--- 格式版本: 2 标题: "[讀者回函] 現場拆解-從人脈到模型，獵頭不是被 AI 取代，而是被重新拆分" 原文链接: "https://privacyux.substack.com/p/ai-ee6" 发布日期: "2026-08-28" 发布时间校准状态: "found" 发布时间需复核: "否" 发布时间来源: "llm:scrape:extracted_text" 发布时间证据: "第 9 行：Aug 28, 2026" 发布时间校准原因: "标题附近明确标注发布时间 Aug 28, 2026，优先级最高；正文中2026-06-28为引用他人帖子日期，非本文发布时间。" 发布时间校准置信度: "1" 发布时间候选数量: 15 发布时间严格候选数量: 2 发布时间原页读取状态: "source template page reused from URL open" 发布时间未找到原因: "" 发布时间校准时间: "2026-08-30T15:03:34+08:00" 发布时间仲裁状态: "confirmed" 发布时间仲裁尝试次数: 1 发布时间仲裁耗时毫秒: 7874 发现时间: "2026-08-30T15:02:05+08:00" 入库时间: "2026-08-30T07:04:22.324Z" 来源平台: "Substack 数据中心相关博客搜索" 搜索渠道: "source_template" 搜索词: "site:substack.com 模型适配" 匹配关键词: - "AI" - "交付" 相关厂家: [] 相关专家: [] 内容类型: "网页" 抓取工具: "Free Fetch + Defuddle" 清洗工具: "Defuddle Markdown + Defuddle/Readability 正文提取" 原始附件: [] 图片摘要: - "✓ ./assets/img-b51d3117.webp | screenshot | Super Recruiter官网截图，展示AI原生招聘夥伴定位及三步流程：AI扫描候选人、多渠道外联、人类面试聘用。" - "✓ ./assets/img-39573d14.webp | screenshot | The Claude Hiring Playbook相关页面或文档截图，展示招聘流程标准化操作手册内容。" - "★ ./assets/img-240d2a50.webp | diagram | 展示招聘漏斗或AI工作流示意图，体现从人脉、数据库到AI工作流的转化过程。" - "✓ ./assets/img-12565434.webp | screenshot | 展示Super Recruiter官网FAQ或服务说明截图，强调弹性外包招聘夥伴定位。" - "✓ ./assets/img-f2c7aed4.webp | screenshot | 展示Playbook中Filter阶段或关键流程截图，说明谁获得a human hour的筛选逻辑。" - "★ ./assets/img-0d6928e3.webp | diagram | 展示二十个agents架构或招聘流程分解图，说明各agent在招聘环节中的作用。" AI优质: "否" AI打分: 18 AI分档: "非优质" AI质检状态: "不通过" AI打分理由: "正文主线是招聘公司使用Claude拆解寻才、筛选和面试工作流，并讨论偏见、隐私及人在回路风险，与超节点、AI Rack或机架级基础设施无关。来源为Substack个人分析，引用企业官网和非官方操作手册；固定知识库未显示同事件重复，但正文也没有任何机架级新增产品、规格、工程数据或部署事实。仅有AI招聘服务案例，不构成超节点商业部署信号，命中弱相关强否决项。" AI质检模型: "gpt-5.6-sol" AI质检时间: "2026-08-30T15:04:34+08:00" AI主题相关性: 0 AI来源权威性: 4 AI新颖性: 4 AI技术细节: 0 AI商业部署信号: 1 AI完整性: 9 AI评分提示词版本: "v17-精简生产版" AI评分提示词SHA256: "48fb9777f386026761b4873eaff30807694fb11e9b352d7c69bf2dfde750cc7d" AI评分知识库版本: "knowledge_base_v1-20260819+runtime.55" AI评分知识库SHA256: "ca56afec1ff616b1fa4394cd1d08b1e2a6af47eccbe70c802c9f1fea6037e803" AI评分知识库检索词: "[\"模型适配\",\"site:substack.com 模型适配\",\"assets/img-b51d3117.webp\",\"RPO\",\"HITL\",\"assets/img-39573d14.webp\",\"FAQ\",\"privacyux.substack.com/p/48-500-35-workday\",\"x.com/GergelyOrosz/status/2071105819089973716\",\"catch-22\",\"assets/img-240d2a50.webp\",\"assets/img-12565434.webp\"]" AI评分知识库命中: "[{\"id\":\"july-correct-0131\",\"title\":\"DeepSeek-V4如何在昇腾超节点高效完成全参数后训练？