Sprounix
Project background
2025 年 6 月，我与几位产品设计师和产品负责人共同发起了 Sprounix。
我们希望抓住 AI 带来的技术拐点，重构整个hiring体验，探索下一代招聘产品的可能性，而不是对现有产品进行局部AI优化。
这个项目并非商业委托，而是一项由团队自主发起的产品实践，希望验证 AI Native 招聘体验是否能够成为未来招聘产品的新范式。
Project Overview
Duration Jun 2025 – Oct 2025 (4 months)
Role Product Designer (UX/UI, Product Strategy, Prototyping)
Team 3 Designers · 3 Engineers · 2 Product Managers
Project Type Self-initiated Startup Project
Status Live MVP
Problem Spcace
Voices from the Hiring Process
"I applied to over 1,000 jobs, but received fewer than 10 responses."
Job Seeker
"Everytime I had to re-enter my information, tailor my résumé, write a cover letter... then website crashed, unbelievably frustrating！"
Job Seeker
"We received over 1,000 applications in a week. I simply didn't have time to review them all."
Employer
Today's hiring experience demands significant time, cognitive effort, and emotional investment from both employers and job seekers, yet often delivers disproportionately low returns.
无论是求职还是招聘，整个流程依然建立在搜索、筛选、填写申请等大量重复性的操作之上。随着岗位与候选人数量不断增长，这种以人工操作为核心的流程不断放大双方的时间与认知成本，却没有带来相应的效率提升。
对求职者而言，大量重复劳动、漫长等待以及缺乏反馈不断积累心理压力，进一步影响后续求职表现。对雇主而言，海量投递迫使企业依赖关键词筛选等低效机制来缩减工作量，却也增加了错失优秀候选人的风险。
Why Now?
Technology Shift
AI Agents are redefining how people interact with software.
Industry Shift
Traditional hiring workflows can no longer keep up with the scale and complexity of today's talent market.
Behavior Shift
Users increasingly expect AI to understand intent and accomplish tasks on their behalf.
设计挑战
How might we leverage AI to reduce the time, effort, and emotional burden of hiring, enabling employers and job seekers to achieve better hiring outcomes through a reimagined hiring experience?
The Solution
Sprounix
Sprounix reimagines the hiring journey through AI-native interactions, autonomous agents, and a continuous career experience. The following highlights showcase the core experiences that redefine how employers and job seekers connect.
How Sprounix Rebuilds the Hiring Journey
Throughout the entire hiring journey, users are only asked to make decisions, while AI takes care of the execution. This shifts the experience from repetitive manual work to high-level decision making.
01 · Understand Me
Start with a conversation, not a form.
Instead of asking users to complete lengthy onboarding forms, Sprounix begins with a natural conversation. Through a simple chat interface, AI learns each candidate's career goals, work preferences, availability, and background while gradually collecting essential information. The experience feels more like talking to a career coach than filling out an application.
02 · Build My Professional Profile
Turn information into meaningful insights.
After onboarding, users simply upload their resume. Sprounix automatically extracts key experiences, skills, and achievements to generate a structured professional profile. An AI-guided interview then goes beyond what a resume can reveal, uncovering communication style, motivations, strengths, and career potential. Together, these signals create a living profile that users can review and update at any time.
03 · Discover Better Opportunities
Find opportunities that fit beyond keywords.
Rather than forcing users to browse endless job listings, Sprounix proactively recommends positions based on their complete professional profile. Every acceptance, rejection, or piece of feedback helps AI refine future recommendations, creating a matching experience that becomes smarter over time instead of relying solely on keyword similarity.
04 · Apply with One Decision
Let AI handle the repetitive work.
Applying for jobs often means repeating the same information dozens of times. Sprounix removes this friction by automating the entire application workflow. With a single approval, AI tailors resumes for each position, prepares application materials, completes required forms, and submits applications automatically, allowing users to focus only on making decisions.
05 · Stay Prepared
Support every step after the application.
