首发｜数千万元种子轮融资，Articuler.ai 在职场社交找到了真痛点

专注职业 Networking 的 Articuler.ai 官宣了一笔数千万元的新融资，麟阁创投领投，拙朴投资、小米联合创始人王川家族办公室跟投。

Articuler.ai 扎根硅谷，做的是 AI 驱动的职业 Networking。希望从用户当前聚焦的问题出发，帮他们找到真正能推动事情向前的人，把一次匹配变成真实的对话和机会。

要解决的问题很具体：怎么样在一场线下活动中，找到你最应该认识的那个人？

Articuler.ai 创始人申哲先把这种状态形容为「一群原始人围着篝火跳舞」。一群有弱关系的人被聚集到同一个时空，却没有一套分发网络告诉彼此，谁应该认识谁。

目前团队已经与 OpenAI、YC、AASF、AGI Summit 等顶级机构和活动合作，帮助大家在线下活动找到最值得建联的人。

用团队自己的话来说，「我们在帮全世界 18 亿白领，拿到职业生涯里的大结果。」

聚焦线下活动的社交痛点，来切入职场 Networking，是 Articuler.ai 目前找到的一个可以 scaling 的场景。为什么坚持职场社交，以及在职场社交这个场景，Articuler.ai 一年多来踩了哪些坑，又看到了哪些新的信号，在本次融资宣布之际，我们也和创始人申哲先聊了聊，想知道，从他的视角，怎么理解 AI 驱动的职场 Networking。

01

活动只把人聚在一起，

需要解决的是谁该认识谁

活动并不缺人，缺的是有效分发。

如果只看供给，活动几乎是一个完美的 networking 场景。主办方围绕一个主题，把投资人、创业者、潜在客户和行业从业者聚集到同一个空间。参与者愿意花费半天甚至几天的时间来到现场，通常也带着明确的目的，找项目、找客户、招人、求职，或者认识潜在合作伙伴。

但进入会场之后，交流仍然高度依赖熟人、站位和偶然性。外向的人主动搭话，拥有成熟网络的人通过朋友获得引荐，剩下的人拿着咖啡在会场里闲逛，最后往往还是和原本认识的人聊天。这不是活动组织的问题，也很难靠一份参会名单就得到解决。几百个名字、公司和职位，只能告诉用户「都有谁」，无法进一步判断谁和自己此刻的目标最相关。

两个创始人可能处在不同阶段，一个需要投资人，另一个在找 CMO。一位投资人的兴趣方向也不会印在胸牌上。在只有几分钟的判断窗口里，没有人能逐个研究几百名参会者的背景。

OpenAI 携手 Articuler.ai 打造 Codex Community Build Night

Articuler.ai 在活动场景里做了两件事。

第一，帮主办方寻找目标观众。主办方提出希望吸引的人群，例如科学家、创业者、大厂从业者或某类投资人。Articuler.ai 再从公开职业信息中筛选和邀约，根据活动主题精准触达相应人群。

按照申哲先给出的数据，目前定向邀约的成功率约 20%。也就是说，平均每发出 5 封邮件，可以带来 1 名观众。在部分合作活动里，30% 到 50% 的报名流量来自 Articuler.ai 的邀约。

第二，帮助已经报名的观众彼此匹配。参会者报名时，需要填写自己的职业背景和参会目标。系统结合活动主题、双方经历和当前需求，推荐更值得优先认识的人。

活动开始前一天，参会者会收到一封邮件，看到现场有哪些人与自己的目标高度匹配、双方为什么值得见。可能是对方正在寻找像他这样的人，也可能是两人之间存在多个契合点。

到了现场，匹配还可以被组织成更小范围的交流。比如上午 11 点安排投资人与投资人交流，另一个时段安排投资人和创始人见面。也可以在公共区域放置小桌，每桌安排五六名彼此相关的人。申哲先把这种设计概括为，给用户「一个更小的时空」。

关系也未必只发生在现场。参会者会提前看到匹配结果，可以在出发前约好见面。现场没有聊完，活动结束后还可以继续联系。对主办方来说，活动的价值也由报名量和到场人数，延伸到它究竟促成了哪些关系。

这套机制带来的直接变化，是用户有了一个更明确的到场理由。

在美国，许多免费活动的出席率并不高，30% 已经是可接受的水平。而 Articuler.ai 合作的几场活动将出席率提高到了 60%。有主办方在结束后反馈称，过去从来没有遇到过场地不够用的问题，接入匹配后，实际到场人数远超预期。与 Articuler.ai 合作过的主办方，后续活动大多也会继续使用这项服务。

