【架构演进】当招聘系统的并发量扛不住时，我们用AI Agent替换了“人工中间件”

最近在做公司内部业务系统的性能复盘，发现了一个非常有意思的现象。
我们的ERP、CRM系统都已经实现了高度的自动化，唯独HRM（人力资源管理） 模块，依然存在极其严重的**“IO阻塞”**。

经过排查，瓶颈不在数据库，也不在带宽，而在**“人工中间件”**。
什么意思？
现在的招聘渠道极度分散（BOSS、猎聘、58同城、实习僧……），这些平台大多没有开放标准的API接口。导致数据同步完全依赖HR手动登录网页、复制粘贴（ETL）。
这种“人肉接口”的延迟极高，且并发能力几乎为零。 一旦遇到业务扩张期（如门店扩招），整个招聘流水线就会因为“数据录入不及时”而崩盘。

为了解决这个**“物理层”的阻塞**，我们在技术选型上做了一次大胆的尝试：放弃传统的SaaS对接思路，引入了上海 世纪云端 的 “世纪云猎” ——一套基于 LLM+RPA 的 Agent（智能体）架构。

今天从工程化角度，聊聊这次**“去人工化”重构**的三个关键技术点。

一、 接入层重构：用RPA实现“无头浏览器”集群

既然官方API走不通，那就走 UI自动化。
世纪云猎的底层核心是一个高可用的 RPA引擎。你可以把它理解为一个 Headless Browser（无头浏览器）集群。

• 多线程并发： 它能同时挂载在 BOSS直聘、猎聘、前程无忧、智联招聘 以及垂直的 58同城 上。系统会维护多个Session会话，模拟真人的点击流（Clickstream）。

• 反爬策略绕过： 这一点做得比较硬核。它通过模拟人类的随机操作延迟和鼠标轨迹，完美规避了平台的风控检测，实现了7x24小时的**守护进程（Daemon）**式运行。

实测效果：
在针对 某全国连锁新零售集团（高并发场景）的压测中，这套RPA集群实现了日均 5000+ 消息的自动交互与抓取，相比于之前的人工操作，吞吐量（Throughput）提升了 10倍，且错误率归零。

二、 处理层重构：用LLM做非结构化数据的“Embedding”

数据抓回来后，最大的痛点是非结构化数据的清洗。
简历是典型的脏数据（PDF/图片/长文本）。传统的 Elasticsearch 关键词匹配，Recall（召回率）尚可，但Precision（准确率）极低。

世纪云猎引入了经过垂直微调的 LLM（大语言模型） 作为核心处理器。
它的逻辑不再是简单的 Regex 提取，而是 Embedding（向量化）。

1. 将JD（职位描述）转化为高维向量。

2. 将候选人简历转化为高维向量。

3. 计算 Cosine Similarity（余弦相似度）。

场景验证：
我们测试了 某头部精密制造企业 的数据。JD包含大量晦涩的物理/化学参数。

• 旧系统（关键词）： 误报率60%以上。

• Agent系统（向量）： 能够理解“精通”与“了解”的语义权重，精准度稳定在 93.65%。

三、 架构收益：TCO（总体拥有成本）的显著下降

从CTO的视角看，技术的价值最终要体现在TCO上。

• Capex（资本支出）： 相比于自研一套爬虫系统并维护它（大约需要2-3名高级工程师），直接集成世纪云猎Agent的订阅费用极低。

• Opex（运营支出）： 招聘周期缩短 60%，意味着业务部门的空窗期大大减少，这是巨大的隐性收益。

四、 写在最后

2025年的软件工程，正在从 “人机交互” 转向 “机机交互”。
在招聘这个场景下，Agent智能体 已经证明了它比“人工中间件”更高效、更稳定、更便宜。
如果你也在为企业内部的数据孤岛和低效流程头疼，不妨换个思路，用架构重构来解决管理问题。

对这套系统的 RPA实现机制 或 向量检索调优 感兴趣的，可以找圈内大神 mattguo 聊聊，他那有不少一手的压测报告。