SLAI T-Rex技术报告解读\",\"sourceType\":\"labeled_article\",\"time\":\"2026-07\",\"matchedTerms\":[\"模型适配\",\"RPO\"],\"rank\":-4.690998632926029},{\"id\":\"july-correct-0005\",\"title\":\"1792TOPS算力！国产AI芯片暴降token成本，CEO揭秘4大技术诀窍 - 智东西\",\"sourceType\":\"labeled_article\",\"time\":\"2026-07\",\"matchedTerms\":[\"模型适配\"],\"rank\":-4.611617096053914},{\"id\":\"july-correct-0044\",\"title\":\"【金牌纪要库】Kimi K3总参数规模提升至2.8T+高稀疏MoE+100万Token上下文，共同推动AI硬件瓶颈由单卡峰值算力迁移，这些细分方向有望受益\",\"sourceType\":\"labeled_article\",\"time\":\"2026-07\",\"matchedTerms\":[\"模型适配\"],\"rank\":-3.9111590223129435},{\"id\":\"runtime-6aea460e7157b5f09ea425ee\",\"title\":\"AMD Tracks Ahead of Rack-Scale AI Energy-Efficiency Goal - AMD Newsroom\",\"sourceType\":\"ai_excellent_article\",\"time\":\"2026-08-18\",\"matchedTerms\":[\"RPO\",\"FAQ\"],\"rank\":-3.3937709493962656},{\"id\":\"runtime-569639751a0dbe7ef3ffccc5\",\"title\":\"[2608.17503] Predict Before Replay: Joint FEC and Flight Control for Reliable Scale-Up Links\",\"sourceType\":\"ai_excellent_article\",\"time\":\"2026-08-18\",\"matchedTerms\":[\"FAQ\"],\"rank\":-3.2391012862357345}]" AI摘要: "本文分析Super Recruiter的《The Claude Hiring Playbook》：该公司用Claude将招聘拆成20个agents、五个阶段，" AI摘要模型: "ali-deepseek-v4-flash" AI摘要时间: "2026-08-30T18:09:06.250Z" 采集批次: "2026年8月30日14点11分37秒" 采集批次ID: "20260830-141137-130" 去重键: "https://privacyux.substack.com/p/ai-ee6" --- **序言** ：一封讀者來函，讓我與Super Recruiter 創辦人 Alex Papageorge 交流 ，並透過他親自傳給我的《The Claude Hiring Playbook》作為專欄分析。 這不是 Anthropic 官方文件，而是一家招聘服務公司用 Claude 拆解自身工作流的操作手冊。 ![图片](./assets/img-b51d3117.webp) 它更像一張正在變得普遍的產業切片：一家小型招聘公司，如何把 Claude、候選人資料、外聯節奏與真人 recruiter 接在一起，將原本依賴經驗、人脈與手工跟進的獵頭工作，改造成可交付的服務流程。傳統獵頭的價值，往往建立在稀缺的人力上： - 誰知道哪一位資深工程師可能想離職 - 誰能寫出足以獲得回覆的第一封訊息 - 誰懂得判斷一位候選人是否真的適合某個團隊 這些工作過去依賴招聘者的人脈、記憶、判斷與耐心，也因此昂貴、難以擴張，而且很難標準化。 現在，AI 正在改變這個分工。從人脈、資料庫與 RPO，到 AI 工作流：招聘公司正在把招聘者的經驗轉換成可重複運轉的系統。 --- ## 誰得到 HITL 人在迴圈中的干預？ ![图片](./assets/img-39573d14.webp) [Super Recruiter](https://www.superrecruiter.io/) 官網自稱 AI 原生招聘夥伴，服務想避開傳統派遣公司、但 inbound 品質不夠的成長型公司。 FAQ 也自稱彈性外包的招聘夥伴。其公開定位是經營漏斗前端。 