参会者也愿意为匹配结果付费。免费用户只能看到排名靠前的 3 个人，无法获得联系方式，解锁更多推荐需要付费。人们参加这类活动，本来就带着重要而具体的目标，付费意愿也更明确。目前，Articuler.ai 平台面向活动场景的付费率超过两位数。用申哲先的话说，「花一杯咖啡的钱，看到今晚所有值得认识的人，这是一个很容易做出的决定。」

活动负责把人聚在一起。Articuler.ai 想补上的，是人到场之后的有效分发。

02

Agent 能不能找对人，

取决于系统如何理解一个人

活动把匹配的范围缩小到了一个几百个人的会场，但底层问题没有改变。系统怎样判断，谁和谁真正相关？

上一代找人产品，无论是猎头工具还是 LinkedIn，核心逻辑都是关键词检索。它们把一个人压缩成 job title、公司、学校等标签，再通过 SQL 查询完成匹配。

现在不少 AI 找人工具也沿用这套数据结构，只是在数据库和用户之间加入了一层大模型。用户用自然语言描述需求，大模型将其翻译成 SQL 或搜索关键词，从原有数据库中召回候选人，再交给 Agent 阅读、筛选和排序。

在申哲先看来，这条路径的瓶颈不完全在于模型，而是在更早的数据结构里。

比如用户想找投资人，系统会从数据库中搜索 job title 等于「投资人」的人。召回的第一个可能在桥水做 hedge fund，第二个在 KKR 投 PE，第三个确实投 VC，但基金背景还需要再去 Google 核实。满足「投资人」这一最低条件的可能有几千甚至几万人，却未必能够真正匹配用户的阶段、方向和需求。

如果初始召回已经出现偏差，后面的 Agent 再擅长推理，也不可能找回那些从未进入候选池的人。

「上一代的数据结构用来表达人是有问题的。它把人压缩成一组标签，在这个过程中损失了太多语义信息和模态信息。」申哲先说。

Articuler.ai 选择用 Embedding 模型将每个人表达为 8000 多维的向量。向量中既有一个人的背景，也包含对其当下意图的判断。更重要的是，这些信息可以被计算。

第一类信息来自公开职业资料，包括 LinkedIn、GitHub、Google Scholar、arXiv 和社交媒体。它们共同组成一个人的职业身份：过去在哪里工作，参与过什么项目，研究过哪些问题，又具备什么样的能力。依靠这些公开数据，Articuler.ai 从 Day 1 起就能在近 10 亿人的范围内寻找相关对象。

第二类信息来自一个人的互联网足迹，包括他与所在公司、产品和行业之间的关系。理解一名潜在客户，不能只看他的职位，还要看他所在的公司最近发生了什么、产品正在进入哪个市场、行业里出现了哪些变化。这些动态信息，共同构成判断一个人当下意图的信号。

当用户提出具体目标，Articuler.ai 的 Agent 会动态制定匹配策略。在 8000 多个维度里，提高与当前任务相关维度的权重，忽略不相关的信息。

活动场景还提供了一类公开资料里没有的数据。用户会选择联系某些推荐对象，也会跳过另一些人。有些匹配促成了真实对话，有些没有得到回应。Articuler.ai 将这些难以用语言完整说明的选择称为 implicit preference，也就是隐性偏好。

一个人未必能准确解释自己为什么对某类连接感兴趣，但选择本身已经提供了方向。随着反馈的不断积累，Articuler.ai 得到的信息逐渐从「一个人过去是谁」，延伸到「他此刻愿意和什么样的人建立联系」。这些隐性偏好会继续修正后续匹配，也是公开数据无法直接提供的信号。

据申哲先介绍，在 Articuler.ai 的内部测算中，其匹配准确率在 95% 以上，行业平均水平约 70%，其边际成本则是部分 Agent 找人方案的 1/20。原因在于，系统无需反复将大量 profile 输入大模型进行长文本判断，候选人在向量空间中的相关性本身已经可以被计算。

效果差距能有多大？一个实测案例，团队曾将一家中国具身智能公司的同一份招聘需求，分别放进 Articuler.ai 和另一款传统的找人工具中。两边推荐的前 10 名候选人没有一人重合。

另一款产品给出了 ABB 中国的 VP、某具身智能公司的联合创始人等人选。这些人的职位和关键词虽然看起来相关，在现实中却很难被挖走。Articuler.ai 推荐的则是其他具身智能公司中，职位比目标岗位高一级或低一级，但经历极其适配的人。团队将两份没有标记来源的报告交给 5 名猎头顾问，5 人都选择了 Articuler.ai 的结果。

