LinkedIn 正式推出 AI 驱动的人员搜索功能，这一举措距离 ChatGPT 发布已过去三年，距其自身 AI 职位搜索功能上线也有六个月。对技术管理者而言，这一时间线揭示了企业级生成式 AI 部署的核心挑战：在 13 亿用户的超大规模场景下，AI 落地并非一蹴而就，而是需要经过缓慢且严苛的务实优化过程。该功能的推出，不仅重塑了 LinkedIn 的搜索体验，更凝结出一套可复制的 “AI 食谱（Cookbook）”，为企业级 AI 从试点走向亿级用户规模提供了技术蓝图。
从功能体验来看，新的 AI 人员搜索彻底摆脱了传统关键词搜索的局限。用户可输入自然语言查询（如 “谁精通癌症治疗相关知识”），系统能通过底层大语言模型（LLM）理解语义意图，而非仅匹配字面关键词。例如，它能识别 “癌症（cancer）” 与 “肿瘤学（oncology）”“基因组学研究（genomics research）” 的概念关联，即使专业人士的个人资料中未出现 “癌症” 一词，也能将肿瘤学领域的领导者与研究者纳入搜索结果。更重要的是，系统在 “相关性” 与 “实用性” 间实现平衡：不会只推送遥不可及的顶级专家（如三度人脉以外的权威），还会优先推荐用户直接人脉圈中 “具备一定相关性” 的联系人（如一度人脉中的相关从业者），这些人可作为连接专家的关键桥梁，大幅提升搜索结果的实际价值。而在旧有搜索模式下，用户需分别搜索 “癌症”“肿瘤学” 等关键词并手动整合结果，效率与精准度均大幅落后。
LinkedIn 的核心突破，在于其打造的 “多阶段、可复制”AI 食谱，这一流程源于 AI 职位搜索的成功实践，并经过人员搜索的规模化验证。早期，LinkedIn 曾试图构建覆盖全产品的统一 AI 系统，却因 “目标过于庞杂” 导致进展停滞。此后团队转变策略，先聚焦单一垂直领域突破：AI 职位搜索功能不仅实现了商业价值（帮助无四年制学位的求职者聘用概率提升 10%），更沉淀出一套包含 “数据构建、模型蒸馏、多模型协同” 的标准化流程。这套流程的核心逻辑是 “先精后广”—— 在单一领域验证可行性后，再逐步迁移至更复杂的场景，而人员搜索正是其向 “超大规模（13 亿用户图谱）” 发起的挑战。
在技术实现上，该食谱围绕 “数据 – 模型 – 架构” 三层展开，每一步均针对规模化痛点优化。首先是 “黄金数据集与合成数据生成”：团队先构建数百至数千条 “真实查询 – 个人资料匹配” 的黄金数据集，并依据 20-30 页的详细产品政策文档进行精准评分；随后，利用这一小规模黄金数据集，驱动基础大模型生成海量合成训练数据，进而训练出 70 亿参数的 “产品政策模型”。该模型虽能高精度判断搜索相关性，却因速度过慢无法直接用于生产，转而承担 “教师模型” 角色，为后续轻量化模型提供训练依据。
模型层面的关键创新在于 “多教师蒸馏架构”。早期团队曾花费 6-9 个月尝试训练单一模型，却始终无法平衡 “严格政策合规（相关性）” 与 “用户互动信号（如连接、关注行为）”。最终解决方案是 “拆分任务、协同优化”：将 70 亿参数的政策模型蒸馏为 17 亿参数的 “相关性教师模型”，专注于判断搜索结果是否符合政策与语义需求；同时训练独立的 “行为预测教师模型”，针对人员搜索场景预测用户可能的互动行为（如发送连接请求、关注操作）。这些教师模型会输出软概率分数，最终的 “学生模型” 通过 KL 散度损失函数学习并模仿这些分数，实现 “相关性” 与 “互动性” 的融合。
架构设计上，系统采用 “两阶段流水线” 应对规模化挑战。第一阶段由 80 亿参数的模型负责 “广度检索”，从 13 亿用户图谱中广泛筛选候选结果，确保覆盖足够多的潜在匹配；第二阶段由轻量化学生模型负责 “精细排序”，在保证速度的同时提升结果精准度。为适配人员搜索的超大规模，团队对模型进行了极致压缩：参考职位搜索中 6 亿参数学生模型的成功经验，进一步将人员搜索的学生模型从 4.4 亿参数剪枝至 2.2 亿参数，最终实现 “13 亿用户场景下响应速度达标，相关性损失不足 1%” 的目标。此外，团队还解决了检索层的架构瓶颈 —— 此前职位搜索的检索依赖 CPU 基础设施，而人员搜索需处理百亿级记录，团队不得不将索引系统迁移至 GPU 架构，这一基础性调整为 “流畅搜索体验” 提供了硬件支撑。
效率优化是规模化落地的另一关键。为提升模型吞吐量，团队开发了基于强化学习（RL）的 “输入摘要模型”，专门用于压缩搜索查询的输入上下文，在信息损失极小的前提下，将输入规模缩减 20 倍。结合 2.2 亿参数的轻量化模型，最终实现排序吞吐量提升 10 倍，确保系统能高效服务海量用户。这种 “务实优化优先于技术噱头” 的思路贯穿始终：LinkedIn 产品工程副总裁 Erran Berger 强调，当前企业级 AI 的核心价值在于完善推荐系统，而非追逐 “智能体（Agent）热潮”；团队选择模型的唯一标准是 “任务效率”，而非技术热度，这种务实态度使其避开了许多企业级 AI 常见的 “技术空转” 陷阱。
从组织协作来看，跨团队经验迁移加速了人员搜索的落地。早期 LinkedIn 曾让职位搜索与人员搜索团队并行探索，但在职位搜索团队通过 “政策驱动的蒸馏方法” 取得突破后，管理层迅速调动该团队的核心架构师（产品负责人 Rohan Rajiv 与工程负责人 Wenjing Zhang），将 “AI 食谱” 直接移植到人员搜索领域，避免了重复造轮子，大幅缩短了研发周期。这种 “单点突破 – 经验复用” 的组织模式，也成为 LinkedIn AI 规模化的重要保障。
对企业级 AI 实践者而言，LinkedIn 的经验提炼出三大核心启示：一是 “务实聚焦”，避免试图一次性覆盖所有场景，应先在单一垂直领域验证流程并沉淀经验；二是 “流程固化”，将成功实践转化为包含 “数据标准、模型步骤、优化方法” 的可复制食谱，减少后续项目的试错成本；三是 “极致优化”，亿级规模的突破往往来自细节创新，如模型剪枝、输入压缩、架构迁移等，这些看似微小的调整，正是决定 AI 能否落地的关键。
目前，LinkedIn 计划将这套食谱进一步推广至其他产品线，并为未来的智能体应用奠定基础。正如 Berger 所言，“智能体的价值取决于其背后工具的质量”—— 当前的 AI 人员搜索虽定位为 “工具”，但其精准的检索与排序能力，未来将成为 LinkedIn 智能体服务的核心支撑。而对整个行业而言，这套从 13 亿用户规模中淬炼出的 AI 食谱，为企业级生成式 AI 的规模化落地提供了 “从 0 到 1 再到亿” 的清晰路径，证明超大规模 AI 的成功，不在于追求尖端模型，而在于对 “数据、模型、架构” 每一个环节的务实打磨。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/linkedin-sheng-cheng-shi-ai-shi-pu-jie-mi-ru-he-jiang-ren
