PeopleSearchBench：评估 AI 驱动的人物搜索平台的多维基准测试

AI 驱动的人物搜索平台正日益应用于招聘、销售前景挖掘和职业社交网络，但尚无广泛接受的评估其性能的基准测试。我们引入了 PeopleSearchBench，这是一个开源基准测试，在四个用例上比较了四个人物搜索平台：企业招聘、B2B 销售前景挖掘、具有确定性答案的专家搜索以及影响者/KOL 发现。一项关键贡献是基于标准的验证（Criteria-Grounded Verification），这是一个事实相关性流水线，从每个查询中提取明确、可验证的标准，并利用实时网络搜索判断返回的人物是否满足这些标准。这产生了基于事实验证而非主观整体 LLM-as-judge 评分的二元相关性判断。我们在三个维度上评估系统：相关性精确度（padded nDCG@10）、有效覆盖率（任务完成率和合格结果产出率）以及信息效用（资料完整性和有用性），三者等权平均得到总分。专用 AI 人物搜索智能体 Lessie 表现最佳，总分 65.2，比第二名系统高 18.5%，并且是唯一在所有 119 个查询上实现 100% 任务完成的系统。我们还报告了置信区间、对验证流水线的人工验证（Cohen's kappa = 0.84）、消融实验以及查询、提示和归一化程序的完整文档。代码、查询定义和汇总结果可在 GitHub 上获取。