业务背景

　　货拉拉成立于 2013 年，成长于粤港澳大湾区，是一家从事同城、跨城货运、企业版物流服务、搬家、汽车销售及车后市场服务的互联网物流公司。截至2023年6月，货拉拉业务范围覆盖全球11个市场，包括中国及东南亚、南亚、南美洲等地区，其中中国内地总共覆盖360座城市，月活司机达90万，月活用户达1050万。

　　Al现已应用于人力资源管理从招聘到员工体验到员工培训与发展的各个环节中，人工智能在人才招聘上的应用场景主要包括简历 解析与筛选、人岗匹配、招聘客服(聊天机器人) 等。根据艾瑞咨询关于中国网络招聘市场发展研究报告，不难发现，AI在招聘领域的不同环节，重塑了整个流程的职能分工，进一步解放人力资本，将这个市场推向另一个高度。　　

图：中国网络招聘市场发展研究报告

　　一线招聘工作者，找到真实求职者并来到现场面试，需要经历简历过滤->岗位匹配->招聘客服->面试对接等流程，其中前面三个环节需要处理海量的同质化信息，极大增加一线招聘负担。

　　所以，我们通过这个切入点，在公司招聘场景进行局部AI试探，旨在利用AI帮助完成那些人们“不想做、做不好、不能做”的事，进一步解放人力资本。

　　AI招聘

　　招聘场景和AI结合的产品五花八门，从下图可以看出，不同企业针对招聘场景切入点还不尽一致，从JD生成到简历匹配到AI面试，不同企业的发力点不太一样，这也说明AI在招聘场景中，不同角度均可以发挥很大的作用。　

　　货拉拉的AI招聘系统参考IBM早期的切入思路，从聊天机器人出发，借助线上化招聘平台自有的推荐能力，筛选出更适合公司招聘场景的候选人，结合大模型能力进行AI答疑，以便完成筛选到简历获取最耗费人力的环节。

　　产品架构设计　　

　　在线互联网招聘平台包含很多种，求职者会通过不同渠道找到公司进行简历投递，开发一套新的招聘系统推广吸引求职者不太现实，因此将整体产品方案拆分为插件+应用后端两套。插件主要触达求职者那一侧，应用后端主要服务于招聘管理人员，插件触达求职者后，通过应用后端拿到相应的聊天内容，结合当前岗位的招聘要求对求职者进行答疑和岗位匹配，拿到高质量的简历。

　　现有产品架构图如下：　　

　　使用流程：招聘者账户发布招聘内容->登陆应用管理后端，配置JD、职位要求和主要过滤条件->限定招呼时间和次数->启动插件->简历回收

　　招聘管理人员通过在线招聘平台发布岗位后，通过系统提供的插件进行求职者触达，插件通过管理后端拿到回复的内容进行AI聊天，聊天达成一致后，自主获取求职者简历。

　　获取简历后，招聘管理人员可以通过系统简历中心对简历进行初筛和排序，以便二次数据过滤。同时，系统每天运行的结果通过大数据自研BI平台- 云台提供，观察数据趋势修正职位要求，以便完成招聘目标。　　

　　技术架构设计

　　基于业务特性，设计了如下的技术架构：　

　　接入层： 项目入口为web，web通过kong网关转发到后端系统

　　应用层： 招聘后端集成插件管理、任务编排、多职位聊天预设，招聘账户管理等功能，通过配置中心能力，对招聘客服提供技术支撑。

　　基建层： 招聘后端是一个工具化平台，对应的可视化、权限管理以及推送机制依赖于第三方能力，涉及到大模型能力场景，需要额外对接GPT网关，系统对GPT能力进行了一次二次封装

