在Oracle Cloud上跑過生產(chǎn)級智能體之后，我越來越確定一件事：技術(shù)優(yōu)雅度是次要的。如果你的系統(tǒng)放大了現(xiàn)有不平等，或者把人降維成概率分?jǐn)?shù)，再快的推理速度都沒有意義。

求職AI尤其如此。優(yōu)化廣告點擊和優(yōu)化人生出路，完全是兩個量級的問題。

但大多數(shù)討論都跳過了中間地帶——從"AI讀職位描述"到"候選人拿到offer"之間那團(tuán)亂麻。真實的招聘流程里，職位要求故意寫得模糊，ATS系統(tǒng)天生為淘汰而設(shè)計，"匹配"本身就是一個價值判斷。

我建的系統(tǒng)每天處理數(shù)千條職位信息。技術(shù)棧是Groq提速、Claude處理細(xì)微差別、Oracle Cloud扛規(guī)模。但真正的復(fù)雜度在決策邏輯：一個職位寫"5-7年經(jīng)驗"但職責(zé)描述暗示要10年以上，系統(tǒng)該怎么反應(yīng)？當(dāng)人口統(tǒng)計學(xué)特征和拒信率高度相關(guān)，你是優(yōu)化誠實度，還是優(yōu)化結(jié)果？

傳統(tǒng)方案把求職匹配當(dāng)成信息檢索：提取技能、算相似度、排序輸出。這完全誤解了招聘的運作方式。HR掃簡歷時看的是代理指標(biāo)——學(xué)校名字、公司品牌、關(guān)鍵詞密度。用人經(jīng)理過濾的是未明說的偏好。ATS因為格式問題把完全合格的候選人直接扔掉。

一個有效的自主系統(tǒng)必須對這種 dysfunction 建模，同時決定是 perpetuate 還是 circumvent。

我的做法是用專門化的智能體處理不同環(huán)節(jié)。這不是架構(gòu)炫技，是承認(rèn)不同任務(wù)需要不同的優(yōu)化目標(biāo)。

發(fā)現(xiàn)智能體爬取招聘網(wǎng)站、公司主頁和聚合平臺。但原始抓取全是噪音——大部分職位是過期的、重復(fù)的、或者為了合規(guī)掛著的幽靈職位。這個智能體追蹤發(fā)布速度、更新模式和回復(fù)率來估算"真實度"。Oracle的分布式存儲扛住數(shù)據(jù)量，但有意思的工作在模式檢測。

評分智能體超越關(guān)鍵詞匹配。用Claude的推理能力評估語境："需要Python"是指寫自動化腳本，還是搭分布式系統(tǒng)？"出色的溝通能力"是不是在暗示母語英語？智能體維護(hù)概率模型，區(qū)分哪些要求真正重要，哪些只是合規(guī)套話。

申請智能體處理現(xiàn)代招聘的非人化現(xiàn)實。它生成ATS優(yōu)化的簡歷，定制不會被讀的求職信，填寫——