有一次，一位客户的创始人告诉我，他们要找一名CBO。

我没有马上问职位汇报给谁，也没有急着列目标公司。我先问了两个听起来不太像猎头会问的问题：

“你们账面上的钱，还能撑多久？”

“银行现在还能给你们贷多少钱？”

这两个问题，决定了他们为什么急着找这个人。

如果公司现金充足，这位CBO可能需要搭建长期的BD体系；如果资金窗口已经很紧，他入职后的第一任务可能不是“建立战略”，而是尽快拿到一笔授权交易、找到合作伙伴，或者把一个重要项目推进到能够融资的节点。

同样一个职位名称，背后可能是完全不同的任务。

如果猎头拿到JD就开始搜人，他搜索的只是客户写出来的那个人。

而高管寻访真正要找到的，是客户此刻真正需要的那个人。

15年经验，不是记住了更多简历

我做了15年高管寻访。

前5年，我在猎头公司上班；后10年，我自己开公司做老板。大部分时间，我专注在生物制药行业，尤其是研发相关的高管职位。

在行业周期最好的时候，我们的人均产值接近200万元。一个高管职位，单个职位的收款就可能超过100万元。

但做得越久，我越清楚：猎头经验不是“认识的人更多”，也不是“硬盘里的简历更多”。

真正的经验，是一连串不会自动写在JD里的判断：

·客户嘴里要的职位，和他真正要解决的问题是不是一回事？

·一个人的职级、公司和标题看起来不匹配，他实际做过的事情是否匹配？

·这个职位除了中文名称，还有哪些英文名称、别名和上下游职位？

·候选人不会在简历里直接写出答案时，他可能会留下哪些间接证据？

·搜索结果太少时，应该先放宽什么；结果太多时，又应该先收紧什么？

这些东西很难装进一份培训手册。

以前带教新人，我必须一个职位一个职位地教，一个行业一个行业地讲。我讲完医学总监，下次换成临床开发负责人，很多判断又得重新来一遍。

后来我冒出一个很直接的想法：

我教人也是教，我教AI也是教。

而且AI学得更快。至少在知识广度和逻辑推理上，它很快就会超过我。

我是怎样把自己教给AI的

我是一个文科出身的猎头。

SearchDog最早的代码，是我借助Claude Code，一段一段做出来的。

我并不是先学会编程，再决定做一个招聘软件。顺序正好相反：我先把自己工作中最痛苦、最重复、最依赖经验的环节讲给AI听，然后和它反复对话、测试、失败、修改，再继续测试。

我告诉它，拿到一份JD以后，不要立刻去搜索。

先把需求拆开：职位名称怎么填，Location怎么填，教育背景怎么填，哪些条件是硬约束，哪些只是客户的理想描述。

我也告诉它，一个医学总监，不一定会在简历标题里写“医学总监”。

他可能写的是：

·Clinical Research Physician；

·Clinical Development Director；

·Head of Clinical Development；

·甚至标题只写了一个普通的Director或Head。

真正的线索，可能藏在简历正文中：他是否负责过Clinical Trial Protocol，是否主导过关键临床项目，是否承担过与职位相当的责任。

有了关键词A，还要继续想：与A相关的B、C、D是什么？这个职位的候选人会怎样描述自己？哪些能力不会出现在职位名称里，却会出现在项目经历里？

这不是让AI背下几个搜索词。

而是教它像一名资深猎头一样联想、怀疑、换词、扩词，再回到证据里验证。

一个曾被JD淘汰的人，最后入职了

SearchDog有一位甲方HR用户，来自一家上市公司。

他们要招聘一名工艺技术负责人。内部招聘团队和外部猎头找了整整半年，从上一年年底一直找到第二年5月，始终没有找到合适的人。

SearchDog用一个晚上，在LinkedIn上完成了500多名候选人的搜索和初步判断，并从中筛出了不到50名高优先级候选人。

其中有一个人，客户以前见过他的简历，但已经淘汰了。

原因看起来非常充分：

JD明确要求候选人拥有B技术路径的工艺经验，而这个人的简历没有写B，只写了A技术路径。

如果按照关键词匹配，他就是“不符合”。

但SearchDog给出的判断是：A技术路径的难度和能力上限远高于B。能够完成A的人，实际上具备胜任B的能力。简历里没有出现B，并不等于这个人做不了B。

客户重新联系了这名候选人。

5月开始接触，6月正式入职。

一个困扰团队半年的职位，最后被一个很小的判断关掉了。

关键词看到的是：

“他没有写B。”

