Как AI-агенты и MCP помогают HR находить пассивных кандидатов: кейс Blue Castle Agency и практические шаги для РФ и СНГ

Короткий ответ: AI-агенты на базе MCP (Model Context Protocol) позволяют HR-командам автоматизировать поиск пассивных кандидатов — тех, кто не ищет работу, но открыт для разговора. Компания Blue Castle Agency с помощью Claude и Zapier MCP увеличила выдачу сорсинга в 4 раза, переведя рекрутеров на работу с готовыми, проверенными списками.

Короткий ответ: Архитектура связывает LLM (понимание контекста, поиск, первичный отбор) с оркестрацией (качество-контроль, передача в CRM, уведомления в Slack). Повторяющиеся операции выносятся в детерминированные Zaps, а суждения — решения о соответствии профиля — остаются у модели. Это снижает стоимость и исключает галлюцинации на критичных этапах.

Короткий ответ: Для компаний РФ и СНГ схема адаптируется через локальные модели (GigaChat, YandexGPT, Qwen через llama.cpp), 1С:ЗУП/Битрикс24 вместо ATS, собственный MCP-сервер для доступа к внутренней базе сотрудников и внешним источникам (hh.ru, LinkedIn через парсеры, Telegram-каналы). По практике Unlim Group, пилот на 1–2 вакансии окупается за 2–3 недели при условии чистых данных и чёткого промпта-профиля идеального кандидата.

Почему пассивные кандидаты — главная боль HR и как AI меняет игру

По данным отраслевых опросов, до 70% квалифицированных специалистов в IT, инженерии и продажах не загружают резюме на борды и не откликаются на вакансии. Они уже заняты, но готовы обсудить интересное предложение — если его принесёт человек, а не бот с шаблоном. Классический сорсинг требует часов ручного поиска в LinkedIn, hh.ru, GitHub, Telegram-каналах, проверки профилей, написания персонализированных сообщений. Рекрутеры тратят 60% времени на рутину, а не на диалоги.

AI-агенты с доступом к инструментам через MCP меняют эту математику. MCP — открытый протокол от Anthropic, который позволяет LLM безопасно вызывать внешние API: поиск в браузере, запросы к CRM, чтение Google Sheets, отправку сообщений в Slack/Telegram. В отличие от RAG (только чтение базы знаний), MCP даёт агенту «руки» — возможность действовать в реальных системах компании.

Как это работает: разбор архитектуры Blue Castle Agency

Blue Castle Agency — рекрутинговая фирма для недвижимости и управления недвижимостью (США). Основатель Curtis Key построил систему, где:

• Claude (Sonnet 3.5/4) получает профиль идеального кандидата (навыки, опыт, география, «красные флаги») и промпт-инструкции по поиску.
• Zapier MCP даёт модели доступ к 9000+ приложениям: LinkedIn (через парсеры), Apollo, ZoomInfo, Google Search, внутренней CRM, Slack, Google Sheets.
• Первый проход (AI): агент ищет профили, собирает контактные данные, пишет черновик исходящего сообщения с привязкой к контексту кандидата.
• Второй проход (качество-контроль): тот же или другой вызов модели проверяет список на ложные срабатывания, дубликаты, соответствие жестким критериям (виза, релокация, зарплатные ожидания).
• Next-Gen Zaps (детерминированная оркестрация): утвержденные кандидаты автоматически создаются в ATS, рекрутеру уходит задача в Slack с готовым препаром, в Google Sheets логируется метрика.

Результат: выдача сорсинга выросла в ~4 раза, кандидаты, найденные Claude, чаще проходят согласование хайринг-менеджера, чем списки, собранные вручную. Рекрутеры начинают день с готовых списков, встреч в календаре и написанных сабмишнов.

Ключевой принцип: видение раньше технологий

Curtis Key формулирует так: «Лучшая технология начинается с видения. Создание технологий ради технологий даёт фрагментированные стеки и неэффективность, тогда как великие системы, подкреплённые видением, могут сделать обычное необычным». В контексте HR это значит: сначала опишите идеальный профиль кандидата и процесс отбора, потом подбирайте инструменты. Не наоборот.

Адаптация под реалии РФ и СНГ: стек, данные, комплаенс

Прямой перенос американского стека в РФ/СНГ невозможен: нет доступа к LinkedIn API, Apollo, ZoomInfo; 152-ФЗ требует хранения ПДн на территории РФ; корпоративные стандарты часто запрещают отправку данных в публичные облака. Ниже — рабочая схема для пилота.

