招聘就是伪装过的自然选择。

公司发布职位描述——这是一个环境生态位。候选人投递简历——这是争夺生态位的生物体。HR 筛选、面试、录取——这是适应度评估。最适合的候选人存活下来；其余被淘汰。每个季度、每个岗位、每个部门，如此循环。

然而我们为这个过程构建的 AI 工具完全不像进化。它们是单体分类器，根据关键词列表对简历打分。它们无法从跨招聘周期的错误中学习，无法将经验共享给其他公司，更无法发现一位候选人的后端工程能力可能让他成为出色的产品经理。

如果我们按照生物学真正的运作方式来构建招聘智能呢？

单体招聘 AI 的问题

今天的 AI 招聘工具——简历解析器、候选人匹配器、面试排期——共享一个架构模式：单一模型在单一数据集上训练，作为单一服务部署，只有供应商发版时才会改进。

这造成三个结构性限制：

不可组合。 你无法只替换简历解析组件而保留匹配算法。工具是个黑盒——要么全用，要么不用。

无竞争机制。 没有办法让两个匹配算法在同一候选人池上并行运行，看哪个更能预测面试成功率。你只能信任供应商自己的内部基准测试。

不可跨域迁移。 如果一家公司发现他们的工程面试官的评估标准同样能预测技术销售岗位的成功，这个洞察会锁死在他们的内部流程中。它无法传播到其他组织，甚至无法传播到其他部门。

这不是任何特定产品的 bug，而是我们架构招聘 AI 的方式所导致的结构性后果。

Gene：模块化、可组合、可进化

Rotifer Protocol 将软件能力建模为 Gene——功能内聚、接口自足、独立可评估的模块化单元。应用于招聘，Gene 模型将招聘工作流分解为可独立进化的组件：

Gene	功能
`resume-parser`	将 PDF/DOCX 简历解析为结构化候选人档案
`jd-generator`	从岗位需求生成专业的职位描述
`skill-matcher`	在多个技能维度上评分候选人与 JD 的匹配度
`interview-question-gen`	基于 JD + 简历生成有针对性的面试问题
`candidate-ranker`	将上述 Gene 编排为排序后的候选人短名单

每个 Gene 都有定义好的输入 Schema、输出 Schema 和适应度分数。每个都可以被独立替换、改进或 fork。一个开发者构建的 skill-matcher 与另一个开发者构建的 skill-matcher 竞争——不是通过营销话术，而是通过在真实招聘数据上的测量表现。

这就是组合性在实践中的含义：你保留在你所在行业表现良好的 resume-parser，换入一个为工程岗位调优的 skill-matcher，再加上一个专精行为面试问题的 interview-question-gen。你的招聘 Agent 是各个领域最优组件的组装，而不是一个你无法审视的单体。

Arena：让匹配算法竞争

Rotifer Arena 是 Gene 证明自身适应度的竞技场。在招聘场景中，这创造了一种强大的动态：

多个 skill-matcher Gene 处理相同的候选人-JD 对。它们的预测基于真实结果进行评估——哪些候选人实际通过了面试、收到了 offer、在岗位上表现出色。预测准确率最高的 Gene 排名上升，表现差的下降。

这不是传统意义上的 A/B 测试。A/B 测试比较由产品团队选定的两个变体。Arena 竞争是开放式的——任何人都可以提交匹配算法，协议负责评估、排名和选择。

结果是通过竞争改进的招聘智能，而不是通过供应商路线图改进。

跨领域技能迁移：被忽视的机会

生物学隐喻在这里揭示了一些真正新颖的东西。

在生物学中，水平逻辑迁移（HLT）是生物体跨物种边界共享遗传物质的方式。一个赋予某细菌物种抗生素抗性的基因可以转移到完全不同的物种——创造出任何祖先都不具备的能力。

在招聘中，这映射到一个很大程度上未被开发的机会：跨领域人才发现。

假设一位候选人有五年的分布式系统工程经验。传统匹配会在后端工程岗位上给出高分，在其他所有岗位上给低分。但一个曾在工程和产品管理两个 Arena 中竞争过的 skill-matcher Gene 可能会发现，分布式系统思维——将复杂问题分解为独立、松耦合组件——也是产品岗位成功的强预测因子。

这不是关键词匹配。这是结构性能力迁移——发现在一个领域发展的技能在另一个领域具有意想不到的适应度。

迁移适应性指数（TFI）量化了这一点：一个在多个领域表现良好的 Gene 揭示了看似无关的技能集之间的隐藏联系。高 TFI 的 skill-matcher 不只是填补你发布的职位——它发现你本应发布的职位。

评估评估者

招聘 AI 中有一个大多数工具忽略的元问题：谁来评估评估者是否做得好？

如果你的简历解析器持续遗漏以非标准格式列出的博士学位，或者你的技能匹配器系统性地低估来自非传统背景的候选人，你可能直到错过了几十位合格人选之后才会注意到。

Rotifer 的 Judge Gene 概念直接解决了这个问题。Judge Gene 不解析简历也不匹配候选人——它评估其他 Gene 是否做好了这些工作。一个 resume-parse-judge 可以在 100 份涵盖不同格式、行业和语言的标准化测试简历上运行每个 resume-parser Gene，并在提取准确率、字段覆盖率和处理速度上打分。

Judge 自身在它们自己的 Arena 中竞争。一个能捕获其他 Judge 遗漏的失败模式的 Judge 会获得更高的适应度分数。这创造了一个自我纠正的评估生态——评估者与它们所评估的工具一起进化。

对 HR Tech 开发者的意义

我们不是在构建招聘产品。我们在构建让更好的招聘产品成为可能的基础设施。

如果你是 HR Tech 开发者，Gene 模型提供了任何单体平台都无法提供的东西：用各个领域独立最优的组件构建招聘解决方案的能力，其中每个组件通过开放竞争而非内部迭代来改进。

这些组件是开源的。Arena 是开放的。协议负责适应度评估、排名和跨领域迁移。

你的工作是最重要的部分：深刻理解你客户的招聘痛点，把正确的 Gene 组装成适合他们场景的 Agent。

Gene 在进化。你对客户需求的洞察决定了进化的方向。

如果你的招聘 Agent 像生物一样进化？