7 月 17 日晚，在 WAIC 2026 开幕之夜，由科锐国际联合 Founder Park 发起的「Builders' Night Talk」成功举办。
7 月 17 日晚，在 WAIC 2026 开幕之夜，由科锐国际联合 Founder Park 发起的「Builders' Night Talk」成功举办。来自 AI、企业服务、数据智能等领域的 50 余位创业者、技术负责人和企业管理者齐聚现场，围绕「从 Copilot 到 AI 员工，企业 Agent 如何真正跑进业务」这一主题展开深入交流。科锐国际 CTO 刘之受邀出席，共同探讨 Agent 从概念验证走向产业规模化落地过程中的机遇与挑战。
当行业普遍将 2025 年定义为「Agent 元年」之后，一个更加值得关注的问题摆在企业面前：Agent 究竟如何从演示 Demo 走进生产环境，真正创造业务价值？
活动现场，科锐国际 CTO 刘之结合公司在人力资源领域 30 年的深耕积淀，以及近年来团队在 AI Agent 方向的实践探索，分享了关于企业级 Agent 落地、技术演进路径及招聘场景实践的最新思考。他认为，相较于标准化程度较高的业务流程，人力资源招聘或许是当前 Agent 最适合规模化落地的垂直领域之一。而随着任务复杂度不断提升，AI Agent 的应用形态正从单体智能体（Single Agent），全面迈向多智能体协同（Agent Team）的全新阶段。
Agent 热潮之后，企业开始关注真正的落地价值
过去一年，Agent 成为全球 AI 产业最受关注的方向之一。从个人效率工具到数字员工，从知识管理到业务自动化，越来越多企业开始尝试将 Agent 引入实际工作场景。叠加大模型能力持续突破，各类通用 Agent 和垂直行业 Agent 快速涌现，推动 AI 应用进入新的发展阶段。
刘之认为，企业 Agent 落地的核心挑战并不在于模型本身，而在于如何将这些能力稳定、安全、可复制地应用到真实业务之中。他指出，很多 AI 项目落地的真正卡点，并不是技术能力不够，而是团队对于技术上限和能力边界缺乏足够认知。行业热潮下容易一哄而上，而当业务适配、合规要求、组织协同等现实问题出现时，又迅速失去耐心，最终导致项目停滞。
因此，他认为企业推进 Agent 建设首先需要回答一个问题：当前技术究竟发展到了哪个阶段，又真正能够解决哪些问题。基于实践观察，他将 Agent 的发展大致归纳成五个阶段：Prompt Engineering（提示词封装）、Workflow（工作流编排）、Autonomous Execution（自主执行）、Long-Horizon Tasks（长程任务）、Self-Learning（自主学习）。
当前行业正从「自主执行」向「长程任务」阶段演进，而未来的重要方向将是 Self-Learning。随着 Agent 处理任务的复杂度、精细化度持续提升，行业对其上下文理解、工具智能调用、效果评估体系、人机协同机制的完备性要求，也在同步提升。
在刘之看来，衡量 Agent 发展成熟度可以归纳为七大关键指标，按优先级依次为：任务完成率、人机协作、精确性、可重复性、成本、速度和安全性。
企业软件架构正在被重新定义
Agent 究竟是要替代旧系统，还是嵌入 SaaS/RPA/OA/CRM/HRM 之上运行？
刘之的判断是，Agent 的发展正在重构企业软件的底层逻辑。传统系统通常由 Data（数据）、Workflow（工作流）和 UI（界面）三部分组成，而在 AI 时代，这三个核心维度都在发生深刻变化。
首先，数据正在从企业内部数据扩展为更广义的 Context（上下文）。企业不仅需要管理内部知识，还需要整合外部信息、行业知识、实时动态以及业务场景中的各种上下文信息。
其次，工作流正在从传统流程引擎、规则引擎和低代码平台，逐步转向由 Agent、Skill 以及 Code Sandbox 组成的新型执行体系。
与此同时，企业软件的交互形态也在发生变化，包括 MCP Apps、File-based Canvas 以及生成式 UI 等交互方式持续涌现。「并非所有企业业务场景都依赖对话框交互，当自动化能力足够成熟、对话交互无法提升业务效率时，无界面自动化模式会成为更优选择。」刘之表示。
不过他也强调，企业场景中大量业务仍涉及审计、合规以及责任追踪，因此传统 SaaS 系统短期内不会消失，而是将与 Agent 长期共存。
科锐国际实践：从单 Agent 到 Agent Team，重构招聘全流程