　　通过分析实际问题场景，对于系统有如下几方面诉求：

　　• 如何针对不同招聘场景提供不同的AI招聘客服

　　• 插件侧任务如何编排，怎么做到贴合求职者使用时间进行信息触达？

　　• 求职者众多，如何提前剔除不符合公司要求的求职者

　　• 数据怎么回收，如何判断当前招聘质量和进度

　　针对招聘场景的实际问题，系统针对各个场景提供了如下的解决方案：

　　可定制化聊天机器人

　　聊天的核心是基于AI大模型的对话能力，不同职位的招聘要求是不一样的，通过预设prompt，提供前置信息输入到大模型。协同关系类似下图，客户类比求职者，不同的意图代表不同的岗位要求，通过系统的意图预设，大模型提供能力基座，实现不同职位不同对话机器人。　　

　　系统配置页面如下：　　

　　任务中心

　　插件与管理后端需要一个稳定的消息通道，通道不仅可以通过消息协议实现特定的指令，同时可以远程干预，插入临时指令干预插件行为。消息通信示意图如下：　　

　　• 插件和管理后端建立长链接，通过心跳维持连接，系统托管到ClusterManager

　　• 后端扫描任务窗口，通过定制化协议组装协议内容推送到插件端，默认推送到队尾　　

　　• 插件端通过消息中心机制，取队首消息进行事件处理

　　• 当接收外部消息时，通过redis查询当前插件所在长连接对应的服务地址，如果跨服务器，通过http转发请求

　　具体流程如图所示，管理后端识别socket在哪个服务提供，转发到插件的消息中心后，由插件中心进行任务编排后的事件处理。　　

　　岗位匹配机制

　　求职者众多，如何提前剔除不符合公司要求的求职者，这个问题在没有AI介入时，需要招聘工作者很强的经验判断，挑战点在于从海量多变的信息中，精准识别到公司所需要的人才。

　　在线招聘平台有自己的一套推荐机制，筛选后，职业经历是否匹配当前岗位要求，就需要招聘工作者的经验判断了。　　

图：BOSS直聘招呼页面

　　求职者筛选

　　因此，我们将可固化的判断逻辑提前输入到大模型，通过在线简历平台精简的信息，交由大模型进行判断，如果满足初筛，则进行聊天触达。采用当前手段，可以大大减少暴力触达带来的低质量简历。　　

　　求职意图

　　实际招聘场景中，求职者可能由于已经找到工作或者个人其他原因，拒绝招聘者进行面试沟通，因此同样要识别沟通的意图，同样，我们采用上述筛选的思路，对聊天内容进行意图识别，对不感兴趣进行归档处理，尽可能给面试者更真实的求职简历。　　

　　数据回收

　　如何判断当前招聘质量和进度是反证AI提效的重要参考依据，项目依托云台 以及飞书建立可视化看板，通过不同维度来辅助观测当前变更是否对招聘产生正向效果，这里就不展开了。

　　展望

　　从现有经验来看，招聘方和应聘者都有各自的隐藏信息。“我的亲身经历，人家问我你家有小孩吗？你小孩几岁了？咱也不知道他是希望孩子大，还是希望孩子小。”拉勾招聘CTO蔚志刚回忆，“就这些东西，你说起来跟笑话一样，但是确实在你求职成功的过程中，可能权重还挺重。”。

　　Mary遇到过类似问题，“花了大力气找了一个人，老板一面试，属相不合，pass掉。”类似情况并不少见：招聘助理，要看属相是否冲突；招个组员，要看星座是否相合；有人认为，某个地区的人适合做销售，还有人认为某个血型的人不适合做销售。

　　所以，AI在招聘场景中，我觉得AI更多扮演的还是辅助者的角色。研究市面上的AI招聘工具，还没有出现一个大一统的产品，但是从当前行业的产品来看，招聘场景AI赋能，存在很大的可能空间。　　

　　市面上已经出现了大量的AI招聘工具，各自基于招聘特定场景进行AI赋能，后续系统同样参考市面的迭代方向，深挖简历复用率，AI面试，岗位匹配等功能，更大化的在招聘多场景进行AI赋能。