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。
电影《天下无贼》的经典台词｜图源：douban
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。
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。
Lessie 的找人流程分了 4 步走｜图片来源：Lessie
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+」。
公司找能写「10 万+」的媒体老师更简单了！｜图片来源：极客公园
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。
列表带着 LinkedIn 链接｜图片来源：极客公园
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。
多轮筛选后剩下的老师们｜图片来源：极客公园
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。
搜索 Shopify 上的电商人才｜图片来源：极客公园
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。
此位专家非我们想要寻找的专家｜图片来源：极客公园
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。
欧美宠物博主检索任务｜图片来源：极客公园
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。
东南亚范围内，找到博主属于生活流，并非单纯专业宠物博主｜图片来源：极客公园
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。