这一对照还不能构成完整的技术评测，但足以说明两条路线的差异。关键词能找到「看起来符合条件的人」。但真正的匹配还要回答，谁在现实中更值得联系。

某公司调用 Articuler.ai 的 CLI 进行 RSI 领域华人专家 Mapping

03

招聘研究员、卖家居用品，

核心都是找到值得联系的人

活动之外，Articuler.ai 也已将这套匹配能力延伸到企业的招聘和销售。

猎头场景是最早跑起来的 ToB 业务。目前，一家国内头部猎头公司已经围绕 Articuler.ai 的 CLI 工具开发内部人才搜寻工具。有 300 多名顾问每天使用这套能力，主要场景之一是帮助中国公司在全球招聘人才。

招聘一名 researcher，重要信息往往散落在简历之外。系统需要理解候选人在 arXiv 上的研究方向、GitHub 上的项目贡献、过去的工作经历。也要读懂一份 JD 没有直接写出来的要求，企业究竟想解决什么问题，候选人是否处在可能流动的阶段，什么样的经历能够迁移到当前岗位。

出海找商机是另一个正在增长的场景。让申哲先有些意外的是，付费更积极的客户并非高科技企业，反倒是华东和华南地区从事 ToB 出口的公司，包括销售钢材、建材和家居用品的传统企业。这些公司过去会在 LinkedIn 上按照职位寻找潜在的海外分销商，再批量发送相似的信息。

Articuler.ai 希望把寻找和判断商机的过程，变成一项可以被 Agent 调用的能力。

以一家销售家居用品的公司为例，它希望进入海外酒店和公寓市场。系统不会直接搜索一份「采购负责人」名单，会先寻找更接近购买意图的信号。例如，哪家酒店即将竣工，哪个公寓项目准备交付，哪些企业近期可能产生采购需求。这些信号往往来自行业新闻、公司动态和社交媒体。锁定相关企业后，Articuler.ai 再反向定位其中负责采购或合作的人，并向客户解释，对方为什么可能在这个时点需要这款产品。

「一个人和他所在的公司、行业之间存在耦合关系，这些信息在我们的体系里都可以被计算。」申哲先说。系统有时需要从人找到公司，有时要从公司和行业动态反向找到人。在 Articuler.ai 的高维向量数据库中，两类信息被放在同一个体系里处理。

除了通用模型的推理能力，Articuler.ai 还会为不同场景补充相应的专家知识。销售场景需要判断什么样的客户可以被称为 high intent，招聘场景需要读懂岗位描述背后的言外之意。真正影响结果的行业知识，仍要由产品补齐。

匹配工具也有自己的边界。申哲先表示，Articuler.ai 目前能向客户保证的是，邮件可以触达目标对象。至于对方是否回复，还有太多因素不在系统的控制范围内。

一家智能硬件公司曾希望寻找美国零售商作为线下渠道，Articuler.ai 为它匹配了一批潜在的相关负责人。但这家公司没有官网，产品手册也只有文字，甚至看不出产品的外观。即使找对了人，对方也很难建立信任。准确的匹配可以创造一次机会，却无法替客户补齐产品和交付

在服务企业的过程中，Articuler.ai 还形成了一个判断：未来一部分 To B 软件可能不再需要独立前端。

Articuler.ai 的一家猎头客户已经将内部工具 AI 化，并集成到企业内部使用的 Agentic 平台上上。顾问不会为了一个找人功能离开现有的平台，再学习另一套软件。因此，Articuler.ai 开始重视 CLI 和工具调用，客户原有的 Agent 负责对话、收集信息和组织工作流，Articuler.ai 在后台完成职业身份理解和匹配，再把结果返回到客户熟悉的工作环境。

这样一来，Articuler.ai 更接近一项可以被其他 Agent 调用的底层能力。它不需要重复设计完整的交互和 user flow，也不必要求客户迁移到新的软件。

收费方式也沿着相似的逻辑展开。用户无需预付年费，可以按照实际使用量购买点数，付费解锁联系方式和结果。申哲先并不排斥订阅，但在他看来，订阅应该建立在用户天然存在持续需求的基础上，不能反过来成为产品成立的前提。

AI 带来了一批规模更小的 B 端用户。过去难以负担企业软件的 prosumer、solo creator 和 OPC，可以借助 Agent 和按量付费，以更低的门槛获得找人、招聘和销售能力。

