和耐心。

第二是合规。招聘有招聘合规，财政有财政合规，各个行业都有自己的合规要求。尤其是企业出海以来，合规是一件极度关键的事件。

第三是不能只靠 Scaling Law 解决的算法问题。好比多模态天生，扩大模型规Ｄ芄惶嵘√焐芰，但对齐、可控性和一致性依然必要专门的训练与算法。Embedding 模型也是一样。以 OpenAI 早期的 Text Embedding 钻研为例，模型参数量从 3 亿增长到 1750 亿，扩大了约 583 倍，但在 22 项工作上的均匀分只提升了约 3.6 分。我们对峙做 Embedding 模型训练已经三年多了，目前在 BRIGHT 推理检索 Benchmark 上做到了 SOTA。这种细分方向必要持久、持续的专项投入，但对大模型厂商来说，要在每一个方向上都深刻去做并不划算。

第四是私有的数据和 Context。这些信息不是公开的，也不会天然进入通用模型。

我感触，模型厂商会持续进入利用层，垂类公司也肯定会受到冲击。但模型厂商很难把每个行业的最后一公里全数做完。至少在 AI 招聘这个赛路里，Dirty Work、合规、垂直算法以及私罕见据和 Context，就是我们在尝试构建的壁垒。

---

mansion88·明升官方网站
mansion88·明升官方网站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）。公司目前在全球12个国度占有170余家分支机构，近2,500名自有员工，形成欧洲、北美、南美、东亚、东南亚、非洲全域服务网络。通过“技术+平台+服务”的一体化模式，为企业提供一站式人才供给链解决规划，助力企业赢得数智化转型、全球化竞争与火速性组织打造，沉塑面向未来的人才引擎。2025年，公司交易收入达145.40亿元，服务客户近6,300家，成功推荐中高端治理及专业技术人员超15,000名，年度在册治理表包员工及兼职专家53,000余人，链接生态合作同伴近20,000家。