官網三步為： 1. AI 掃描大量候選人檔案 2. 多渠道外聯 3. 再由人類面試與聘用 官網把第三步寫成技能、職缺匹配與文化適配，並註明這一步由人來做。這與手冊要求把模糊的文化適配改寫成可觀察行為並不一致—兩套都是其公開敘事，不是已驗證的現場。 這是其行銷敘事對人機分工的概括： ==模型處理擴張性的搜尋與外聯，人類保留關係、判斷與責任。== 這裡的轉變不只在「AI 讓招聘者更快」。 傳統招聘者的價值，往往存在於難以明說的判斷裡：某個人是否值得聯絡、現在是否是接觸時機、哪一種訊息不會冒犯、候選人的經驗是否真的對應到職缺需要。 當這些判斷被拆成名單規則、排序信號、訊息模板與跟進節奏，它們便不再只屬於某個資深顧問，而成為一套可以複製、外包和衡量的工作流。 > AI 可以把 recruiter 從排程與跟進中解放出來；它也可以把更多人捲入自己不知道的職涯 profiling。 這也正好補上我之前談 [Workday 履歷篩選](https://privacyux.substack.com/p/48-500-35-workday) 時的一端。 Workday 的問題是內圍（ inbound）：候選人投遞履歷後，如何在進入人工審閱前被排序或排除。Super Recruiter 的問題則是外圍 （outbound）：在一份候選人名單被建立之前，系統如何從公開資料推斷哪些人值得找、哪些人可能願意談、哪些人不值得花招聘者的時間。 ==兩者都不是 offer 階段的自動決策；但兩者都在重新安排招聘漏斗的入口。== > 招聘中的 AI 風險不止於「自動拒絕」。 > > 手冊自己把 Filter 寫成：誰得到「a human hour」。 > > 當模型決定誰值得一個人類小時，它已在分配機會。 這不是 Super Recruiter 獨有的故事。 Pragmatic Engineer 的 Gergely Orosz 在 [X（2026-06-28）](https://x.com/GergelyOrosz/status/2071105819089973716) 寫過同一套 catch-22：公司說找不到特定 profile；inbound 太吵，多數團隊乾脆放棄；真正符合的人投了，也擠不進那堆噪音。 招聘者因此更想要 outbound；候選人則覺得自己從未被看見。Playbook 的 Find 階段，正好坐在這條縫上。 這與 Workday 履歷篩選是同一件事的兩端：一端是 inbound——誰在投遞之後、被人類看見之前就被拒絕；一端是 outbound——誰從未進入接觸名單，機會根本不曾發生。 官網把這套服務寫成： > Interview better candidates your job post will never reach 它不是「第四代 AI 原生獵頭」的定義，只是一個可拆的案例；真正值得拆的文件是它掛在 Claude 上的操作手冊。 --- ## 二十個 agents 實際在決定什麼 它是一份協助招聘流程標準化的操作手冊，不是完整的 AI 招聘系統。Super Recruiter 用 Claude 當通用生成式 AI 工具，把職位定義到入職拆成可執行的工作流。 強項在於把招聘拆成可執行的工作流。拿來寫「AI 招聘」，最有價值的角度其實是：它把 AI 從自動化工具，推向招聘決策的半結構化協作者；同時也把責任、偏見、隱私與可審計性的缺口攤開。 手冊將招聘分為 Define、Find、Filter、Decide、Land 五個階段，每階段四個 Claude prompt，共 20 個「agents」。它的主張是：招聘團隊通常不缺 prompt，缺的是能把職位定義、尋才、篩選、面試決策、錄用與入職串起來的流程。 ![图片](./assets/img-240d2a50.webp) > 更大的候選人池不必然是更公平的人才市場。 當招聘工作被拆成二十個 agents，獵頭的專業不再只存在於某位招聘者的腦中，而開始被寫進一套可複製的決策介面。 手冊反覆強調「Claude drafts, you decide」：AI 起草，人類決定；所有候選人訊息也須經人工檢視。 這是正確的風險姿態，但不足以保證人類監督真的有效AI 的輸出已經會預先框定問題、分類候選人，並影響決策者注意什麼、忽略什麼。 結構化不會自動消除偏見；它也可能把偏見變得更一致、更快速，並更難被質疑。 --- ## 先把「好人選」寫成可討論的證據 ![图片](./assets/img-12565434.webp) 最成熟的地方，是它不把 AI 招聘等同於「快速讀履歷」。真正的瓶頸常在最前端：招聘經理沒有共同、具體的職位定義，後續 sourcing 和面試都在錯誤的標準上運作。 Role Mapper 與 Scorecard Builder 要求寫出： - 首 90 天任務 - 最多五項 must-have - 可觀察的 1／3／5 分表現 > **作者補充** ：招聘 AI 最重要的價值，未必是更快地淘汰人，而是迫使組織把原本含混、政治化或靠直覺的「好人選」概念，轉譯為可討論的工作證據。 