7 周替换一家猎头公司的业务系统
迁入 49.6 万条人才记录。上线后客户在系统里提需求,到上线的中位时间是 2.1 小时。
「AI 干活、合伙人拍板」的可点击演示
用客户自己的品牌和关注赛道搭出工作台,没有任何密钥也能完整演示。
把基金经理的每句纠正变成有回测依据的规则
23 天提交 586 次。用户的一句「不对」,先用历史数据验证,再写成模型必须遵守的规则。
7 周替换一家猎头公司的业务系统
伯周咨询原先用一套商业招聘管理系统管理人才库、客户、项目流程和发票业绩。我们用 7 周交付了功能对等的自有系统,迁入十多年的业务数据,并加上 AI 寻访、简历解析和 MCP 接口。上线之后,客户在系统里直接提需求,几小时后就能用上。
客户与场景
- 使用者包括超级管理员、团队经理、顾问、财务和 HR,共有 16 人提交过反馈。
- 日常工作是搜索和维护人才、公司、职位,推进项目流程,开发票,看 KPI 和业绩报表。
- 这是每天重复使用的办公系统,客户看重的是找得快、状态可靠。
需求是怎么来的
- 先只读审计原系统。对后台逐页截图审计,整理成 154 组验收矩阵,作为功能对等的标准。全程不修改原系统数据。
- 把反馈入口放进产品。系统右下角的反馈助手会结合代码、日志和用户有权看到的数据,帮用户把需求说清楚。263 条反馈里有 261 条保留了用户原话,例如「这两块移动到首页最上方」「横轴是时间,纵轴是业绩……去年的用黄色」。
- 定下冲突时的优先级。客户明确提出的需求,优先于原系统的行为。
交付内容
| 类别 | 内容 |
|---|---|
| 业务模块 | 仪表盘、人才、公司、项目流程、发票业绩、KPI 报表、权限后台、招聘门户;58 个页面、44 个接口 |
| 数据迁移 | 人才 49.6 万条、公司 3,466 家、流程 12 万条、发票 3,337 张、事件 29.9 万条,保留原系统编号 |
| 权限 | 8 层判定:账号、角色、模块、功能、操作、记录范围、字段、联系方式查看额度 |
| 多语言 | 简体中文、繁体中文、英文,约 5,800 个词条 |
| AI 功能 | 寻访助手(搜索内部和公开人才库,每天自动复盘)、简历解析、职位匹配分、「教我操作」、附件 OCR 和录音转写、简历脱敏 |
| 开放接口 | MCP 服务,最多 223 个工具,按个人令牌授权 |
关键难题
45 万人才下详情页打开慢
详情弹层和列表共用一个服务端组件,每次打开详情都会重跑列表查询,P95 约 1.1 秒。把详情拆成独立调用、各标签页按需查询。从用户反馈到上线用了 1.7 小时。
「加入项目」搜索慢
旧实现每批取 500 个项目再逐条检查权限。把权限条件下推到查询后,在 50 万人才的测试库上测得:
KPI 报表慢
把成员筛选条件下推到 SQL 并改用索引,服务端耗时降到原来的 1/6 到 1/8。
迁移后的数据与原系统不一致
一批事件记录导入后丢了结构化字段。用可重复执行的回填脚本恢复了 294,707 条,并与备份逐行比对,确认没有意外改动。
发布流程,全自动
每个任务合并前要通过 998 项单元测试和 248 个集成测试套件。
| 反馈闭环 | 数值 |
|---|---|
| 收到的信号 | 293 条(用户反馈 263、线上报错 21、手动 9) |
| 完成的任务 | 203 个 |
| 反馈到上线 | 中位数 2.1 小时,中间一半落在 0.7 到 6.0 小时 |
| 最快的一次 | 线上 500 错误,6 分钟修复上线 |
这个案例里的做法
AI 干活,合伙人拍板:给一家 VC 的可点击演示
在正式交付之前,我们先用 Creekstone 自己的品牌和关注赛道搭了一个工作台演示。它回答的是销售阶段最难回答的问题:AI 到底能替一家基金做什么,合伙人还需要做什么。同一套外壳后来被复用到猎头和期货两个行业。
演示讲的故事
- AI 读资料、做核查和计算,把需要决定的事交给合伙人。
- 合伙人对每张决策卡可以同意、换方案、拒绝,或退回让 AI 再查。每次决定都留痕,结果出来后复盘。
- 首页「今日」放了 5 个待拍板的决策:是否跟投 B 轮、被投企业的预算、上投委会的时机、TS 条款、项目条款。
交付内容
| 页面 | 内容 |
|---|---|
| 今日 | 待拍板的决策卡,加一个对话入口 |
| AI 任务 | 正在执行的任务及进度 |
| 项目 | 分已投、投委会、尽调、接触、跟踪五个阶段 |
