人工智能在招聘领域的自动化对象已经从简单的档案配对和排序列表，演进到多阶段工作流——包括检索证据、比较候选人以及支持或执行决策。本文通过目的性检索和编码协议（截至2026年7月23日，后续更新至2026年9月2日），系统梳理了40篇具有代表性的学术、工业和法律文献。
我们识别出三条耦合转变：
- 从相似度匹配转向互惠适配，即模型不再仅评估候选人与职位的相似度，而是考虑双方的需求匹配度；
- 从单一模型转向复合工作流，模型被嵌入到检索、排序、评估、面试、候选人来源以及人工交接等环节；
- 从离线预测转向基于证据和生产率的评估，评价指标从纯粹的准确率扩展到对证据获取、决策不确定性和成本风险的考量。
在文档理解、检索、排序、评估、面试、候选人来源和人工交接等维度，我们区分了场景层、配对层、列表层、案例层、轨迹层和结果层的证据类型。研究仍存在若干显著空白：行为标签混淆了曝光、偏好和资格；私有或合成数据限制了外部有效性；最终输出分数掩盖了管道中的失效点；在已编码的文献中，隐私未被直接评估，且没有任何研究同时评估效用、公平性、隐私和安全。
基于上述观察，我们提出了一套分阶段映射，将评估证据对应到最强的可辩护主张，并制定了一个议程：构建互惠、基于证据、时间受控、可选择且可审计的系统。系统的进步应以以下标准衡量：是否检索到正确的证据、是否保留决策不确定性、是否支持可争议的决策、以及在明确的成本与风险约束下是否提升了招聘结果。
点评