让猎头失业，倒也没那么简单。

作者｜Moonshot

编辑｜靖宇

过去，找人是一门玄学：无论是要找投资人、找行业专家，还是要找一位契合的 KOL，传统方法都仰赖人脉引荐、行业微信群，或是在 LinkedIn 里大浪淘沙。

找到人，再搭上话，这是敲开合作的大门的第一步，往往也是最困难的一步。

但一款名为 Lessie 的 AI Agent，正试图把这种「玄学」变成标准化流程。

Lessie 的定位简单直接：People Search AI Agent。一句话描述它的能力：帮你从互联网与数据库里快速找到任何人，并自动化完成初步联络。

创始人、投资人、KOL、潜在客户、行业专家、合作伙伴……只要你能用自然语言描述需求，Lessie 就能迅速在全球范围内挖掘到合适的人选。

实际体验之后，我发现「人找人」的需求，AI 虽然可以显著提高效率，但短期还得靠人来介入校验，没那么容易被 AI 取代。

栏目作者召集

极客公园的新栏目「AI 上新」，将带大家体验最新的 AI 应用和硬件，让你成为 AI 时代「最靓的仔」！

现在，我们也向所有喜欢尝鲜和体验 AI 的同学发出召集，只要你发现并体验了新的 AI 应用或者功能，按照格式向栏目投稿，在极客公园公众号发布，不仅能获得相应稿费，且会为你「报销」AI 应用的订阅费用。

同时，优秀作者还有机会进入极客公园 AI 体验群，获得最新 AI 应用和工具的内测资格，参加极客公园专属相关 AI 活动，和 AI 应用创始人一对一沟通。

01

AI LinkedIn？

与传统的 SaaS 网站或单一数据库不同，Lessie 的目标并不是做一个更快的搜索引擎，而是把「找人」做成一条闭环的服务：识别需求（Identify）、汇总多源数据（Source）、智能筛选（Review）、建立初步联络（Connect）。这四步，构成了 Lessie 的基本逻辑。

第一次用 Lessie，我就被它的专业程度和理解力惊到了。

我写一句模糊的需求，例如「帮我找此前报道过 AI 初创公司，在主流科技媒体工作的技术记者。」Lessie 会立刻像个专业 HR 一样去进一步精确需求，比如「在哪些知名科技媒体平台」、「发表过几篇报道」、「个人档案中侧重方向」、「平均文章阅读量」等等数据。

我可以随时修改并添加新的需求，比如把平均阅读量改成「10 万+」。

十分钟后，Lessie 就表示成功找到了一些符合需求的作者，并且罗列出了每个人供职媒体、职位、和可以直接跳转的 LinkedIn 主页。

而后我再次添加新需求：「请筛选出发表过长文报道的记者。」Lessie 会再次理解所有需求，重新再筛选一遍。

筛选结果也还算令人满意，15 个候选人都来源于 The Verge、Wired 等知名科技媒体，或《纽约时报》、《华盛顿邮报》科技专栏的作者，基本符合我的要求。

不过，「重新筛选」的等待时间比较漫长（约 30 分钟，团队告诉极客公园如果是非排队情况下，能做到 15 分钟级别，且还会持续优化），但相比过去一边刷新 LinkedIn、一边靠关键字碰运气的漫长搜寻，这种效率已是降维打击。