Слой	Зарубежный стек (Blue Castle)	Локальная альтернатива (РФ/СНГ)	Комментарий
LLM	Claude Sonnet 3.5/4 (API)	GigaChat Pro, YandexGPT 4/5, Qwen2.5-72B через llama.cpp / vLLM на своём GPU	Локальные модели исключают утечку ПДн, работают по 152-ФЗ. Качество Sonnet 3.5 достижимо на Qwen2.5-72B-Instruct при грамотном промпте.
MCP-сервер	Zapier MCP (облако)	Собственный MCP-сервер на FastMCP (Python) или Go внутри контура	Открывает доступ к внутренним API: 1С:ЗУП, Битрикс24, hh.ru API, парсерам Telegram/HeadHunter, корпоративному Slack/Telemost.
Оркестрация	Next-Gen Zaps (Zapier)	n8n (self-hosted) или Yandex DataLens / Airflow для сложных DAG	n8n поддерживает MCP-клиент, есть ноды для 1С, Битрикс24, Telegram Bot API, HTTP-запросов.
ATS/HRM	Greenhouse, Lever, Ashby	1С:ЗУП 3.1 / 8.3, Битрикс24 (Кадры), Huntflow, Potok	Интеграция через REST/ODATA 1С или вебхуки Битрикс24.
Источники кандидатов	LinkedIn, Apollo, ZoomInfo, GitHub	hh.ru API, Хабр Карьера, Telegram-каналы (парсинг через Telethon), внутренняя база, реферальная программа	LinkedIn в РФ недоступен; парсинг hh.ru требует соблюдения ToS и rate limits.
Хранение ПДн	AWS / GCP (US)	Собственные серверы / Selectel / Yandex Cloud / VK Cloud (РФ)	Обязательно по 152-ФЗ. Логи MCP-вызовов тоже являются ПДн.

Практические шаги внедрения: от нуля к пилоту за 2 недели

Шаг 1. Опишите профиль идеального кандидата (ICP — Ideal Candidate Profile)

Не «Python-разработчик 3+ года», а структурированный JSON-профиль для промпта:

• Hard skills: стек, уровень владения, проекты в открытом доступе (GitHub, пет-проекты).
• Soft skills/контекст: опыт в B2B SaaS, работа в распределённой команде, менторство.
• Hard filters: гражданство/виза, готовность к релокации в офис (Москва/СПб/Ереван/Астана/Ташкент), зарплатная вилка.
• Negative signals: частая смена работы (<1 года), отсутствие публичной активности для senior-ролей.

Этот профиль становится «конституцией» агента. Любое изменение — новая версия промпта, прогониться через eval-набор (см. статью «Как тестировать ИИ-агентов перед продом: Eval-driven подход от Intercom к российским реалиям»).

Шаг 2. Поднимите локальный MCP-сервер с доступом к источникам

• FastMCP (Python) — 200 строк кода для регистрации инструментов: search_hhru, search_telegram_channels, get_candidate_from_1c, create_task_in_bitrix, send_slack_notification.
• Аутентификация: mTLS или OAuth2 внутри контура. Никаких публичных эндпоинтов.
• Rate limits и кэширование: hh.ru API даёт 120 req/min — проксируйте через Redis, логируйте каждый вызов для аудита (152-ФЗ).

Шаг 3. Соберите eval-набор и запустите первый прогон

• 20–30 реальных профилей (нанимали/отклонили за последние 3 месяца) с разметкой: hire / reject / maybe.
• Запустите агента на этом наборе: precision@k, recall@k, false positive rate.
• Цель пилота: precision@10 > 0.7 (7 из 10 кандидатов проходят скрининг рекрутера).

Шаг 4. Внедрите двухпроходную схему (AI → Quality Gate → Zap)

Первый проход — генеративный (LLM ищет, пишет, предлагает). Второй — верификационный (тот же или легче модель: Qwen2.5-7B-Instruct) проверяет hard-фильтры, дедуплицирует, оценивает качество сообщения. Только после «зелёного» второго прохода срабатывает n8n-workflow: создание карточки в ATS, задача рекрутеру, лог в Google Sheets / ClickHouse.

Шаг 5. Перенесите повторяющиеся шаги в детерминированные Zaps/n8n

По практике Unlim Group, всё, что делается одинаково (создание карточки, уведомление, запись метрик, отправка шаблонного письма кандидату), должно уходить из LLM в код. Это снижает стоимость токенов в 5–10 раз и убирает галлюцинации на критичных операциях. LLM оставляйте только за суждениями: «подходит ли этот профиль под ICP?», «как персонализировать первое сообщение?».