一个懂业务的猎头看到的是：

“他能做A，为什么做不了B？”

这也是我想交给AI的东西。

不是让它机械地执行JD，而是让它有能力发现：JD本身可能正在错杀谁。

说明：案例已经匿名处理；单个案例不代表所有职位都能获得相同结果。

传统ATS是柜子，SearchDog要成为生产工具

过去很多猎头公司使用的ATS，解决的是存储问题。

简历放进去了，项目记录下来了，候选人曾经在哪家公司、做过什么职位，也都保留下来了。

它像一个柜子。

柜子很重要，但柜子不会生产。

一家猎头公司可能积累了几万份甚至十万份简历，但没有任何一个顾问能够记住十万人。当一个新JD出现时，很多历史简历仍然躺在柜子里，直到顾问刚好想起某个名字。

SearchDog想做的不是一个更漂亮的柜子。

它既要保存生产资料，也要成为生产工具：

·接到一个需求，帮助顾问理解职位；

·从十万份历史简历中重新找出值得联系的人；

·到外部招聘渠道继续扩展候选人池；

·识别职位别名、关联词和隐藏证据；

·对候选人给出评分、理由、风险和待确认问题；

·把大量名单收敛成顾问真正应该优先联系的人。

大多数客户不需要理解向量、模型和智能体。

企业最终也不关心AI的参数有多大、技术名词有多新。

它们只关心一件事：

AI能不能直接产生生产力，能不能帮助用户赚钱。

1.5.2，是SearchDog的一个分界线

SearchDog的第一个阶段，是一个文科生猎头老板借助AI，把自己的业务经验做成产品。

从1.5.2开始，团队里加入了拥有阿里、百度等大型互联网公司经历的全职技术和产品核心成员。

我们开始重新优化底层代码和整体架构，也针对过去可能出现的需求理解偏差、执行错误和流程不够流畅的问题，补充更严格的校验、执行和失败处理。

用户能够直接感受到的，是某招聘渠道上的搜索寻访过程更流畅、更稳定；更深层的变化，则是SearchDog开始拥有一套能够继续扩展的底座。

这不是一个靠堆功能制造声量的版本。

它更像一次换底盘。

以前，我最担心的是：一个文科生想到了业务问题，却没有足够的技术能力把它可靠地实现。

现在，技术正在逐渐不再成为最大的难题。

我们下一步真正要回答的是：

SearchDog能不能更理解业务、更贴近业务，最后直接创造生产力？

我不想和AI比赛

AI在知识广度和逻辑推理能力上，一直都超过我。

我对此没有太多意外，也没有觉得受到威胁。

因为我有AI暂时不具备的东西：对现实世界的物理感知，对组织关系的理解，对客户语气、犹豫、压力和情绪的感知。

AI则拥有巨大的知识基础、推理速度和几乎不会疲惫的执行能力。

我不想证明谁更强。

我想做的是，让这两种能力一起工作。

15年前，一个刚入行的猎头要靠一个又一个职位、一次又一次失败，慢慢形成自己的判断。

今天，我们有机会把这些经验拆出来，让AI帮助更多顾问少走一些弯路。

SearchDog 1.5.2不是终点。

我们的目标很直接：

让SearchDog一步一步成为所有猎头离不开的生产力工具。

更多关于searchdog，可以访问我们的官网：www.searchdog.cc

也可以添加我的微信，一起交流：

—END—