Sprounix continues assisting users long after an application is submitted. AI tracks application progress, keeps candidates updated on every status change, and prepares personalized mock interviews based on the specific role and company. As users practice, AI continuously provides feedback to help improve interview performance and confidence.
long-term value proposition
Designed for Careers, Not Applications
Sprounix is built around a strong belief. Careers are not one-time transactions—they are long-term journeys shaped by continuous learning, evolving goals, and countless decisions along the way.
Rather than disappearing after an application is submitted or a position is filled, Sprounix is designed to grow alongside its users. Every conversation, interview, application, and career milestone contributes to a deeper understanding of each individual. Over time, the AI becomes increasingly personalized, offering more relevant opportunities, better strategic guidance, and proactive support throughout every stage of a person's professional life.
Ultimately, the value of Sprounix is not measured by how quickly someone gets hired. It is measured by how effectively it helps people build meaningful careers over time—transforming AI from a task-oriented assistant into a lifelong career partner.
So, How Did We get here?
From job board to ai career agent
（注：产品设计过程长达数月，十分漫长，以下内容仅仅摘取其中相对重要的核心架构搭建和迭代过程，更多繁复的细节和步骤不在此展示。）
The starting point
我们带着一个简单的商业vision开始的，我们在市场中看到了大量的痛点，我们想重构这个体验。
基于这个原始粗暴的想法，我们做了大量的同类产品调研。试图以AI 为基点寻找一个突破方向。
下图是一个competitor analysis diagram
Early insights
这里主要讲我们做研究的早期对市场的观察
市场hiring产品中辅助用户的功能繁多，并主动将工具ai化，但是大部分功能都没有抓住用户
这里是详细的解释
巨量的hiring信息并没得到合理的过滤和分类，用户（job seeker）面临大量的阅读，信息获取和过滤难题。
这里是详细的解释
市场上的产品形态，多数情况中，employer 一方的需求决定了整个hiring experience。
这里是详细的解释
市场hiring 产品繁多，hiring信息重复但是不互通，为用户过滤信息和做出决策形成了障碍。
这里是详细的解释
User Journey
这里开始解释，下面放上用户（雇主和candidates）journey，标记过程中的friction points
Design principals
基于早期的insigts，我们探索我们的产品形态应该follow 怎样的设计原则
低消耗，高效率-减少重复工作
这里具体解释一下这个功能交互流程逻辑，解决了什么问题和痛点。
精简-降低用户认知负担
这里具体解释一下这个功能交互流程逻辑，解决了什么问题和痛点。
智能支持-帮助用户决策
