21 岁创业、20 亿估值：Mercor 如何用LLM 与互动式回馈机制（Response Loop）重塑招募系统？

在过去，创业是一件要靠人脉、资金与长时间规划的大事。但现在，你可能只需要一个想法、一杯咖啡，加上一套好用的AI 工具，就能启动一个小专案、建立一份商业简报，甚至产出一个早期产品构想。这种门槛的变化，正在让创业从「大胆的人做的事」变成「有好奇心的人也可以开始练习的事」。

今天这篇文章将带你认识一间由21 岁创办人打造的AI 招募新创—— Mercor。在短短不到两年内，他们募得1 亿美元、估值达20 亿美元，并已服务上千家企业。这不只是「AI + 人才媒合」的故事，也是一个结合技术敏感度、商业思维与用户洞察的创业范例。今天会从创业背景、产品设计、技术亮点、市场策略与挑战五个面向切入，试着回答一个问题：为什么Mercor 如此成功？

内容目录

如果你只有一分钟，可以带走的3 个重点

年资不是创业门槛，对市场痛点的掌握才是。 Mercor 的三位创办人在21 岁创业，并没有传统人资背景，却精准切中企业在远端人才媒合上的需求。他们用「使用者出发」而非「产业专业」的视角，颠覆了我们对人才媒合平台的想像。
这不只是ChatGPT 招募版，而是重构招募流程。 Mercor 串接LLM 与自动化工具，把履历分析、面试邀请、候选人互动变成可以自动执行的模组，让招募从重度人力变成可程式化系统。
AI 招募的核心不只是快与便宜，而是「可信与透明」。 Mercor 尝试建立一种能解释的、数据化的招募逻辑，让决策可以被检视、流程可以被回溯，这种思维也是所有使用AI 工具创业者必须面对的新挑战。

从校园到矽谷：谁是Mercor 的三位年轻创办人？

Mercor 的创办人来自Stanford、Brown 等名校背景，但他们选择在21 岁那年辍学创业。 Will Bruey 担任CEO，Daniel Freedman 担任COO，Ben Elbaz 负责产品与技术。三人本身没有招募背景，但从作为年轻求职者的角度出发，发现了传统招募流程的落差：企业回覆慢、匹配不精准、依赖人脉与直觉决策，导致大量「潜力人才」被忽略。

他们的切入点不是打造一个新的LinkedIn，而是重构整个招募流程。最早从写履历工具做起，再到媒合服务，最后逐步建立出一套用AI 驱动的人才搜寻、配对、联络、面试安排与数据回馈的全流程平台。这种由下而上的开发方式，也让他们累积出高度使用者敏感度与MVP 验证力。

不是招募平台，而是自动化的全球人才引擎

传统招募平台像是资讯展示墙，你把履历贴上、企业把JD 贴上，希望两边互相看到。但Mercor 想做的是让平台「帮你主动出击」，用AI 来做决策、行动与跟进。他们服务的不只是企业「HR 工具箱」，而是试图成为HR 本身的一部分。

Mercor 平台最关键的设计逻辑在于：让每一次人力媒合都可以被测量与追踪。他们内建履历分类系统、关键字比对、风格分析、自动邮件与行程排程功能。对企业来说，这意味着只要描述需求，系统就能自动提出推荐人选，并追踪应征者开信、点击、互动、是否回应，并将这些数据回馈到系统中做模型优化。

这也是Mercor 能与Upwork、Fiverr 这类平台区隔的关键：他们不是媒合广告流量，而是帮你完成整段流程，甚至在「人还没出现」前，系统就能帮你决定谁最值得联络、如何联络。

Mercor 的技术核心：结合LLM 与任务自动化

Mercor 背后的技术并不是单一模型或工具，而是一套融合了LLM（大型语言模型）与RPA（机器流程自动化）的模组化系统。它不只是生成文字，而是「理解任务→ 自主执行→ 追踪成效」。这让他们与许多只做聊天机器人或自动客服的新创拉开距离。

举例来说，当一家公司在平台上释出一个职缺，Mercor 不只是简单推荐几份履历，而是：

自动萃取JD 的关键字与语意结构，生成搜寻条件
从资料库中找出高潜力人才
产出个别化邀请信件与面试安排信件
追踪对方是否开信、是否点击邀约连结
根据反应进一步调整信件内容或筛选条件

这像是一个「数位招募专员」，全天候工作、逻辑一致、不会因为疲累而出错，更重要的是：可以将所有动作留下纪录、转换成数据。

这样的自动化流程，让招募效率变成可以精准量化的指标，也让企业得以扩大人选池、进行全球化招聘，而不需要加派更多HR 人力。

市场策略与成长路径：从工程团队到千家企业的信任跳跃

Mercor 的成长速度很惊人，在2024 年底前，他们就已服务超过1000 家企业，涵盖AI 新创、工程师密集型公司与部分中小型SaaS 厂商。他们没有选择一开始就进军Fortune 500，而是从对技术接受度高、流程灵活、招募预算有限的工程团队切入，透过实际成效赢得第一批用户信任。