手冊也不鼓勵「culture fit」這種模糊指標，而要求改寫成具體可觀察行為： - 每位面試官只評估部分維度 - 兩個最重要維度由不同人重複覆蓋 - 避免同一問題被問四次 Debrief Synthesiser 還要求標出評分差異很大的維度，而不是讓聲量最大的面試官主導結果。這是 AI 改善程序公平性的合理場景：不是替人做選擇，而是提升結構、可追溯性與一致性。 Scorecard Builder 要求每個維度保留 “Insufficient Evidence”；Debrief Synthesiser 在少於兩位面試官提交評分時，應拒絕綜合成看似可靠的結論。承認空白，比把資料缺失偽裝成候選人弱點更成熟。 文件多次禁止把下列項目作為輸入： - 姓名 - 照片 - 學校名望 - 國籍 - 年齡 - 性別 - 英文流利度 並明確指出不能將下列項目視為紅旗： - 育兒 - 健康 - 裁員 - 空窗期 - 自學背景 - 非傳統職涯 也不得利用個人疾病、喪失或公開爭議等脆弱時刻作為招募接觸信號。 這些 guardrails 值得肯定，尤其比很多「AI résumé screening」產品更直接地碰到代理歧視。 --- ## 四種販售物同時在架上，不是進化史 關係型顧問仍然靠信任、行業判斷和一通電話創造價值；LinkedIn、ATS 和 sourcing platform 仍在販售可搜尋的人才資料；RPO 仍在販售一支可管理招聘漏斗的團隊；今天的 AI 工作流，則試圖把搜尋、排序、外聯和跟進這些高頻工作轉成可以重複執行的系統。 不要把人脈、資料庫、RPO、AI 寫成已經互相取代的四代歷史。 HireEZ、Eightfold、Gem 早已在賣 sourcing；RPO 仍在賣產能；關係型顧問仍在賣電話。它們是同時存在的販售物。 Super Recruiter 的公開定位就在交界處：公司主張不是用模型取代招聘者，而是將招聘漏斗最耗人力的前端候選人發掘、外聯、回覆轉化與流程推進包裝成 AI 加人類的外包服務。 ![图片](./assets/img-f2c7aed4.webp) AI 的新意不在於「終於有人用科技找人」。新意是它開始把招聘者原本無法完全交接的判斷，轉成可以寫進工作流、交由系統執行、再用指標評估的東西。 前三種問題大多還能歸因於某位顧問、某個 team 或一項流程。當搜尋、排序與接觸被寫進 agents，偏差可以被更快複製、跨客戶擴散，也更難從單一面試決定中被察覺。 --- ## 禁止讀性別，還是可能讀到社會位置 > 支持者把招聘視為反向 GTM；批評者則提醒，候選人不是 prospect list。 禁止模型讀取性別，不代表模型無法從職涯、地點、語言與學校推測性別化的社會位置。手冊假定只要排除姓名、年齡、性別、國籍，系統便可較公平。下列資料本身都可能成為敏感屬性的代理變量： - 履歷 - 職稱 - 公司名稱 - 教育背景 - 職涯時間線 - 地點 - 語言風格 - LinkedIn 公開資料 Resume Ranker 雖然禁止使用學校「prestige」，但若使用者貼上完整履歷，模型仍可能 ==從學校、公司、職涯軌跡或文風推斷社會階層、移民背景、性別或照護責任。== 真正要問的不是 prompt 寫了什麼，而是： - 實際輸入有沒有去識別化 - 模型是否遵守指令、又能否被驗證 - 排序是否對不同群體產生不成比例的不利影響 - 人類會不會因排名產生自動化偏誤 文件提供的是倫理意圖，不是公平性證據。 --- ## 點擊批准，還不是管得住 高影響決策也被包裝成「輔助」。 下列工具已經在框定判斷： - Resume Ranker：對候選人打分、扣紅旗、排成 Interview／Maybe／Reject - Red Flag Detector：對職涯模式給嚴重程度 - Fake Profile Catcher：判斷 Authentic、AI-polished 或 Needs verification 即使最後由人按下「拒絕」，AI 已經可能： - 把人放進低優先隊列 - 把職涯描述標為可疑 - 生成看似客觀卻未經驗證的 red flag - 決定招聘者把有限時間投向誰 真正的 human-in-the-loop，不是讓人點擊批准；而是讓人能理解、挑戰、推翻和修正 AI 的推理。人類在迴路中，不等於人類擁有實質控制。 ==若人類只是在大規模 AI 初篩後批准結果，監督可能只是形式上的。== 接住回覆者的人若看不見系統為何排出這份名單、也改不了排序規則，那只是人在回路末端蓋章。 --- ## 招聘者要速度，候選人要有人可問 Reddit 與 X 幾乎沒人在討論 Super Recruiter 或這份手冊。能核到的材料，是同一套分工的兩邊；兩邊並不對稱，也不構成「招聘界一致支持／反對」的量化結論。 ![图片](./assets/img-0d6928e3.webp) ![图片](./assets/img-b51d3117.webp) ![图片](./assets/img-39573d14.webp) ![图片](./assets/img-240d2a50.webp) ![图片](./assets/img-12565434.webp) ![图片](./assets/img-f2c7aed4.webp) ![图片](./assets/img-0d6928e3.webp)