LinkedIn本周正式推出其AI驱动的人物搜索功能。这一产品上线距离ChatGPT发布已整整三年，距离LinkedIn推出AI求职搜索功能也已过去六个月。对于企业技术决策者而言，这一时间线揭示了一个关键教训：在真实企业环境中部署生成式AI极具挑战性，尤其是在覆盖13亿用户的大规模场景下，这是一个缓慢而艰难的务实优化过程。
据LinkedIn产品与工程团队透露，新搜索功能的核心变化在于理解用户的自然语言意图。用户现在可以在LinkedIn搜索框中输入诸如“谁在癌症治疗方面有深入研究”这样的自然语言查询。此前的关键词搜索系统面对这类问题会束手无策——它只会检索包含“癌症”字样的资料。如果用户希望获得更精准的结果，必须手动分别搜索“癌症”“肿瘤学”等关键词，再自行整合信息。
新的AI系统则完全不同。底层大语言模型能够理解语义关联，例如识别出“癌症”与“肿瘤学”在概念上的相关性，甚至能关联到“基因组学研究”。因此，系统能够返回更精准的人物列表，包括肿瘤学专家和研究人员，即使这些人的个人资料中并未直接出现“癌症”一词。系统同时兼顾相关性与实用性：它不会只展示全球最顶尖的肿瘤学家——那可能是用户无法触达的三度人脉——而是会优先呈现用户直接网络中“高度相关”的一度联系人，这些联系人可以作为通向专家的关键桥梁。
不过，对于企业级应用开发者而言，LinkedIn在此次发布中沉淀的“方法论”或许比产品本身更具参考价值。这是一套可复制的多阶段流水线，涵盖模型蒸馏、协同设计和持续优化。LinkedIn工程副总裁张文静在发布文章中写道：“不要试图一次做所有事。”她透露，此前团队曾试图为LinkedIn所有产品构建一个统一的AI系统，但这种“过于宏大的野心”反而导致进展停滞。
LinkedIn最终选择先在单一垂直场景取得突破。此前上线的AI求职搜索功能提供了成功范本。据产品工程副总裁Erran Berger介绍，该功能使没有四年大学学位的求职者获得录用的可能性提升了10％。现在，LinkedIn正将这一方法论应用于规模更大的挑战。“在数千万个职位中实现这一能力是一回事，”Berger对媒体表示，“在13亿用户的社交图谱上做到这一点完全是另一回事。”
这一技术路线的核心在于“蒸馏”与“协同设计”的有机结合。LinkedIn工程团队将大语言模型的语义理解能力与平台自身的社交图谱数据相结合，通过多轮迭代优化，使系统能够在海量用户数据中高效识别意图、平衡相关性与可触达性。这种分阶段推进的策略，避免了在复杂系统中一次性引入过多变量所带来的失控风险。
LinkedIn的实践为整个企业服务行业提供了一个值得关注的样本。生成式AI在企业场景中的落地并非简单的模型调用，而是需要围绕具体业务场景进行深度定制和持续调优。从单一功能切入、验证方法论、再横向扩展，这一路径正在成为大型企业级应用部署AI能力的务实选择。随着LinkedIn将这一能力逐步推广至更多产品线，其积累的工程经验或将为整个行业提供可借鉴的参考框架。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
