AI 技术在 HR 领域的应用情况 Part2：认识大语言模型：从原理到应用 Part3：体验大语言模型：使用者的认知与探索 Part4：企业中的大语言模型：价值与实现基础 █ 大语言模型对企业的价值 █ 大语言模型的价值实现基础 Part5：HR 中的大语言模型：影响与应用 █ 大语言模型对 HR 的影响 █ 大语言模型在企业 HR 部门的应用情况 参考资料 参调样本 得以适应文字、 图片、音频等各类任务。在众多的大模型技术中，大语言模型有着更为广泛的应用场景，也受着资本投入的青睐。 它可以帮助 C 端用户完成大量的文字类工作，回答他们的各类问题；同时也可以与 RPA 等技术结合，为 B 端 用户带来更好的流程体验。 经济学家约瑟夫 • 熊彼特所提出的“创造性破坏”可以较为贴切地概括大语言模型为企业带来的影响。 熊彼特认为，创新会破坏企业内部的旧结构， 会打破已有 的市场均衡，为企业带来超额利润。同样，大语言模型作为技术的创新，也会为企业带来效率提升、成本降低 等利好，也会带来管理与竞争模式的变化。作为企业重要的支持部门，HR 部门也同样面临着变化与创新。 上述的利好与变化是企业管理者们、HR 从业者们所关注的，也是本研究报告的出发点。由于大语言模型 是人工智能技术中的一个类别，大语言模型在 HR 领域的运用情况很大程上取决于企业对于人工智能技术的关

产业研究 战略规划 技术咨询 2 预训练语言模型 预 训 练 微 调 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 AI大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模型 预训练语⾔模型“预训练 + 微调”技术范式 ⼤规模⽆标注 ⽂本数据 模型预训练 测试数据 最终模型 从海量数据中自动学习知识 Ø Big-data Driven，模型基于大规模语料训练而成； Ø Multi-tasks Adaptive，支持多种任务，包括自然 语言生成NLG和自然语言理解NLU类的任务； Ø Few-shot (Zero-shot)，在少甚至无标注样本的 条件下支持推理（自监督学习）。 产业研究 战略规划 技术咨询 3 大模型发展历程 众多预训练模型相继涌现，OpenAI 年，Google提出Transformer 框架在机器翻译中取得显著进步，其分布式学习和强大编码能力受到广泛关注。 Ø 2018 年 Google 和 OpenAI 基于Transformer 提出了预训练语言模型 BERT 和 GPT，显著提高了NLP 任务的性能，并展示出广泛的通用性。 AlexNet (图灵奖得主 Hinton) CAN (Gioodfellow. 图灵奖得主 Bengio)

统一了跨云的元数据服务，支持 40 多种数据源，实现多云和自建数据源的无缝集成。 OneOps 则整合了 Notebook 和 Copilot，提供一体化的 Data+AI 开发环境，包括 数据、机器学习模型及大型语言模型开发，可实现 DMS+X 一站式的 Data+AI 全生 命周期管理。X 代表任何数据引擎，如云原生数据库 PolarDB、云数据库 RDS、云原 生数据仓库 AnalyticDB、云原生多模数据库 OneOps 强调了开发平台的统一性，支持从离线到在线、从 OLAP 到 Spark 再到 AI 等多种数 据处理场景。通过 OneOps 概念，DMS+X 整合了数据操作、开发运维以及针对大型 语言模型等操作，形成一个统一的操作平台，让用户能够在这个平台上完成所有与数 据相关的操作，从数据清洗、编排到调用 AI 模型，从而缩短数据价值获取的路径，使 数据价值的挖掘变得更加简单和高效。 或者说让用户获取价值更简单，也是 DMS+X 智能平台提供的一个重要价值。为了将数据适配到 AI 处理的需求，DMS+X 还进行了数据的 AI ready 化处理，如向量化等，使数据更易于被大型语言模型等 AI 技术理解和处理。此外，DMS+X 还提供了 Notebook、任务编排、以及结合百炼等 智能开发平台的一系列功能，帮助用户更容易地生成带有业务属性的数据处理流程， 进一步提升数据价值的挖掘效率。

