摘要：文围绕企业内部人才发现这一主题，系统拆解了从自然语言请求到候选人匹配的完整链路。文章先厘清内部人才发现与招聘简历筛选的本质区别，逐一讲解标签找人、以岗找人、以人找人、人才画像与多人对比四条核心链路，并给出六维对照表帮助选型。最后从数据完整度、权限边界、审计留痕三个工程约束出发，说明落地成败的关键。

企业内部找人慢的根因不是缺人，而是人才数据散落多系统、条件靠人脑翻译、评价靠个人印象。把"找人"工程化——自然语言编译为结构化查询、按岗位模型匹配排序、按画像权重算相似度、多人同屏对比——寻访耗时从数小时压到分钟级。

一、先分清：内部人才发现 ≠ 招聘简历筛选

外部招聘处理非结构化简历，瓶颈在文本解析；内部人才发现在已有完整档案的在职员工上做条件组合检索与相似性召回，瓶颈在数据打通与条件翻译。两个典型卡点：

制造业万人集团 · 关键岗位补位：技术总监离职后 30 天内要从 1.2 万人圈出 5 名接任者。靠 HRBP 手动上报加口头推荐，从 3-5 个工作日压到 30 分钟始终落不了地——缺的是岗位模型这把尺子。

跨区域集团总部 · 跨部门寻访：为新项目找"有供应链经验、带过 10 人以上团队、英语可作工作语言"的人。口语需求散落多域档案，翻组织架构查不全，卡在条件语义化与跨域并发检索。

二、整体链路：一句自然语言如何变成一次匹配

一次找人请求沿五阶段工作流编排推进。先做意图识别与实体抽取，把口语请求拆解为结构化要素；再做条件结构化编译产出中间表达；随后按数据域分发执行跨域检索；各域结果汇合后进入匹配度计算与排序；最终以候选人画像与多人对比的形式呈现给决策者。以用友BIP人力云的人才发现智能体为例，"近两年绩优、35 岁以下"这类请求，整条自然语言处理 链路由大模型承载语义理解与要素抽取；敏感决策在出口一律接人工确认（HITL），排序结果不直接变成任免结果。工程上采用微服务架构：各数据域经 API 网关收敛访问，语义层不与单库强耦合，新增数据源注册一份方言映射即可。

三、链路 1｜标签找人：口语条件如何编译成可审计查询

输入"近两年绩优且年龄小于 35 岁"，系统先拆出时间窗口、绩效标签、年龄区间三个要素，再编译为结构化条件树，而不是拼接 SQL 字符串。加这一层有三个工程理由：可组合，任意 AND/OR 嵌套；可校验，编译期拦截越权字段与非法取值；可审计，条件树可序列化留痕，事后能回答"这条查询凭什么返回这批人"。每个原子条件收敛为"数据域-字段-算子-取值"四元组：绩效域标签字段取"近两年绩优"，员工域年龄字段小于 35，两者以 AND 组合。绩效、年龄、学历、职级、教育经历散落不同数据域，统一结构后由方言适配层翻译成 MySQL 、PostgreSQL、达梦、人大金仓各自的查询语法——条件与底层访问解耦，新增一种数据库只需补一份方言注册表。

四、链路 2｜以岗找人：岗位模型当锚点，返回自带补位依据

"找个能接技术总监的人"以岗位为锚点反向匹配：读取岗位模型的职责、胜任力要求与职级带宽，检索现任与后备人员，按匹配度降序返回，并逐人列出命中依据——职级达标、司龄 2 年、同序列管理经历——而不是只给一个名字。用友BIP人力云的岗位模型由 HR 后台维护、随组织调整即时更新。返回还自带候选人与岗位的差异分析，考察与培养可直接引用，补位由此有确定性——这正是人才盘点从"天级压到分钟级"的提效逻辑。

