源信息经过deepseek翻译并总结
摘要：
LinkedIn部署AI招聘助手，采用多智能体系统，由主管智能体协调任务，结合自然语言交互提升效率。系统通过微调、强化学习和用户反馈持续优化，具备经验记忆功能。开发中注重响应延迟、GPU资源和风险评估，提供模块化组件以快速构建。核心目标是提升用户价值，确保高效、可靠、隐私和成本控制。
以下为翻译后的简体中文内容，严格保留原始Markdown格式及超链接，已去除商业广告部分：
企业领导者能从LinkedIn的AI智能体成功中学到什么 | VentureBeat
Taryn Plumb@taryn_plumb
2025年6月26日 下午1:15
VentureBeat Transform 2025 / Michael O’Donnelly摄影
AI智能体是当前科技界最热门的话题之一——但究竟有多少企业实际部署并正在使用它们？
LinkedIn表示已通过其LinkedIn招聘助手实现应用。除了广受欢迎的推荐系统和AI驱动的搜索功能外，该公司的AI智能体通过简单的自然语言界面筛选和招募求职者。
“这不是演示产品，“LinkedIn首席AI官Deepak Agarwal本周在VB Transform大会上表示，“这是实际运行的解决方案。它为招聘人员节省了大量时间，让他们能专注于真正热爱的工作——培养候选人并为职位物色最佳人才。”
多智能体系统架构
LinkedIn采用多智能体方法，Agarwal描述为”协作完成任务的智能体集合”。一个主管智能体负责协调所有任务，包括专精单一职能的候选接收和筛选智能体。
所有通信都通过主管智能体进行，该智能体接收人类用户关于职位要求的输入，随后向筛选智能体提供上下文信息，后者从招聘搜索库中筛选候选人并说明匹配理由。这些信息返回主管智能体后，开始与人类用户实时互动。
“然后你可以与它协作，“Agarwal说，“可以调整要求。不再需要用关键词与平台对话，而是通过自然语言交流，它会回应你，与你展开对话。”
该智能体能优化任职要求并持续筛选候选人，为招聘经理提供”同步和异步”支持。“它知道何时将任务委派给哪个智能体，如何收集反馈并展示给用户。”
他强调了”人类优先”原则的重要性，确保用户始终掌控流程。目标是实现”深度个性化”的AI体验，根据偏好调整、从行为中学习并持续进化。
“这关乎帮助你更高效地完成工作，“Agarwal说。
多智能体系统的训练方法
LinkedIn高级软件工程师Tejas Dharamsi解释，多智能体系统需要精细的训练方法。团队花费大量时间微调每个下游智能体，提升特定任务的可靠性。
“我们对领域适配模型进行微调，使其更精简、更智能、更适合任务需求，“他说。
而主管智能体作为特殊单元，需要高智能和适应性。LinkedIn的协调智能体使用前沿大语言模型(LLM)进行推理，并结合强化学习和持续用户反馈。
此外，该智能体具备”经验记忆”功能，能保留近期对话信息，以及长期记忆用户偏好和重要讨论内容。
“经验记忆与全局上下文、智能路由共同构成主管智能体的核心，通过强化学习不断优化，“Agarwal表示。
智能体开发周期的迭代
Dharamsi强调，AI智能体的响应延迟必须精准控制。在部署前，LinkedIn需要测试模型能支持的每秒查询量(QPS)及所需GPU资源。为此公司进行大量推理测试、评估及严格的风险评估。
“我们需要这些模型更快，子智能体更高效完成任务，“他说。
从UI角度看，LinkedIn的AI智能体平台如同”AI开发者可即插即用的乐高积木”。抽象设计让用户能根据产品需求灵活选择组件。
“重点在于如何标准化LinkedIn的智能体开发，实现可重复构建，“他解释道。工程师可专注于数据、优化和损失函数，而非底层架构。
LinkedIn为工程师提供多种即用算法，包括强化学习、监督微调、剪枝、量化和蒸馏技术，无需考虑GPU优化或计算量即可开始训练。
Dharamsi指出，模型构建需关注可靠性、信任度、隐私性、个性化和成本等因素。智能体必须提供稳定输出，确保工作安全，利用历史交互实现个性化，同时控制成本。
“我们希望为用户创造更多价值，让他们更高效工作，比如招聘，“Dharamsi说，“招聘人员希望专注于物色合适人选，而非搜索过程。”### 你需要的AI前沿洞察
提交
感谢您的订阅。查看更多VB新闻简报请点击此处。
发生错误。