1955 ， Dartmouth , 统计语言模型 （ SLM ） 基于文本概率分布建模 通常基于马尔可夫假设建立词 预测模型（ N-gram ） • 优点：可解释、计算速 度快 • 缺点：从前向后单向计 算；单纯基于统计频次、 缺少对上下文的泛化； 随着 n 的增大，参数空 间呈指数增长 神经语言模型 （ NLM ） Seq2Seq 建模 基于 Transformer 架构的语言模型 • 优点： 长距离依赖处理能力强：自注意力机制能捕捉任 意距离的依赖关系。 并行计算能力强： Transformer 架构支持并行计 算， 训练速度更快。 • 缺点：资源消耗大 上下文学习、指令微调、 扩展规律 (GPT3 、 GPT4…) 自然语言处理模型的演进 预训练语言模 型（ PLM ） “ 预训练 - - 微调” 学习范式 （ BERT、 GPT） 大语言模型 （ LLM ） 注意力 Attention 自注意力机制：使序列中的每个单词都能 “关注 ”其他单词 ，包括自己 在内 ， 以更好地理解上下文。（通过计算输入序列中每个位置与其他位置之间 的注意力权重 ，得到加权的位置向量作为输出） 多头注意力机制：多个独立计算的自注意力机制 ，将相同的输入映射到

2019-2026 年中国 AI+ 金融市场 规模 2021 年 AI+ 金融产品市场规模占 比 u 技术能力不断翻新，金融行业数字化不断推进。 金融机构搭建机器学习、生物特征识别、智能语音语言、智能图像、知识图谱、智慧物联等平台，构建 Al 核心能力群，广泛应用于金融 业务 领域，未来将进一步丰富企业级 AI 技术服务体系，持续在基础技术平台建设取得重要进展。 u 应用智能化深化，强化数智金融体系。 AI+ 金融面临的挑战 AI+ 金融面临挑 战 数据、场景均丰富，大模型走 上金融大舞台 02 1 4 u AI 1.0 ：以 CNN 为核心的计算机技术，机器开始在计算机视觉（ CV ）、自然语言理解技术（ NLP ）等领域超越人类，并创造了显著的价值。 但 AI 1.0 缺少像互联网时代的 Windows 和 Android 一样的规模化能力，来降低应用开发的门槛，打造完善生态链。 u 年中国银行与保险机构前沿科技采购情况 u 自研大模型，开创垂直 + 通用混合训练范式。 2023 年 3 月 30 日， Bloomberg 推出了拥有 500 亿参数的语言大模型 (LLM) ，专门针对各种金融数据进行了训练，以支持金融行业内 的各种 自然语言处理 (NLP) 任务。 Bloomberg GPT 代表着这项新技术在金融行业的开发和应用迈出了第一步。该模型将协助彭博改进现有的金融 NLP

今年计划试点一个小机组 - 央国企信息化调研 弘则弥道（上海）投资咨询有限公司 02 云计算+AI推动管理 软件进入商业化推广 前端组件化、后端云原生提升代码复用率和开发效率的同时，带 来学习成本的增加，自然语言交互直接提升人机体验 11 来源：互联网公开资料、弘则研究整理 计算机前端技术和后端技术演变 组件化的好处： • 提高代码的复用性和可维护性，减少重复的工作和错误。 • 提高开发效率和协作能力 减少组件，也可以利用分布式技术实现组件的负载均衡和容错。 因为要了解不同组件的功能、接口、依赖和兼容性等，开发人员的学习成本在增加。自然语言交互将直接提升体验。 微软Azure和Power Platform持续提升组件化能力，最终通过AI能 力实现自然语言交互，进一步提升组件易用度 12 来源：互联网公开资料、弘则研究整理 微软产品演进 培养C端用户习惯 ADD YOUR TEXT ADD 2008年推出Azure云平台，不断 提升DevOps、API等开发能力 2014年推出Power Platform，低代 码构建API、微服务等 今年推出Power Platform Copilot， 通过自然语言交互实现对于组件 的调用和自动化流程的创建 构建Azure PaaS平台和Power Platform平台，后台组件化，提升低 代码/零代码开发能力，有利于未来AI能力的嵌入和调用 13 来源：互联网公开资料、弘则研究整理

提问：今天北京多少度啊？ 回答： 35 度 提问：有雾霾吗？ （北京有雾霾吗？） 回答：空气质量优。 提问：那上海呢？（上海有雾霾吗？） 回答：空气质量也是优。 结合上下文 聊天机器人解决方案 自然语言处理、文本挖掘、知识图谱 知识库中存储的是一对对的“问题 - 答案”对（ QA Pair ）。这些 Pair 可以是 人工构建的，源于客户系统或者旧有知识库的，也可以是从互联网上爬取下 来的。 的结果填注到答案 模板中，生成回答问题的自然语言 API 根据意图和实体，确定要调用的 API 类型和 参数，构造 Http Request 将 API 返回的结果填注到答案模板 中，生成回答问题的自然语言 文本文件 (json/xml 等 ) 根据意图和实体，确定对应的文件路径和对 其中存储数据结构的查询 将获取的内容填注到模板中，生成 回答问题的自然语言 例如，我们选择 MySQL 作为小 机器人反问 每次用户新输入的信息都要先进行语言理解，再结合目前已经存储的上下文信息，或更新 Context ，或读取 之前的 Context 作为补充信息。 可以将意图，和几种实体类型对应的实体值存储在 Context 中。 当新的用户语句输入后，若能从中提取出新的意图或实体值，则用新值更新 Context ，否则，读入现有的对 应实体值，作为本次语言理解的补充。 架构及开发流程 问答咨询

