在Oracle Cloud上跑过生产级智能体之后，我越来越确定一件事：技术优雅度是次要的。如果你的系统放大了现有不平等，或者把人降维成概率分数，再快的推理速度都没有意义。
求职AI尤其如此。优化广告点击和优化人生出路，完全是两个量级的问题。
但大多数讨论都跳过了中间地带——从"AI读职位描述"到"候选人拿到offer"之间那团乱麻。真实的招聘流程里，职位要求故意写得模糊，ATS系统天生为淘汰而设计，"匹配"本身就是一个价值判断。
我建的系统每天处理数千条职位信息。技术栈是Groq提速、Claude处理细微差别、Oracle Cloud扛规模。但真正的复杂度在决策逻辑：一个职位写"5-7年经验"但职责描述暗示要10年以上，系统该怎么反应？当人口统计学特征和拒信率高度相关，你是优化诚实度，还是优化结果？
传统方案把求职匹配当成信息检索：提取技能、算相似度、排序输出。这完全误解了招聘的运作方式。HR扫简历时看的是代理指标——学校名字、公司品牌、关键词密度。用人经理过滤的是未明说的偏好。ATS因为格式问题把完全合格的候选人直接扔掉。
一个有效的自主系统必须对这种 dysfunction 建模，同时决定是 perpetuate 还是 circumvent。
我的做法是用专门化的智能体处理不同环节。这不是架构炫技，是承认不同任务需要不同的优化目标。
发现智能体爬取招聘网站、公司主页和聚合平台。但原始抓取全是噪音——大部分职位是过期的、重复的、或者为了合规挂着的幽灵职位。这个智能体追踪发布速度、更新模式和回复率来估算"真实度"。Oracle的分布式存储扛住数据量，但有意思的工作在模式检测。
评分智能体超越关键词匹配。用Claude的推理能力评估语境："需要Python"是指写自动化脚本，还是搭分布式系统？"出色的沟通能力"是不是在暗示母语英语？智能体维护概率模型，区分哪些要求真正重要，哪些只是合规套话。
申请智能体处理现代招聘的非人化现实。它生成ATS优化的简历，定制不会被读的求职信，填写——
热门跟贴