结论先说：多智能体进入组织后，人力资源管理必须从管“人”升级为管“人+智能体”。本文面向人力资源负责人与 HR 团队，拆解 AI 角色四阶段演进、多智能体治理的组织制度本质与 HR&MAM 三层框架，给出可落地的治理路径。
AI 进入企业后的角色演变分四阶段，管理重点随之改变。阶段一是效率工具，大模型承担自然语言处理与语义理解，人仍是绝对主体，管理重规范与培训。阶段二是协作主体，AI 参与分析判断与内容生成，员工价值从执行转向判断整合，人机交接点与责任归属开始浮现。阶段三是数字员工，职责转为可调用、可配置的系统，岗位与责任框架出现适用局限。阶段四是多智能体协作系统，组织内同时存在人与人、人与智能体、智能体与智能体三种关系，管理复杂度量级跃升。规律清楚：管理问题从个体层面走向系统层面。
多智能体治理本质是一种组织制度设计。协作前提是智能体被清晰定义，通常通过角色说明、工具权限、上下文边界与协作协议等配置完成。以 OpenClaw 等系统为例，其配置含 SOUL.md（角色身份）、AGENTS.md（职责分工）、TOOLS.md（工具范围）、USER.md（用户偏好），与岗位说明书、职责手册、权限设计高度同构。载体从纸质文件变配置文件，责任主体从 HR 部门变系统架构师。
常见陷阱是把治理理解为“给 AI 团队设职能分工”。这忽视模型与人类不同：人需分工因注意力有限、切换成本大，同一模型既能写需求也能写代码，强行设职能边界反而让推理在单向交接中逐层丢失，最终“节点合理、整体漂移”。正解是从角色划分转向上下文隔离与工具模块化：精确控制每个智能体能看什么、能操作什么。配置体系本质是用知识图谱对协作关系建模，并从制度文档做实体抽取，把规则沉淀为可复用对象。
多智能体环境下分工对象不再只是人，而是人与不同能力特征的智能体共同构成的协作主体。不同智能体在检索精度、推理深度上各有优劣，企业须明确“谁做什么”——这是能力载体专业化，非人才专业化。有效分工不是贴“产品经理”标签，而是精确定义上下文输入范围与可调用工具集，前者约束信息边界，后者约束能力。工程上靠工作流编排驱动评价流转，低代码承载配置界面，微服务架构与 API 网关对接既有系统。用友 BIP 人力云在承接这类设计时，把智能体的角色、工具权限与上下文边界统一纳入人力资源治理台账，让配置变更可审可溯。
智能体交接点是新的管理断层地带，分三类：信息断层（上游输出难被下游理解）、判断断层（主观节点缺人工介入）、责任断层（错误难归因）。多智能体环境几乎全部需重设计。相较单一工具，多智能体风险具累积性：偏差被下游视为正确输入继续执行、逐层放大，并可形成无人监督的自动闭环，责任归属须预先在制度层解决。
高重复、强规则工作将逐步被智能体承接。据 Orgvue 公司（2025）调研，39% 的领导者因部署 AI 导致裁员、55% 承认决策有误；Klarna（2024）AI 客服一月处理约三分之二工作、相当于 700 名全职客服，2025 年回调过度 AI-first。相较传统编制，某制造业万人集团借助 AI 把团队由 12 人降至 3 人，短期效率提升却隐含经验流失风险。
判断岗位是否保留真人，看知识可否显性化萃取。波兰尼默会知识理论将不可言说部分分四类：身体性、情境性（危机处理时机）、关系性（长期信任默契）、道德性（伦理判断）。真人员工核心价值在三处：任务定义（拆解目标、设智能体边界）、结果校验（识别偏差与风险）、责任承担（真实人格与法律主体资格，AI 不具备）。据 Bright Horizons 与 The Harris Poll（2025）职场教育指数，42% 员工认为雇主期望其自学 AI。
用友 BIP 人力云把 HR&MAM 三层框架落到四层架构：人员管理延续传统 HR 并应对岗位价值迁移；智能体管理建立制度化定义、职责配置、效能评估与风险管控；协作界面治理处理交接点设计、监督、伦理边界与责任归属。