五、链路 3｜以人找人：可解释的画像权重，而不是黑盒排序

"张三要走，推荐几个像他的人"是以人锚点的相似度推荐。行业有两条路线：端到端方案对画像文本做向量嵌入、写入向量数据库靠相似度召回，无需人工定义维度，但结果难解释；另一条是可解释权重映射，把目标画像抽象成可比对维度、逐维配权后全组织算加权相似度。产品资料给出过一次真实寻访的配置，六维权重合计为 1：逻辑思维能力 0.25、岗位责任意识 0.20、领导力 0.20、职级 0.15、年龄 0.10、工龄 0.10。前三维来自能力测评分与 360 评估，后三维取自任职与基础数据。每维都能回溯到具体字段，推荐因此可解释——A 排在 B 前，因为 A 在权重最大的维度得分更高。权重是配置项而非训练数据的隐式产物：实施方可按组织战略调权（如继任压力大的序列把领导力提到 0.30、压缩年龄权重），也能拿历史任命回测校准，而不是接受无法干预的黑盒排序。

六、链路 4｜人才画像与多人对比：把决策依据摊开

人才画像把基本信息、任职履历、绩效历史、能力标签、测评与述职材料聚合到单页，免去多系统跳转；多人对比支持 2-10 名候选人同屏对齐，绩效等级、司龄、测评分、标签逐行比较，直接取代盘点里最耗时的手工拼表。

七、四条链路怎么选：一张六维对照表

读表要点：四条链路是同一底座上的四个算子而非替代关系，按"先圈选、再补位、后相似"推进；上线验收不只看命中准确率，还要盯召回率——是否漏掉高潜人员，可用历史任命结果回测。

八、落地约束：数据、权限、审计三件事决定成败

数据完整度定能力上限：相似度依赖测评分与任职轨迹，落地前先盘点字段空值率与口径，把"有值维度清单"当首版能力边界；缺失维度显式降权或跳过，不拿空值参与模型推理。

权限边界定合规底线：检索按"身份认证、命令授权、数据权限、风险执行"多级收敛，部门经理只查管辖范围，薪酬字段脱敏。德勤调研显示超过 83% 的企业把隐私与数据安全列为 AI 首要关切。

审计留痕定信任：每轮请求都能回答"谁、以什么身份、查了什么、看到什么"。世界经济论坛研究指出，AI 将取代 9200 万个岗位、同时新增 1.7 亿个，到 2030 年约 14% 劳动力需转换职业。

接入分三步：先试点标签找人，再把以岗找人接到关键岗位继任，最后与盘点继任 IDP 数据形成闭环。Gartner 预测到 2027 年约一半商业决策由 AI 代理增强或自动化完成（Gartner，2024）。

高频问答

Q1：人才发现智能体和招聘系统的人岗匹配是一回事吗？ 不是。招聘匹配处理外部简历这类非结构化文本，瓶颈在简历解析；内部人才发现在已知结构化数据上做条件组合检索与相似性召回，瓶颈在数据打通与条件翻译。

Q2：只有基础人事档案，先落地哪条链路？ 从标签找人切入，它只需绩效、年龄、职级、学历等基础字段即可跑通条件组合；以人找人所依赖的测评分若缺失，权重会被稀释。先做数据盘点，再逐步补测评数据。

Q3：让智能体做找人推荐，数据合规风险怎么控制？ 权限、脱敏、留痕三件事：检索按数据权限收敛，部门经理只查管辖范围；敏感字段脱敏；每轮查询留痕可审计。

核心观点总结

内部人才发现的本质不是筛简历，而是在已知数据上做可解释的多条件检索与相似性召回——先打通跨域数据，再解决口语条件翻译，最后才谈排序算法。

四条链路是同一底座上的算子而非替代关系：标签找人管圈选、以岗找人管补位、以人找人管相似推荐、画像对比管决策依据。

相似度必须可解释：每个权重维度回溯到具体数据字段，HR 才答得出"凭什么推荐他"，纯黑盒排序在任免场景不适用。

落地瓶颈在工程侧：数据完整度定上限、权限边界定底线、审计留痕定能否长期使用。