这里具体解释一下这个功能交互流程逻辑，解决了什么问题和痛点。
early design -
这里开始解释，一句上面的术，我们搭建的核心功能，下面放上核心UI功能说明
以ai为主要引擎的hiring平台
和市面上产品将ai附加到工具上不同，我们想从底层搭建一个主要由ai驱动的完整体验。
我们一开始想的是，对传统的job board 进行革新。
因为job board 往往是雇主和job seeker 的信息互换的关键链接点，雇主post 的信息在这里，jobseeker 在这里获取他们需要的信息， 并且完成申请。对于job seeker 来说，关键的三个步骤：1 阅读， 2 判断， 3 申请 都在这里发生。
我们当时的挑战是：
如何创造一个智能的job board， 让用户可以高效的获取信息以及以及判断job，并且高效完成申请。
第一次MVP
功能说明
这里开始解释，下面放上核心UI展示
在第一次测试中的失败
这里开始解释 大概的测试方式和流程
Deeper insights
这里主要讲我们做研究的早期对市场的观察
hiring体验中，用户更加关注的是结果，而不是体验过程是不是足够“AI”
我们在job board里加入了大量AI辅助功能（智能筛选、AI标签、推荐理由等），但测试反馈显示，用户对"这是不是AI做的"并不关心，他们只关心"这个岗位是不是真的适合我、我能不能拿到面试"。
→ 推导去向：这条直接解释了为什么后面要从"给用户一堆AI增强的工具"转向"直接给结果"——对应 03 Discover Better Opportunities（不再是关键词浏览，而是主动推荐高匹配机会）和 04 Apply with One Decision（用户只需做决策，不需要感知过程）
即使有AI辅助过滤，申请环节本身依然是重复劳动的主战场。
用户在job board里确实能更快找到岗位，但找到之后，仍然要为每个岗位重新整理简历、写求职信、填写申请表——AI优化的是"发现"环节，却没有触及"申请"环节的真正瓶颈。
→ 推导去向：这条insight精确解释了为什么MVP1"找到了但没转化"——直接指向 04 Apply with One Decision（自动生成材料、自动完成申请）的设计动机，也呼应了Problem Space里那句"每次都要重新填写信息"的用户原话，形成前后呼应。
Job board是一次性的交易关系，用户找到/找不到工作后就会流失，没有留下来的理由。
无论用户是否申请成功，一旦这次求职结束，他们没有动机再打开产品——job board的价值只在"当下这一次"，无法沉淀成长期关系。
→ 推导去向：这条直接支撑了整个 long-term value proposition 章节（"Designed for Careers, Not Applications"）以及 05 Stay Prepared 功能——从"一次性工具"转向"持续陪伴的career agent"这个核心pivot逻辑,就是从这里长出来的。
求职者愿意为"懂我"的助手投入时间和信任，而雇主端的效率提升更依赖系统对接，AI的情感/理解价值在候选人侧更明显。
在测试中，候选人更愿意花时间和AI"对话式"沟通、补充信息，因为这直接关系到自己的职业前途；而雇主端的诉求更偏向流程效率，对"AI是否理解候选人"这件事本身没有那么强的情感投入。
→ 推导去向：这条直接支撑你后面那一节"重要的决策，为什么要更加关注candidates的需求和体验"——解释了为什么团队最终选择把AI agent设计成偏向candidate视角的"career agent"而不是偏employer视角的"招聘效率工具"，也顺势带出 01 Understand Me（对话式onboarding）和 02 Build Professional Profile（AI-guided interview挖掘深层信号）这两个强调"理解人"的功能。
中期的reflection，what we learnt
测试结果让我们重新审视了一个更根本的问题：我们一直在问"如何用AI让job board更智能"，但这个问题本身可能就问错了。
我们最初的假设是，AI应该是一层"增强"——加在传统招聘流程之上，帮用户更快地筛选、过滤、匹配。但四组insights指向了同一个结论：用户真正的痛苦不在"信息不够智能"，而在于整个流程把他们当作一次性的交易对象——找到工作/招到人之后，关系就结束了，过程中的每一步都要重新证明自己、重新投入精力，而AI只是让这个过程稍微快了一点，并没有改变这种关系的本质。
我们意识到，真正需要改变的不是job board上的某个功能，而是AI和用户之间的关系类型——从"一个帮你搜索的工具"，变成"一个了解你、并持续为你的职业发展负责的伙伴"。
这个反思直接决定了我们接下来最重要的一次产品判断：与其继续优化job board这个交易场景，不如重新定义谁是我们真正要服务的对象、AI要扮演什么角色。