招聘本质上是一项非标业务——如何在非标流程中做好个性化、充分释放 AI 的自主性？这是 HR 行业共同面对的课题。
刘之认为，招聘始终是一项高度依赖专业经验的工作。一个优秀候选人的识别，不仅需要判断技能与履历，更需要结合岗位需求、组织结构、业务发展阶段以及企业文化等多维因素进行综合分析。这种高度依赖知识、推理和决策的工作模式，与 Agent 的能力特点天然契合。
「传统企业软件解决标准化流程效率问题，而 AI Agent 的核心价值，是承接需要持续思考、多维分析、动态决策的复杂业务场景。」刘之总结道。
基于 30 年人才服务经验以及真实招聘场景数据积累，科锐国际持续探索 AI Agent 在人力资源领域的落地实践，并推出招聘 Agent 产品——Mina。Mina 的定位并非替代招聘顾问，而是成为招聘团队的「数字搭档」，帮助顾问提升人才寻访、研究分析和匹配决策效率，将更多精力投入到人才评估、候选人沟通和客户服务等高价值环节。
目前，Mina 在科锐内部已有 1000+顾问使用，已形成三大核心能力：
首先是人才搜索与研究能力（Search & Research）。Mina 能够同时整合企业人才库、公开人才数据以及 Github、Hugging Face 等技术社区信息，在短时间内完成候选人搜索、企业研究、人才地图绘制和背景分析等工作。
其次是专业技能沉淀能力（Skill）。优秀顾问积累的方法论能够被沉淀为可复用的 Skill 模块，例如职位需求分析（Intake）、人才地图构建（Mapping）等关键能力，实现经验的规模化复制。
第三是工具协同能力。Mina 能够调用企业授权的数据源和业务工具，并支持邮件触达、电话外呼等任务执行方式，使 AI 从信息分析进一步延伸到实际工作流程之中。
随着招聘任务复杂度不断提升，科锐国际进一步探索了 Agent Team 模式：不同 Agent 像招聘团队成员一样协同工作，分别承担信息搜集、市场研究、人才筛选、候选人沟通等职责，并通过协作完成复杂招聘任务。目前，Mina 已内置多个招聘场景中的专业 Teammate 角色，可根据任务需求进行并行或串行协作。在复杂人才寻访项目以及长期招聘任务中，Agent Team 展现出了明显优于单 Agent 的执行效率和任务完成能力。
Agent 落地的难点，不是模型，而是业务融合
Agent 要真正进入企业生产流程，谁来配置、谁来验收、谁来负责结果？这是许多企业绕不开的现实问题。过去一年，大模型能力持续突破，但刘之发现，真正限制 Agent 价值释放的往往并不是模型能力。
「很多项目失败，并不是技术做不到，而是企业对 AI 的能力边界、适用场景认知不足，盲目落地导致技术与业务脱节。」
他提出，企业级 Agent 落地需要解决三个核心问题：一是构建完整、可信、实时的业务上下文体系，让 AI 读懂真实业务场景；二是搭建稳定、精准、可追溯的工具调用与业务执行机制；三是建立成熟的人机协同分工体系，明确人机权责边界。
尤其在招聘场景中，企业必须确保 AI 的每一步推理和决策建议都具备可追溯性和可解释性。为此，科锐国际在 Mina 设计过程中引入了大量 Human-in-the-Loop 机制。AI 负责信息搜集、证据整理和分析支持，而最终的人才评估和录用决策始终由人完成。
AI 时代，比技术更重要的是组织能力
圆桌最后讨论了 AI-native 公司的组织文化、管理方式和工作流如何被 Agent 重写。刘之分享了他的观点：人才密度对于 AI-native 的公司是极其关键的。随着 Agent 能力持续增强，未来企业竞争的重点可能不再是「谁拥有更多 AI 工具」，而是谁能够更快地完成组织协同和流程重构。
大量重复性工作将被自动化，企业员工将更多承担研究（Research）、规划（Plan）和评审（Review）等高价值工作。与此同时，组织决策速度、反馈机制以及人与 AI 的协作方式，也将成为新的竞争壁垒。
「AI 能够放大十倍的能力，也可能放大十倍的问题。真正决定企业能否抓住这一轮机会的，不是模型本身，而是能否把 Agent 真正融入业务流程和组织体系。」
从单 Agent 到 Agent Team，从效率工具到生产力基础设施，Agent 正在进入产业落地的新阶段。
对于长期深耕人才服务行业的科锐国际而言，Mina 不仅是一次技术创新尝试，更是将行业知识、业务经验与 AI 能力深度融合的实践探索。随着越来越多企业开始寻找 AI 创造实际业务价值的路径，来自真实招聘场景的验证，也为企业级 Agent 如何落地提供了一个值得观察的样本。
来源：互联网