| 深度研究 | Personal Agent、具身智能、固态电池、向量数据库四个赛道的公司和人物 |
| 人脉 | 每个赛道 320 位创始人,标出谁能直接联系、谁要经人引荐 |
| 资料库 | 聊天、会议、备忘、报告,可直接提问 |
| 能力 | 24 个原子化能力,分情报、研究、人脉、资料、投后、输出六类 |
| Signal、待办 | 行业推送流,以及汇总的待处理事项 |
首页对话会先规划最多 4 步工具调用,再基于结果生成带编号引用的回答。现场研究调用外部研究 Agent,一次 2 到 6 分钟、约 0.5 美元。界面有中英两个版本。
关键难题
演示不能依赖现场网络和密钥
把真实模型的回答预先录下来,没有密钥时回放并保持流式输出的观感;没录过的问题用本地资料拼出答案。同一份代码接上密钥就是真实运行。
演示数据要真到能引起讨论
赛道和人脉数据来自真实的公开检索,每个赛道扫描 600 到 900 份档案。合伙人看到的是自己关注的赛道里真实存在的公司和人。
中英两套界面只维护一份
脚本抽取源码里的界面文本,查词典后自动生成英文版,避免两套代码分叉。
一套外壳,多个行业
决策卡、AI 任务、原子化能力、无密钥演示被抽成通用外壳,换数据和文案后复用到猎头和期货演示。
这个案例里的做法
把基金经理的每句纠正,变成有回测依据的规则
我们为一支期货投研团队搭了一个以焦煤为主线的研究平台:每天自动出日报、夜报和周度研判,给出未来 5 日的方向、概率和依据。难点不在生成报告,而在让报告里的每条推理经得起基金经理的追问。
跟着市场走的节奏
面向期货基金经理和投研人员,品种包括焦煤、焦炭、咖啡、乙二醇,实际使用中焦煤是主线。
需求是怎么来的
没有需求文档。需求来自基金经理读报告时的反应。我们把原话记进代码和提交说明,每条对应一处规则。
交付内容
- 报告:日报、夜报、周度研判。每条推导带依据、强弱和传导链条,输出 5 日方向及概率、价格区间、20 日趋势、建议和风险。已生成日报 206 份、周报 71 份。
- 分析模块:到厂成本与基差、供需推演、五个环节的库存分析、事件跟踪、配煤成本。
- 其他:模拟交易(模型当交易员并每周复盘)、规则交易、看板、管理后台。
- 怎么约束模型:报告写完要过代码检查。写了材料里没有的数字、说「高位」「低位」但与历史分位不符、说错季节,都会被退回重写;某些依据的强度有硬上限,由代码强制修改后让模型重新给方向。
关键难题
一条过期报价被当成最便宜的煤用了三周
某煤种只有一条 8 月 18 日的新闻报价,系统一直沿用到 9 月 9 日,其间其他煤种已涨了 400 多元。改为按数据频率决定沿用多久:新闻和日度数据最多 7 天,周度 10 天,其余 21 天。
长假后按节前库存下结论
节后第一份日报按节前数据写「补库空间小」,第二天数据出来,焦企库存少了 92 万吨。改为用「节前值加往年同一假期的平均变化」估算,并注明是估算。
「高基差支撑反弹」经不起回测
回看全年 206 份日报:基差在 450 元以上的日子,之后 5 日涨超 3% 的只占 10%;被评为「强支撑」的 16 天里上涨的只占 38%。于是把基差支撑的强度封顶为弱。
焦炭提涨落地后该看多还是看空
回测 2021 年 11 月以来 114 次调价落地:提涨落地后 10 天内回落的占 65%,平均跌 2.8%。已落地的调价不再按原方向计入。
供需推演的累计误差
用实际库存校正推演后,52 周里方向判断正确的次数从 33 次升到 36 次,4 周累计误差:
方法的边界
- 全自动自我迭代在这个领域没有跑起来。需求需要懂业务的人判断,迭代主力是工程师加 AI 编码助手,而不是自主 Agent。
- 研究实验有负结果:逐日增量训练的策略收益不如固定策略,强化学习模型退化成全部空仓。
这个案例里的做法
三个案例里重复出现的四件事
从客户现有的工作出发
猎头案例先审计原系统,建了 154 组验收矩阵;期货案例照着基金经理每天的节奏排报告;VC 案例直接用客户的品牌和赛道搭演示。
客户原话直接进入开发流程
猎头系统的 263 条反馈里 261 条保留了用户原话;期货平台的代码里留着 55 条用户原话,每条对应一处规则。
发布自动化,敢于高频上线
两个生产系统共用一套流程:构建、备份、冒烟、滚动切换、观察 10 分钟、失败自动回滚。
AI 的输出要过代码检查
期货平台里,模型写出材料里没有的数字会被退回重写;猎头系统的每个任务必须通过全部测试才合并。