下图是产品形态的再一次推导过程
A New Principle Emerges
From Tool to Partner
Sprounix不应该只是一个帮用户完成"这一次求职"的工具，而应该成为一个持续了解用户、并伴随其职业发展的长期伙伴。效率依然重要，但效率不再是终点——真正的目标是让AI在每一次交互中积累对用户的理解，从而在未来的每一个职业决策点上,提供比上一次更有价值的支持。
重要的决策，为什么要更加关注candidates的需求和体验？（why）
我们决定重新从candidate的视角梳理整个体验
"From Tool to Partner"这个原则要成立，需要一个前提：关系的另一方必须是持续存在的。
Employer的需求本质上是按岗位产生的——一个职位招满了，这段关系就结束了；而做决策的人（HR、招聘经理）也在不断变化，很难找到一个稳定延续的对象去建立长期理解。
Candidate则完全不同。一个人的职业生涯会跨越多家公司、多个角色，但这个人本身是连续的——今天没找到合适的工作，不代表这段关系就该结束；AI对他的理解，可以在下一次求职、下一次转型时继续发挥价值。
这意味着，如果我们真的想把"伙伴"这个原则落地，而不只是停留在口号层面，它只能建立在candidate这一侧——这不是说employer的体验不重要，而是说AI-native的、有记忆的、持续陪伴式的深度投入，天然更适合服务candidate；employer侧仍然重要，但更适合保持在效率/工具的定位上。（下图配jobseeker 的user flow 和雇主的flow）
Pivoted to personal career agent （how）
想清楚"伙伴关系只能建立在candidate身上"之后，产品形态本身也需要跟着改变。
此前，Sprounix是围绕几个独立功能搭建的——job board、matching、profile，彼此之间更像是并列的工具，用户需要在不同模块之间切换，AI也只是分别加持在每个模块上。
我们决定把这些拆散的功能，重新整合成一个统一的、以candidate为中心的人格化角色——一个从始至终陪伴用户的career agent，而不是一堆各自为政的工具。用户不再需要理解"我现在用的是哪个功能"，而是始终在和同一个"角色"对话——它记得你说过什么、见过你的简历、了解你拒绝过什么岗位，并基于这些持续给出更懂你的建议。
这个转变不只是UI层面的整合，而是整个产品哲学的转变：从"提供工具给用户用"，变成"提供一个理解用户的角色去代表用户行动"。
下图可以配一个产品形态进化推导过程
迭代核心功能展示
Pivot之后，我们没有从零开始，而是把此前job board、matching、profile里已经验证有效的部分，重新组织进这个统一的career agent角色里。
下面这几个功能，展示的是同一套能力如何被"人格化"——从"分别打开不同页面使用的工具"，变成"通过对话，自然地在同一个角色里发生"。
Conversation 式的交互
早期的job board是一个需要用户主动搜索、筛选的界面；pivot之后，这一步变成了对话——用户不再"操作产品"，而是"和一个角色交谈"。这个转变具体解释见"01 Understand Me"
Ai agent
这里是详细的解释从碎片化功能集合成一个智能agent
下面内容会图文详细描述agegnt的主要功能： 1 profile manager 2 job tracker 3 AI interview
User profile - turn data into insights？（标题待定）
这里是详细的解释这个功能的作用和影响
Job tracking - （标题待定）
智能的，这里是详细的解释这个功能的作用和影响
前置的Ai interview - （标题待定）
智能的，这里是详细的解释这个功能的作用和影响
A New Hiring Experience
Our goal wasn't simply to make hiring faster—it was to fundamentally rethink how people experience hiring.
By shifting repetitive tasks to AI agents, employers and job seekers can spend less time navigating workflows and more time focusing on meaningful hiring outcomes.
项目成果（Outcome）
作为一个团队自主发起的产品实践项目，Sprounix目前是Live MVP阶段，还没有大规模用户数据。但通过内部测试和早期用户反馈，我们验证了几个关键假设：
[具体的定性反馈，比如"内测用户反馈AI-guided interview比传统简历筛选更能体现真实能力"]