选人。“易北京” APP 智能客服系统利用自然语言处理技术提供多语种 24 小时服务，解答国际人才疑问， 提升效率与员工满意度。 ⚫ 科锐国际深度融合 AI 大模型，全面革新中高端招聘服务。接入 DeepSeek-R1 大模型 后，在效率提升、成本降低和服务模式创新上潜力巨大。其在 AI 技术研发与应用成果丰 富，已推出行业级预训练语言模型 CRE 和匹配系统，还计划 2025 年推出 向筛选，提升招聘效率；“直聊”模 式中的智能客服减轻企业招聘人员负担。自主研发的百亿参数规模南北阁大模型，面向求 职招聘垂类场景，有效提升人岗匹配精准度，其 V1.0.0 版顺利通过中国信通院大语言模 型专项验证并获 4+评级。 ⚫ 同道猎聘巧用 AI，革新人才评鉴、服务与趋势洞察。多面・AI 面试基于冰山模型等理论 构建庞大数据库，精准甄别候选人，节约人才甄选成本，应用已拓展至人才管理多环节。 ......... 9 图 14：“直聊”+AI 提升沟通效率，带来招聘求职全新体验 ............................. 11 图 15：南北阁大模型完成中国信通院大语言模型专项验证 ................................. 11 图 16：多面・AI 面试支持 PC、小程序、APP 三端使用 .....................

日志 监控 主机 监控 智能工具中心 可视化开发 授权单表维护 API配置 能力开放 专用场景维护 服务编排 SQL配置 动态 阈值 AI中心 大模 型 趋势 预测 关联 分析 自然 语言 知识 图谱 智能调度中心 事件 侦测 告警 收敛 处置 策略 协同 推送 自动 巡检 作业 计划 机房 监控 服务 监控 智能知识中心 智能 采编 知识 图谱 认知 搜索 GOPS 全球运维大会 2023 · 上海站 IT服务台智能问答机器人 故障告警自动微信通知 自然语言对话巡检 微信告警自动语音外呼 点击播放 利用NLP自然语言交互，打造IT服务台智能问答机器人、微信告警通知、微信对话交互、微信告警自动语音外呼等多模态的运营交互能力 AI中心-NLP自然语言交互 GOPS 全球运维大会 2023 · 上海站 输入关键词 关键词匹配 数据库查询 返回结果 文本向量化 计算相似度 检索相关 文本 生成回答 ChatGLM (清华开源大 语言模型) 生成提示 信息 主要流程 传统方式 基于大模型 为了解决传统OA公文仅能按照标题关键字搜索的局限性，探索利用大语言模型强大的语言理解和文本生成能力，通过语义索引、向量匹配、融 合生成等技术手段，以自然语言问答的方式实现IT运维规范等公文内容的智能搜索，提升搜索效率和准确性的同时提供更好的用户体验

中在创意内容生成、信息查询提炼和自然语言交互三个领域，通过与营 销获客、产品研发、服务运营、战略管理等各种不同的场景叠加可以发挥出不同的价值。这也意味着不论哪个细分赛道的企业服务 厂商，都有机会把握生成式AI的机遇，实现服务边界的拓展与服务价值的提升。 生成式AI的优势能力与应用方向 组织希望通过生成式AI实现的关键收益 信息查询提炼 创意内容生成 自然语言交互 56% 35% 29% 进行进一步训练，使模型能够专注于特定的任务或 领域，更好地理解任上下文、语义和领域知识 预训练 使用通用数据和领域数据混合全面调整或构建行业 大模型，捕捉底层的语言规则、结构和模式，适合 通用大模型缺乏目标任务相关知识的场景 RAG 检索增强生成 通过引入外部知识库增强语言模型的生成能力，无 需频繁重新训练模型，即可提高模型的可解释性， 适合处理动态或经常变化的企业数据 通用 场景 专业 场景 适 用 场 首先要有反应：一般是使用React方法，使语言模型的推理能力能够根据知识进行计划安排，行 为决策能与外界工具交互 • 其次能自我批评：使用Reflexion框架来提高推理能力，赋予Agent通过语言反馈和短期记忆形成 优化任务目标的二次过程，也即自我反思的能力 ➢ 任务分解能力的实现方式 • 可以通过采用思维链、思维树的算法策略分解任务，也可以用LLM先把自然语言问题转为PDDL 语言，也就是机器可以理解的