Метрики успеха и точки контроля

Метрика	Базалайн (ручной сорсинг)	Цель пилота (AI + MCP)	Как измерять
Кандидатов в воронку на рекрутера / неделю	15–20	60–80 (×4)	ATS: источник = AI-sourcing
Время от vacancy open до первого скрининга	5–7 дней	1–2 дня	ATS timestamps
Conversion: sourced → screen passed	30–40%	> 50%	ATS stage conversion
Cost per qualified candidate	~15 000 ₽ (рекрутер-часы)	~3 000 ₽ (GPU + API + оркестрация)	Финансовая модель пилота
False positive rate (рекрутер отклонил)	N/A	< 20%	Feedback loop в ATS

Частые ошибки и как их избежать

1. Пытаться заменить рекрутера полностью. Агент даёт список и черновик — решение о звонке принимает человек. HITL (Human-in-the-loop) обязателен на этапе согласования профиля (см. «AI-агенты с человеком в цикле (HITL) в HR-процессах рекрутинга и онбординга»).
2. Грязные входные данные. Если в 1С/Битриксе дубли контактов, устаревшие телефоны, неразмеченные отказы — агент будет учиться на шуме. Сначала data cleaning, потом AI.
3. Игнорировать 152-ФЗ. Любой вызов MCP, где фигурируют ФИО, телефон, email — обработка ПДн. Логи MCP-сервера = журнал обработки ПДн. Храните в РФ, шифруйте в покое, настройте политику хранения.
4. Слишком общий промпт. «Найди хороших продажников» не сработает. Нужен JSON-профиль с весами критериев, negative signals, примерами хороших/плохих профилей (few-shot).
5. Нет eval-сета. Без 20–30 размеченных примеров вы не знаете, улучшили или ухудшили качество после изменения промпта.

Чек-лист готовности к запуску (Definition of Ready)

• [ ] ICP профиля зафиксирован в JSON, согласован с хайринг-менеджером.
• [ ] Локальная LLM (GigaChat / YandexGPT / Qwen) развёрнута, доступна по HTTPS внутри контура.
• [ ] MCP-сервер поднят, зарегистрированы инструменты: hh.ru search, Telegram parse, 1С/Битрикс24 CRUD, Slack/Telemost notify.
• [ ] Eval-набор: 20+ профилей с разметкой hire/reject.
• [ ] n8n-workflow для Quality Gate → ATS → Notification готов и протестирован вручную.
• [ ] Юридическое заключение: обработка ПДн соответствует 152-ФЗ, ДОП оформлен, логирование настроено.
• [ ] Рекрутеры пройдены обучение: как читать препай от AI, как давать обратную связь (thumbs up/down в задаче).

Масштабирование: от пилота к системной практике

После успешного пилота на 1–2 вакансиях (precision@10 > 0.7, рекрутеры подтверждают экономию времени) следуют шаги:

1. Расширение источников: добавить парсинг профильных Telegram-каналов, GitHub (по стеку), внутреннюю базу бывших сотрудников/стажёров (boomerang hiring).
2. Персонализация сообщений: дообучить/промпт-инжиниринг для генерации уникального первого касания под бэкграунд кандидата (проект, статья, конференция).
3. Авто-перезапуск: n8n-kron каждую ночь прогоняет агента по открытым вакансиям, пополняет пул.
4. Feedback loop в модель: сбор рекрутерской разметки (hire/reject) → периодический fine-tuning локальной модели или обновление few-shot примеров в промпте.
5. Интеграция с workforce planning: связка с прогнозом текучести/роста штата (см. «Практическое применение AI-агентов в управлении персоналом и планировании рабочей силы») — агент начинает искать заранее, до открытия вакансии.

Ограничения и риски

• Качество локальных LLM. Qwen2.5-72B-Instruct близок к Sonnet 3.5 по reasoning, но требует 48–96 GB VRAM (2×H100 / 4×A100 / 8×RTX 3090/4090). GigaChat/YandexGPT — через API, проще запуск, но данные уходят к вендору (проверяйте DPA).
• Парсинг hh.ru/Telegram. hh.ru API ограничен (нет полного профиля, rate limits). Парсинг Telegram требует аккаунтов, прокси, обхода FloodWait. Планируйте инфраструктуру.
• Биас модели. LLM может систематически занижать оценки кандидатов из регионов, без имени бренда в CV, с нестандартным parcours. Регулярный аудит false negative по защищённым группам обязателен.
• Зависимость от промпта. Малейшее изменение формулировки ICP меняет выдачу. Версионирование промптов + eval-набор — единственный способ контролировать регрессию.

AI-агенты с MCP не заменяют рекрутеров — они убирают рутину сорсинга, проверки и оформления, оставляя людям то, что они делают лучше: живой диалог, продажа вакансии, оценка культурного фITA. Для компаний РФ и СНГ путь лежит через локальные модели, собственный MCP-сервер и детерминированную оркестрацию в n8n. Начните с одной вакансии, чистого ICP и 20 размеченных профилей. Результат за 2 недели покажет, стоит ли масштабировать.