[具体的定性反馈]
如果继续推进，我们会重点关注这几个指标：[申请完成率、candidate回访率等]，来验证"从工具到伙伴"这个核心假设是否真的成立。
视觉语言（Visual Language）Designing for Trust
Trust
↓
Light Theme
↓
Spacing
↓
Cards
↓
Avatar
↓
Chat
可以放Design System。
Sprounix要求用户交出简历、职业目标、甚至面试中的真实表现——这些是求职者最不愿意随意暴露的信息。如果界面看起来像一个冷冰冰的"系统"，用户很难放心把这些交给AI。所以我们把"建立信任感"作为视觉语言的第一原则，每一个设计决策都是从这里推导出来的。
Trust → Light Theme
浅色主题传递的是开放和透明,而不是深色系常带来的"隐藏"或"技术感"。我们希望用户在与AI对话时感觉像走进一个明亮、可以被看见的空间,而不是把自己交给一个黑箱。
Trust → Spacing
充分的留白让界面不会显得急促或有压迫感。招聘本身就是一件容易让人焦虑的事,过于紧凑的信息密度会加重这种焦虑;我们用更慷慨的间距，让每一步都显得从容、可以被认真对待。
Trust → Cards
把信息拆分成独立的卡片，而不是长表单或密集列表，是为了让每一条信息都有边界感——用户清楚知道自己在看什么、提供了什么，而不是被淹没在一整页信息里。这种"可被拆解、可被单独理解"的结构，本身也是一种可控感的来源。
Trust → Avatar
在一个由AI主导对话的产品里，一个清晰、友好的Avatar形象，是让"AI"从抽象概念变成"可以交谈的对象"的关键——它让用户感觉对面是一个具体的、可以被信赖的角色，而不是在对一个系统输入指令。
Trust → Chat
选择对话式交互而非表单式交互，本质上也是在传递信任——表单意味着"你必须按我的格式提供信息"，而对话意味着"你可以按自己的节奏、用自己的话说"。这种对用户表达方式的尊重，是我们认为AI-native招聘体验最应该具备的姿态。
多端项目展示
这里展示手机端 电脑端UI
并说明价值
Reflections（我的思考）
这个项目让我们对"AI-native"这个词本身有了更谨慎的理解——它不该只是一种形式上的包装，而需要在每一层设计决策里被认真检验。以下是几个我们意识到、但还没有完全解决的问题。
1. 刻意的AI化,是否真的符合用户中心的原则？
我们在整个产品里大量使用了对话式交互，取代了传统的表单和列表——这个决定是基于"对话更自然、更少摩擦"的判断。但这里有一个值得警惕的问题：我们是否有时候只是为了"看起来更AI"而选择了对话，而不是因为对话在那个具体场景下真的是更好的方式？
比如Job Board的浏览场景——用户想快速扫一遍多个岗位、做横向比较,这种时候,结构化的列表可能比一问一答的Chat更高效;但如果只因为"整个产品都是对话式的",就把这个场景也强行改成Chat,反而是牺牲了效率去迎合形式。真正以用户为中心的设计，应该是在每个具体场景里问"哪种交互方式对用户最有利"，而不是预设"AI化=对话式"这个等式，然后到处套用。这是我们在设计过程中不断在自我提醒、但也承认没有完全解决的张力。
2. 隐私与道德层面的考量：AI Interview提炼出的insights，该如何稳妥地与雇主共享？
AI-guided interview能挖掘出简历之外的信息——沟通风格、动机、潜在优势，这是这个功能的核心价值。但这也意味着，AI掌握了一部分用户可能并不希望被雇主直接看到的、更私人化的判断。
我们目前还没有为这个问题设计出完善的机制，但意识到这里至少需要考虑几层边界：哪些insights是用户本人可以先审阅、决定是否共享的？哪些结论属于"AI的推测"而不该被当作"事实"直接展示给雇主？以及,用户是否始终拥有随时撤回、修改这些信息的权利？这是一个我们认为在真正上线前必须认真设计、而不能只当作技术细节处理的问题。
3. 当前AI模型的局限性：语言模型是否足够客观，能为求职者提供中肯建议、为雇主提供公正的insights？
当前的语言模型普遍存在一种倾向——为了让对话顺畅、让用户感觉良好，模型容易迎合用户的表达，而不是给出真正中肯、甚至可能不那么中听的反馈。这对Sprounix而言是一个需要认真面对的风险：如果AI在模拟面试中总是给予过于正向的反馈,用户拿到的可能不是真实的成长建议，而是一种虚假的自信；同样，如果AI在向雇主总结候选人时也带有类似的讨好倾向,雇主拿到的insights可能失真，反而影响招聘决策的公正性。
我们认为，一个真正值得信赖的career agent，应该有能力提供诚实、甚至适度尖锐的反馈——这可能需要在prompt设计、模型选择、甚至产品机制上做专门的校正，而不能默认通用大模型的"友善"倾向就等同于"有帮助"。这也是我们认为这个产品如果要继续往前走，必须投入研究的方向之一。