AI招聘系统从简单的匹配模型变成Agent之后到底进化到哪一步了

很多公司现在标榜自己的招聘系统是“AI驱动”，但实际上大部分还停留在把简历关键词匹配一遍的阶段。我看了一篇最新的综述（arXiv:2609.04286v1），它把AI招聘的演进路径拆解得很清晰，其实就是一个从“算相似度”到“跑工作流”的转变过程。

以前的逻辑很简单，就是所谓的双向检索和行为排序，算算候选人画像和职位描述的余弦相似度，给个分值，排个序。现在这个逻辑变了，重心转移到了多阶段的工作流上。现在的系统不再是简单地给出一个分数，而是去检索证据、对比候选人，甚至直接执行某些动作。这种转变其实就是从单纯的 Model（模型）变成了 Compound Workflow（复合工作流），最后演变成能调用工具的 Recruiting Agent。

这篇综述里分析了三个关键的转型，我觉得很有参考价值：

一是从“相似度”转向“互适度”。之前的模型在算“像不像”，而现在的方向是算“合不合适”。这中间差了巨大的逻辑鸿沟，因为相似并不代表胜任，而胜任往往需要结合具体的业务场景证据。

二是从“离线预测”转向“证据对齐”。以前是跑一个离线数据集，看预测准确率，现在要求的是能拿出证据来支撑结论。论文里把证据分成了几个层级，包括领域级、配对级、列表级、案例级、轨迹级和结果级。这意味着AI在筛选人时，必须能指明是在哪个具体的证据点上判定该候选人不合格，而不是给一个黑盒的分数。

三是从单点模型转向复合工作流。现在的AI招聘不再是一个单一的分类器，而是涵盖了文档理解 → 检索 → 排序 → 评估 → 面试 → 寻访 → 人工接手的全链路。

不过，这篇综述也指出了目前这个领域非常尴尬的几个坑，这些坑其实也是大多数AI招聘产品无法逾越的痛点：

• 标签污染问题： 很多训练数据里的行为标签其实是混淆的。比如一个候选人被刷掉了，是因为他不合格（Qualification），还是面试官个人偏好（Preference），或者是由于某种偶然的曝光机会（Exposure）导致的？如果训练数据本身就带着这些偏差，模型学到的就是偏见。
• 外部有效性缺失： 绝大多数研究使用的是私有数据或合成数据，这导致很多号称效果极佳的模型，一旦换个公司、换个行业就完全失效。
• pipeline 故障被掩盖： 很多系统最后只输出一个 0-100 的分数，但这个分数是怎么算出来的？中间哪个环节出错了？目前的评价体系完全掩盖了 pipeline 内部的失败。
• 缺乏综合评估： 论文里提到，在分析的 40 篇代表性工作中，竟然没有一个能同时对实用性、公平性、隐私性和安全性进行共同评估。大多数系统要么只管好不好用，要么只管合不合规，很难两全。

看完之后我觉得，判断一个AI招聘系统是否真的“进化”了，不能看它吹什么 LLM 架构，而应该看它是否满足这几点：能不能检索到正确的证据？能否在结果中保留不确定性（而不是强行给个分）？决策过程是否可质疑（Contestable）？以及在明确的成本和风险约束下是否真的提升了招聘质量。

如果一个系统只能告诉你“这个候选人匹配度 85%”，而不能告诉你“他在 X 项目中表现出的 Y 能力符合职位的 Z 要求，但缺乏 W 经验”，那么它依然只是个高级的关键词筛选器，离真正的 Recruiting Agent 还差得远。