简体中文
正在打电话的 Joris

面向 HR AI 智能体和 AI 工具的 MCP 是什么?

告诉你的 AI 智能体它可以做什么、应该做什么、不应该做什么

MCP 是一种引导 AI 智能体的方式:告诉它可以做什么、应该做什么、不应该做什么。它就像是 AI 的规则、角色和职责层。你在设定护栏和指令。

MCP 之所以重要,原因之一是,在我写这篇文章时(2025 年 6 月),HR 领域的大多数 AI 智能体很遗憾都没能兑现“卖”给买家时的承诺。

这篇 Fortune 的文章讲到,公司领导者“说自己对没能兑现承诺的智能体感到失望”,以及 AI 概念验证的失败越来越多。

目前使用 AI 智能体时要留心的几件事

签协议之前,一定要测试这些工具,你会发现大多数都过不了关。常见的问题有这么几个。测试一下这个 AI 智能体是否:


→ 不知道什么时候该上报
(比如自己回答一个复杂的休假问题,而不是转交给 HR)

→ 无法审计或解释自己的行为
(HR 无法追溯 AI 说了什么、对谁说的、为什么这么说)

→ 缺少员工旅程方面的背景
(比如把休假返岗的人和新员工一样对待)

→ 编造政策或法律指引
(比如自信满满地杜撰一项根本不存在的“政策”)

→ 对所有人给出同样的答案
(给经理、实习生和返岗员工一模一样的入职建议)

→ 不了解内部工具或渠道
(明明有工单系统或 Slack 频道,却建议“给 HR 发邮件”)
 

这些不是极端个例,而是我看到如今正在上线的新 AI 智能体相当常见的失败点。

招一位新团队成员 → 一个 AI 智能体

招一位新的 HR 团队成员时,你会给他们明确的职责范围,以及一份行动手册或详细的说明。 当这位新成员不清楚该做什么、该怎么处理某个情况时,他们应该知道先来问你,再往下进行!

从某种意义上说,AI 智能体需要的是同样的(而且很可能要更明确的)指引。

为了避免我上面提到的那类问题,重要的是从真正的控制层开始。其中一部分,是加上一套像样的 Model Context Protocol(即 MCP)来引导 AI 智能体:让你可以设定护栏和指令,告诉它可以做什么、应该做什么、不应该做什么。

MCP 通常包括:

  • 权限
    → AI 可以访问哪些数据或工具?(例如 BambooHR 数据、Slack 消息、入职文档)
  • 边界
    → 它不应该做什么?(例如不要改动薪资,不要发送敏感信息)
  • 意图 / 角色定义
    → 这个智能体的目的是什么?(例如“你是一名 Onboarding Assistant。你的工作是让新员工感到被支持,而不是回答法律问题。”)
  • 决策逻辑或委派
    → AI 什么时候应该行动?什么时候应该上报给人来处理?

这对 HR 为什么重要:

没有 MCP:

  • AI 可能越界(例如回应一个它不该回应的、与解雇有关的询问)。
  • 它可能做得不够(例如收集完信息后,没有采取显而易见的下一步)。
  • 它可能破坏信任(例如在休假法规这类复杂话题上回答得过于自信)。

有了一套扎实的 MCP:

  • AI 会变得更安全、更有帮助,也更符合 HR 的意图。
  • 它可以半独立地运作,就像一位拿到了明确的职责范围和详细说明的初级 HR 团队成员。