我又换了个领域继续测试 Lessie，这次是偏专业向的要求「寻找全球范围内，擅长稀有金属回收的科研人员或实验室负责人，需有近两年发表论文或申请专利。」

这一次，Lessie 对任务的理解和筛选精度更高，处理需求的全过程也很清晰：先了解该领域的最新研究趋势和关键技术，再找到研究机构和科研人员信息，再匹配用户需求。

最终，Lessie 成功帮我找到 7 位候选人，并且给出了公司、职位、邮件、所在地等具体信息。

在找到人后，Lessie 可以自动生成联络邮件，每一封发送出的邮件会根据不同联系人的名称、职位、公司名称进行调整。你可以调整邮件文风，或是附上自己的背景介绍。

此前，我能想到的找人方法，得 Google 最新的领域论文找到作者，再去翻大学或研究机构的网页，找邮箱发邮件，找到一个候选人都得半个小时。

显然，Lessie 这种一口气找多名候选者，再群发邮件的方式，确实大幅提升了效率。

而后我又拿出一个小众需求考验它：请帮我找在东欧地区经营跨境电商、主营宠物用品的企业主或运营负责人，要求在 Shopify 上年销售额至少 100 万美元。

需求足够精准，也足以测试 Lessie 跨行业、跨地域、同时调取不同平台数据的搜索能力。

最终 Lessie 给我筛选出了 15 位候选人，的确都是在东欧地区做宠物用品跨境电商企业的 CEO 或 COO，公司销售额也都在百万美元以上。

跨行业、跨领域、跨平台，从模糊到具体，从大众到专业，Lessie 似乎已经靠 AI，攻克了「满世界找人」这一大痛点？

然而，找得到，不代表找得准，当我在更广、更深维度地使用 Lessie 时，它的边界逐渐显露。

02

AI 找人，仍需人工验证

不过，Lessie 给出的候选人名单，并不是所有人都经得起人工查验。

上文曾惊艳到我的「擅长稀有金属回收的研究员」项目里，我点进一个候选人的 Linkedin 主页，其主页极其干净，只有「某国家实验室，资深研究科学家」一句话介绍。

把名字输入 Google，我发现这位大牛从 1990 年起就在 ORNL（美国能源部下属的国家实验室）担任研究员，有近百篇期刊文章，研究履历足足十页。

正当我惊讶于 Lessie 对人才深度的发掘能力时，细看履历才发现，这位是研究水生生态和渔业生物学的专家，和稀有金属的关系，只是研究稀有金属排放对鱼类健康的影响。看起来在某些小众的专业领域，AI 的幻觉还存在优化空间。

我又给 Lessie 一个「找网红合作」的找人需求，

让它去找「欧美地区，在 TikTok 或 YouTube 做短视频内容的宠物类博主，粉丝至少 20 万」，Lessie 如期给出答案，随机点进几个主页，画像也基本符合预期。作为过去在网红营销领域深耕的团队，在网红的数据领域上，确实做得还不错。

随后我又把搜索范围改到了东南亚，但这次结果有些变化。第一轮搜索后，Lessie 只为我找到了一位生活流博主，内容和宠物关系不大。

重新跑了一轮后，给出的 18 个候选人中，大概能选出 6 位合格者。

通过这个尝试，我发现在东南亚地区的 case 领域，Lessie 很难一次筛出同时符合多个条件的创作者。后续根据 Lessie 产品经理反馈，目前东南亚的数据还没有开始大规模的训练，以及一些小语种的问题，模型存在幻觉，因此还没有那么准确。

综合这些体验，Lessie 的优缺点已经很鲜明。

它能做到逻辑清晰的搜索流程、对需求的快速理解、多源数据库的广度，以及自动化外联的便利。尤其是对于跨境电商、B2B 拓展、专业猎头等典型海外场景，它的效率确实可以让找人的成本骤降。

但它的短板同样明显：在一些小语言的地区。多条件匹配上容易出现稳定性的问题，模型在一些小众场景还存在幻觉，在这些场景里，还需要前期人工校验。

从更大的视角看，Lessie 的核心想法是值得肯定的。它代表了一类新的 AI Agent 产品：把以往高度依赖人力的找人，转化为可以复制、可量化的数据。

Lessie 给我的感觉，像是一册被赋予智能的「现代电话簿」，它确实把我们从翻查电话本的年代，带进了一个可以用自然语言就能「触达全世界人才」的 AI 时代。

正如 Lessie 产品经理提到的，Lessie 覆盖的核心是更广泛的「商业关系找人」需求，它能帮创始人找潜在客户、帮市场团队找高匹配度的 KOL、帮产品经理找外部专家做深度访谈，帮 BD 找合作伙伴、帮投资人找下一轮被投项目的创始人。在这些场景下，Lessie 的价值不仅是节省搜索时间，而是把过去依赖人脉的「关系撮合」变成可量化、可复制的流程，让团队能在几分钟内找到对的人，并完成第一步接触。

但找人这件事，不只是信息的罗列。Lessie 可能是一个高效的入口，一个起点，但目前看起来，人找人这件事，完全「去人化」依然很难，这既是它的局限，也是它的魅力。想要做好人与人的链接，必须要在各个领域都积累起专业的数据，然后让模型降低幻觉。这点对于 Lessie AI 来讲，即是挑战，也是赋予它未来做出差异化的机会。

不过，对于当下「增长和营销」需求日益高涨的国内外公司来说，Lessie 不失为一个量大管饱的工具，能在第一时间帮助创业者，发现相对靠谱的人才和通路，这也是 Lessie 团队目前主攻的方向。

*头图来源：Lessie