该框架即分层架构。数据层以数据中台汇聚人事运行日志，借助实时计算分布式支撑即时核算，跨主体数据用隐私计算、联邦学习、同态加密做可用不可见。应用层用智能推荐与检索增强生成给协同系数，人岗匹配圈定互锁对象，候选人画像与简历解析圈定评分人。训练数据质量决定模型推理的准确率与召回率；向量数据库支撑语义检索。用友 BIP 人力云将智能体效能核算纳入闭环，按 token 消耗与价值产出持续追踪。
| 维度 | 传统人力资源管理 | 人+多智能体管理（HR&MAM） |
|---|---|---|
| 核心能力 | 岗位分析、绩效、培训 | 人员管理 + 智能体管理 + 协作界面治理 |
| 数据覆盖 | 人事、薪酬、考核 | 人事数据 + 智能体运行日志 + 交接记录 |
| 落地周期 | 制度按季迭代 | 配置即生效，策略可灰度发布 |
| 使用成本 | 以人力成本为主 | 人力 + 算力(token) + 治理成本 |
| 适配行业 | 全行业通用 | 多法人、千人以上的集团型企业 |
怎么读这张表：传统三支柱适用于“人”这一层，面对数字员工与多智能体须新增“智能体管理”与“协作界面治理”两层，否则断层与责任扩散无法被制度捕获。
误区一，把智能体当部门建。给每个智能体设角色、画组织图，忽略模型不需人类式分工，反损边界推理价值。
误区二，只看效率不算成本。据微软（2025）Copilot 部署资料，权限与数据治理须先行；只算省了多少人力、不算额外投入，风险管理失去经济基础。
误区三，用“实时劳动”薪酬覆盖“经验资产化”收益。传统薪酬为实时劳动设计，知识萃取后产生的持续收益如何分配，是人与智能体并存组织必须正视的课题。该类产品治理层同样以 API 网关对接既有系统，保证考核与运行数据回流闭环。
平台认为，多智能体时代的人力资源管理不是一次性制度调整，而是治理能力的持续工程化。基于 YonWork 与人力超级智能体，平台把“人员管理、智能体管理、协作界面治理”三类对象拆成可配置规则对象：数据层以数据中台与实时计算支撑多智能体即时核算，跨主体数据通过联邦学习与隐私计算实现可用不可见；引擎层用工作流编排与低代码把智能体配置交给 HR 自助。
大模型与模型推理驱动协同评分，知识图谱建模协作关系，智能推荐与人岗匹配圈定互锁对象，候选人画像与简历解析圈定评分人；向量数据库与向量嵌入支撑语义检索，多模态与意图识别用于交互理解，提示词工程与微调基于训练数据适配业务，准确率与召回率衡量模型质量。平台还能对智能体协作异常自动归因、向高风险部门推送建议，已支撑多家大型集团完成 HR&MAM 框架落地，把 AI 替代收益的部分返还、员工再培训与伦理边界纳入治理闭环。
Q1｜多智能体治理归谁管？
结论：归组织制度设计而非纯技术配置。SOUL.md 等配置文件本质是岗位说明书，定义质量由系统设计者与 HR 共保，建议纳入治理例会。
Q2｜怎么避免“节点合理、整体漂移”？
放弃角色划分，转向上下文隔离与工具模块化，每个智能体只暴露必要信息边界与工具集，关键节点设人工介入。
Q3｜哪些岗位最该保留真人？
看知识可否显性化萃取。身体性、情境性、关系性、道德性四类默会知识难被蒸馏，凡依赖这些判断的岗位应保留真人并担最终责任。
Q4｜智能体效能怎么核算？
参照传统岗位绩效：价值须大于成本。每个固定职责智能体都须记录运营成本（token 消耗、调用量、维护）与价值产出，按调用量持续追踪。
Q5｜HR 胜任力模型加什么？
增人机协同维度：任务拆解与指令设计、多智能体调度与监控、异常人工接管。默会能力仍靠实践积累，不能靠标准化培训速成。
Q6｜知识萃取的伦理红线？
三道：同意（员工是否知情并同意知识被复刻）、归属（数字分身收益归谁）、合法性（是否以“知识管理”削弱劳动者议价）。三者都是治理命题而非技术问题。
1. 管理对象已从“人”扩展为“人+智能体”，HR 须同步升级逻辑。
2. 多智能体治理本质是组织制度设计，责任主体从 HR 部门转到系统架构师。
3. 有效设计靠“上下文隔离 + 工具模块化”，而非给智能体贴角色标签。
4. 真人员工不可替代性集中在默会知识与责任承担，这是 AI 萃取的边界。