Moka 把招聘 Eva 放进流程里：AI 招聘 Agent 现在卖什么
拆解 Moka AI、招聘 Eva、面试教练 Eva 与 Moka AI 工坊如何嵌入招聘流程，并厘清企业付费入口与尚未公开的商业化信息。
招聘负责人最熟悉的一种卡点是：职位已经发布，简历也在进入，真正耗时的却是后面的连续动作——筛选、联系、追问、安排面试、记录反馈，再把合适的人推给用人经理。只要岗位多、渠道多，招聘团队就会把大量时间花在“推动流程”上，而不是做判断。
Moka 最近把这条链路重新包装成一个问题：如果招聘系统能记住企业的用人偏好，主动把任务往前推，并在每次面试后继续学习，企业购买的就不只是一个更快的 ATS，而是一位嵌在流程里的招聘同事。
这次 Moka 更新了什么
新华网 2026 年 5 月 22 日报道，Moka 在 5 月 13 日的产品发布会上将旗下 HR SaaS 升级为 Moka AI，并发布招聘 Eva、人事 Eva、BP Eva 和 Moka AI 工坊。报道把招聘 Eva 定位为从需求到 Offer 主动推进的招聘专家；招聘 Eva 还包含面试教练 Eva，用企业历史面试提炼“金标准”，再把面试前、面试中和面试后的动作串起来。1
Moka 自己在一个页面标注了 2026 年 9 月 3 日，进一步解释了“招聘 Agent 落地”的产品说法：招聘 Eva 覆盖寻聘、筛选、外呼、意向评估和推荐；Moka AI 由智能层、系统层和能力层组成。这个页面属于厂商产品叙事，适合用来确认能力边界，不足以单独证明客户效果或行业普及率。2
用户、场景、痛点、解决方案
招聘负责人：把初筛和初联交给一个持续工作的流程角色
- 用户：招聘负责人、HR，以及需要同时管理多个职位的用人经理。
- 场景：社招、校招、内推或猎头渠道并行时，团队需要持续寻找候选人、完成首轮沟通，并把结果带回招聘流程。
- 痛点：人工筛选和外呼需要反复执行；候选人进度、意向和历史反馈容易分散在不同记录里。岗位要求发生变化后，团队还要重新调整规则和话术。
- 解决方案：招聘 Eva 让用户用对话描述需求，并沿着寻聘、筛选、外呼、意向评估、推荐的链路推进；Moka 产品页把它概括为“全流程、主动推进、动态校准画像”，并写明支持 7×24 小时在岗、IM 驱动和长期记忆。3
这套方案的关键输入不是一句“帮我招人”，而是岗位画像、沟通方式、评估维度以及企业过去留下的招聘反馈。关键输出也不是一堆排序后的简历，而是带有沟通结果和评估信息的候选人清单。招聘负责人仍然负责面试评估、录用决策和 Offer，这个分工由新华网对招聘 Eva 的介绍明确写出。1
面试官与 HR：把个人判断变成团队可以复用的标准
- 用户：参与面试的业务面试官、HR 和负责招聘质量的管理者。
- 场景：同一岗位由不同面试官评估，企业希望减少标准漂移，并让面试结果能反馈到后续招聘。
- 痛点：面试问题、追问方式和记录格式常常因人而异；企业知道谁被录用，却未必能把“为什么录用”沉淀成下一场面试可以使用的标准。
- 解决方案：面试教练 Eva 从企业真实面试历史中提炼“金标准”，在面试前生成考察点和问题清单，面试中提供提示与追问，面试后进行结构化评估，并把录用与入职后的数据回流到标准。1
这里的产品价值从“替人做动作”延伸到“帮助组织保存判断”。前一种价值容易用处理量或时长衡量；后一种价值要等企业持续积累面试记录、录用结果和入职表现后才能检验。当前公开页面描述了这条反馈链路，却没有公开独立验证的准确率、留存率或招聘质量提升数据。
需要差异化流程的企业：把定制从项目交付变成日常配置
- 用户：有多条业务线、多个招聘场景，或需要频繁调整流程的企业 HR 与业务团队。
- 场景：企业希望让标准招聘流程适配不同岗位、部门和组织规则，同时保留统一的数据沉淀。
- 痛点：传统系统的固定流程难以覆盖每条业务线；深度定制又常常需要写需求、排开发、等上线，业务变化速度因此受限。