活动、招聘和销售看起来相距很远，但 Articuler.ai 处理的始终是同一个问题。理解一个人，读懂一项需求，再判断双方为什么值得在此刻建立联系。

04

AI 社交热闹了三年，

Articuler.ai 为什么坚持职业场景？

相比技术和商业化，Articuler.ai 过去一年更难解决的问题，是怎么向外界介绍自己。

一年前接受 Founder Park 采访时，申哲先把 Articuler.ai 概括为「Tinder 版 LinkedIn」，希望用 AI 做一个新的职业社交平台。但「AI 职业社交」是一个很大的概念。用户为什么要来到一个新平台，进入以后做什么，又为什么不继续使用 LinkedIn？这些问题很难用一句话回答。

去年融资时，这种表达上的困难被进一步放大。Articuler.ai 在全球接触了 157 家投资机构，一度拿到一家海外机构的 TS，最终却没能完成交割。等申哲先回国继续融资，市场热度已经过去。国内投资人又很难理解职业社交，有人甚至问他：「美国人都很外向，为什么还需要这个？」

申哲先后来复盘，投资人听不懂只是表象。团队当时缺少一个足够具体的场景，无法让人立刻看见产品正在解决什么问题，也没有数据证明这件事能够成立。

活动给 Articuler.ai 提供了一个更容易被理解的入口。团队不必先解释职业社交有多重要，也无需展开 AI 将如何重构关系网络。用户走进会场，收到一封邮件，知道今天最应该见谁、为什么值得见，这已经构成了一幅足够具体的产品画面。

原本抽象的「AI 匹配」，也变成了可以直接感知的结果。原本可能错过的两个人，因为 Articuler.ai 见了面。主办方能看到产品带来的报名和到场，参会者也能判断推荐是否有用。团队过去难以说清的价值，终于在一个完整场景里显现出来。

活动是 Articuler.ai 找到的「最小原子化社交网络」。它不需要先聚集几百万用户，再等待关系慢慢形成。观众报名的一瞬间，就自然成为网络中的用户。每一次匹配、选择和真实联系，又继续增加其中的关系与数据。

这也让团队更加确定，Articuler.ai 应该坚持职业社交的方向，而不是从泛社交开始。

过去两三年，市场上已经出现了大量 AI 社交产品。有的用 AI 生成帖子，有的提供 AI 角色陪伴，也有产品尝试让 Agent 代表用户与另一个 Agent 交流。其中不少产品只在发布初期获得关注，一个月后就很少再有用户继续使用。申哲先的质疑很直接：「我想发一条帖子，为什么要去一个新平台？」

抖音、小红书、LinkedIn 已经拥有流量、用户和成熟的关系网络。新的社交产品如果只是增加一些 AI 功能，很难提供足够强的迁移动机。用户也许会因新鲜感体验一次，却没有长期留下的理由。

几千、几万甚至几十万用户进入同一个平台，不意味着社交网络已经形成。决定网络价值的还有关系密度。彼此的关系太弱，用户就没有互动的必要，真正想找的人也未必存在于其中。

职业场景更容易建立这样的密度。找客户、找投资人、招聘或者求职，都对应一个正在发生的需求。双方需要什么、能够提供什么，可以被相对清楚地表达，也更容易成为 AI 匹配的依据。

约会、相亲等泛社交场景则更加主观。很多偏好连人自己都难以说明，AI 也就缺少足够的信号作出判断。申哲先和团队曾经尝试过 Agent 社交，最后发现，一个人是谁、想做什么以及此刻有什么需求，经常没有被完整记录。Agent 即使足够聪明，面对缺失的信息也无从理解。

基于这些判断，Articuler.ai 将社交网络的生长拆成三步。一是先做工具，解决一个具体问题，让用户有理由来到这里。第二步，再进入需求明确、关系密集的社区，让相关的人持续产生连接。最后才形成更大的网络。

申哲先认为，社交产品可以拆成内容和分发网络两层。过去两年，大多数 AI 社交产品都落在第一层。但真正决定平台能不能长出来的，是第二层的分发。

Articuler.ai 关注的正是分发层。「人就是内容，匹配就是分发。」每一个人的背景、能力、经验和需求，都可以成为另一个人需要的信息。这些信息被真正相关的人理解后，就可能形成一次有价值的连接。匹配就是根据每个人当下的目标，让这些信息被真正需要它们的人看见。

Articuler.ai 的终极愿景，是在个人能力与真实需求之间建立一套分发网络。每个人的时间、技能、经验、知识和服务，都能在平台上直接找到需要它们的人。当用户提出一项意图，系统能够帮助他找到与这个目标相关的人。

AI 正在让每个人具备完成更多工作的能力。Articuler.ai 想继续解决的问题是，当这些能力需要通过另一个人才能转化为结果，怎样让供需双方更早找到彼此。

在对的时间，把对的人推到你面前。剩下的事情，交给人来完成。

文章来自于微信公众号 “Founder Park”，作者 “Founder Park”