这种「从小团队打进核心需求」的策略，类似早年Slack 或Notion 的扩散方式。透过使用者推荐与产品本身的便利性，Mercor 逐步进入更大企业的视野，并开始与多家大型平台或工具做整合。例如与Notion、Airtable 等内部工具系统串接，让招募资讯更即时流动。

同时Mercor 也积极与创投圈建立关系：根据《TechCrunch》与《CNBC》报导，Mercor 在2025 年初由a16z 领投获得1 亿美元的B 轮融资，估值达20 亿美元，并获得包括General Catalyst、Founders Fund 等机构加持。这不只意味着现金流充沛，更是创业圈的一种集体背书。

他们在行销策略上极度简化：网站主页开宗明义写着「Hire AI-ready talent faster」。简单、聚焦、有痛点，不讲AI 多强、也不讲系统多全面，而是回到企业最需要的KPI —— 人才与速度。

AI 时代的创业难题：信任、扩展与透明逻辑

尽管成长飞快，Mercor 面临的挑战也不容小觑。
马上切入第一个问题：AI 招募系统的公平性与「可解释性」

企业主希望更快地找到人才，但也会担心AI 模型是否存在偏见？推荐逻辑是否公开？这在美国尤其敏感，若系统有系统性排除特定族群，可能涉及法律问题。 Mercor 尝试以更开放的资料栏位、更细致的推荐逻辑标注，来回应这个问题，但这仍是全产业需要共同努力的方向。

第二个难题是全球扩张与本地化的平衡。

AI 招募让公司可以雇用来自世界各地的人才，但语言、时区、文化与合约法规却各有不同。 Mercor 必须设计更灵活的契约模板与薪资模型，来支撑不同地区的聘用需求，也需要更强的客服与法务基础。

第三个挑战是人才与技术的内部迭代。

当你的服务本身就是「找到好工程师」，你内部的技术团队品质也会被放大检视。 Mercor 必须持续保有产品创新的速度，同时维持稳定性，这对一间还在快速成长的新创团队来说，是一场「边跑边补引擎」的考验。

但也正是这些挑战让Mercor 更值得关注。他们不是用一个idea 吸引眼球，而是真正推动招募逻辑的转变。 AI 并不只是用来节省时间，而是改变我们怎么理解人才、定义潜力、建立关系。

接下来，如果你对创业、对科技工具的应用有兴趣，Mercor 提供了一个非常值得追踪的范例：

从技术到模式：AI 招募的产品设计教科书

Mercor 的核心亮点之一，就是他们在技术与产品流程中导入了互动式回馈机制（response loop）的概念。这并不是单纯将LLM 套用于履历推荐，而是设计出一个能「反覆学习、即时调整」的智慧型招募流程。举例来说：系统不只发送邀请信给候选人，还会追踪候选人的开信率、点击率、回信内容，进而评估哪些话术最有效、哪些人选值得再互动，这种持续优化的逻辑让模型变得更「懂人」也更具策略性。

对创业者来说，这提供了一个值得学习的架构—— 如何把AI 模型包装成一个有用的产品流程，而不是只停留在demo 阶段。 Mercor 不只是训练模型，更是设计整个互动流程，让系统能像一位真正的招募助理，不断根据市场反应调整脚本、策略与行动节奏。

Mercor 的成功不只是技术上的革命，更是一场招募观念的更新。 Mercor 现阶段的模式可能会变，也可能会被后进者取代，但他们留下的问题定义与解题方式，值得每一个对未来工作型态好奇的人，仔细观察与借镜。

对技术从业者来说，Mercor 的架构也提供了一个参考范式：如何将大型语言模型（LLM）与招聘领域的资料结构（如简历栏位、职缺描述、履历匹配分数）做出系统性整合。这需要不只是prompt engineering，而是真正懂得如何将AI 转化为一套「动态决策系统」的能力。

创业的下一站：从自动化到决策协作

Mercor 的故事为AI 应用提供了一个具体路径：从工具化（工具帮助人）迈向协作化（工具与人一起决策）。这代表未来的创业者与技术设计者，不能只关心「功能能否实现」，而必须深入思考「系统能否适应、回应、甚至预测真实使用情境」。当AI 越来越强，问题不再是「它能不能做得到」，而是「我们设计的问题够不够好」。 Mercor 给我们的最大启发，不只是他们选对了方向，而是他们懂得如何快速实验、快速修正，最终让一个技术愿景转化为真实产品与真实价值。