- 解决方案：Moka AI 工坊允许用户用自然语言描述需求，官方页面将能力分为“小时级上线可用”“从标准版到我的那一版”，以及沙盒预演、存档回滚。新华网也以“响应提速、个性落地、安心上线”描述这三项能力。13
方案逻辑：三层结构把 Agent 接回招聘系统
如果只看“自动外呼”或“智能筛选”，招聘 Eva 很容易被理解成传统 ATS 上新增的几个功能。Moka 的产品架构把它放在三层里：智能层负责让用户与 Eva 对话；系统层承接 Moka 招聘和 Moka People 的业务数据；能力层由 Moka AI 工坊负责企业个性化配置。新华网报道中的架构图把招聘 Eva、人事 Eva、BP Eva 和 Moka AI 工坊放在同一套结构中。1
这套结构的商业含义有三步。第一步，Moka 用原有招聘系统保存职位、简历、流程和反馈，Agent 才有持续工作的业务上下文。第二步，招聘 Eva 接管高频的寻人、初筛和初联，面试教练 Eva 把面试标准接入同一条链路。第三步，AI 工坊把企业差异转成可配置能力，减少每个客户都从头做一遍项目的需要。
这也是 Moka 与“单点 AI 招聘工具”之间最值得观察的差异：前者试图把 AI 放在流程和数据的上层，后者通常只解决一个动作。前者的长期价值取决于企业是否持续使用、是否愿意沉淀反馈，以及人工是否保留对关键决策的确认权。
哪些企业更容易先落地
Moka 官网公开列出社招、校招、内推、招入一体和招聘自动化等场景，也列出人工智能、智能制造、生物医药、零售、金融等行业方案。4
从流程特征看，以下三类需求更容易先找到切入口：
- 高频岗位和批量招聘：简历初筛、首轮联系和进度提醒重复度高，Agent 更容易先承担标准化动作。
- 多渠道和多组织招聘：社招、校招、内推、猎头同时运行时，统一的人才库和流程记录更有价值。
- 面试标准需要传承的组织：当面试官人数多、岗位变化快，面试教练 Eva 的历史反馈链路才有机会积累成组织资产。
这些是基于产品公开能力的落地判断，不是 Moka 已披露的客户部署清单。Moka 官网提供免费试用、产品咨询和产品热线，并把招聘系统与 Moka People、Moka Eva 分开列出；公开页面没有给出标准套餐、调用价格、按职位还是按员工计费、客户付费数或续约率。34
商业化：入口已经公开，价格仍在场外
| 观察项 | 公开信息 | 当前能得出的判断 |
|---|---|---|
| 购买入口 | 官网提供免费试用、产品咨询、电话和企业微信入口。4 | 销售仍以企业咨询和方案对接为主，公开页面未显示自助购买价格。 |
| 可能的付费方 | 招聘负责人、HR 管理者、需要招聘流程与人事系统协同的企业团队。14 | 更像企业软件的席位、模块或方案采购，具体计费单位尚未公开。 |
| 增值空间 | 招聘 Eva、面试教练 Eva、Moka AI 工坊分别覆盖执行、评估和定制。3 | Moka 有机会把基础 ATS、AI 招聘能力和个性化配置分成不同层级销售；这属于商业模式推断，不是已公布的价格表。 |
| 仍待验证 | 标准套餐、调用量限制、实施费、结果定义、客户付费数、续约率和客户方效果。 | 这些字段没有在本轮打开的公开页面中出现，暂时不能补成行业结论。 |
结论：Moka 在卖什么
Moka 本轮更新的重点，不是把“AI”加到某个招聘按钮旁边，而是把招聘 Eva 放到一条可以持续运行的流程里：系统保存招聘上下文，Agent 主动推进寻人和初联，面试教练 Eva 把个人判断变成组织标准，AI 工坊再让企业用自然语言调整流程。23
对行业观察者来说，下一步最值得追的不是“有没有更多 Eva”，而是三类可核验信号：企业是否公开具体部署案例，Moka 是否公布招聘 Eva 或 AI 工坊的套餐与计费单位，以及客户是否披露续约、增购或从招聘模块扩展到人事模块。只有这些信息出现，产品叙事才会进一步变成可比较的商业化证据。
References
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.