目录 2 第一部分 | 场景：人岗匹配 内容： 让 AI 技术提升人岗匹配效果，我们做了这些探索 解锁这项 AI 黑科技，马上实现人岗匹配自由 AI 黑科技： Embedding、知识图谱（KG）方法、自然语言处理（NLP）、非线性树模型、deep 模型、 BERT、 Word2Vec 模型等 本期和大家讨论下 “人岗匹配排序的探索与实践”。从人力资源管理的发展来看，人岗匹配大致 让AI技术提升人岗匹配效果，我们做了这些探索 3 第一部分 | 那么，实现 AI 人岗匹配背后的依据和逻辑又是什么呢？ e 成科技基于前沿的自然语言处理技术 和深度学习模型，并结合大量数据和知识图谱，通过不断探索和反复实践，形成一套高效的人 岗匹配推荐算法系统，下面院长将详细为大家介绍这套系统及其背后的逻辑。 在人岗匹配的任务中存在 HR、职位（JD）、简历（CV）三种实体，人岗推荐系统中由 为了更好的解决该问题，我们分别引入知识图谱（KG）方法和自然语言处理（NLP）方法，其 中 KG 负责去充分提取文本中实体的关系和联系，NLP 则更好的获取 JD 本文和 CV 文本相似性 信息。因涉及个人隐私此处不展示 CV 信息。 01 特征为王 4 第一部分 | 图 1 JD 示例 在以 JD 和 CV 对是否匹配的背景下，我们将特征主要分为以下几类： JD 特征：包含地点，学历硬性要求和利用知识图谱中提取的实体特征如（职能，公司，技能，

结论），节省研究人员的时间。此外， AI 在医学知 识图谱构建中发挥重要作用，能够整合文献中的医学 概 念 和 关 系 。 例 如 ， 利 用 统 一 医 学 语 言 系 统 （UMLS）知识图谱，AI 帮助研究人员清晰理解不同 医学元素的关联，为深入研究提供结构化知识支持。 中山医学院周毅教授团队提出了一种利用大语言模型 增强医学知识图谱补全的新方法，有效扩展了医学知 识的深度和广度，支持诊断、治疗决策和研究等多种 在建立整个系统的可理解模型，为有机体绘制完整的 图谱。结合知识图谱技术，系统生物学在医学实践和 研究中发挥着日益重要的作用。生成式人工智能模型 在生物和疾病数据上的训练，能够根据各种疾病的系 统相关性和可成药性标准识别并优先考虑潜在的治疗 靶点，从而加速靶点识别和验证过程。 如，Insilico Medicine 基于 Transformer 的知识 图谱功能，从期刊文献中提取信息，将基因、疾病、 ， 用 于 识 别 靶 点 和 疾 病 的 生 物 标 志 物 。 MindRankAI 则利用 PharmKG 平台，通过异构图注 意力神经网络构建药物与疾病之间联系的多关系属性 生物医药知识图谱，该图谱包含了 29 种关系种类以 及超过 8000 种歧义实体。 3.药物分子设计与优化 借助大型模型的生成能力，我们可以根据特定的 靶点和药物设计需求，预测分子构象，如化学和蛋白 质分子结构，进而创造出全新的药物分子结构。这些

MCP 插件调用 AI + 电力行业智能应用场 景 Agentic RAG 指标建模 全域多源异构知识捕获 全方位 安全管控 版式分析 ASR/TTS 图像解析 视频解析 信息抽取 图谱建模 表格解析 OCR 大模型 多智能体协同 工作流编排 上下文工程 提示词工程 AI 护 栏 ② 领先的 AI 多模态知识库 & 知识解析技术 • 支持 29 种多模态数据 ，包括 分段 & 嵌入 段落识别 智能分段 基于文档结构的多 级语义切分 基于场景精调的 ★ Embedding 模型 多 路 召 回 语义检索 图谱检索 全文检索 混合检索 开放式模块化高级 RAG 架构 ，任意模块均可插拔 ★ 自研高性能向 量库 ，达到 18.7 万 QPS 片 段入库 智能标签 智能摘要 问答对提取 精细化的 学习能力：无 • 典型应用场景：简单的文档问答 图式推理 + 非实时证据 （仍然是静态推理） • 核心：基于知识图谱的关联关系进行推 理 • 单向（流水线）：检索 --> 重排 --> 生成 • 问题 ：图谱构建、维护成本高 • 知识内容：静态 / 不完整性 • 检索质量：中（保障事实性正确） • 响应方式：被动 •

学研究往往涉及跨学科的知识和数据，AI 模 型在整合不同领域的知识时存在困难。如何 使其真正参与科学假设的提出和验证，仍是 未解的难题。 为了解决这一挑战，可以从以下几个方 面寻找突破路径： 构建跨学科知识图谱、因果推理和生成 模型，整合多领域知识库，使 AI 能够从已 有知识中提取洞察并提出新颖的科学假设。 建立强化学习驱动的 AI 辅助实验设计、数 据分析、理论建模的闭环系统，实现自动化 科学发现。开发可视化工具与交互界面，将 学定理证明及物理模拟等复杂场景中占据主 导地位。计算机视觉技术在生命科学和地球 环境领域渗透显著。此外，分布式学习、图 神经网络、可解释 AI 和边缘智能在不同学 科中均得到广泛应用。AI 技术图谱揭示了一 个根本性转变：AI 不仅是科学研究中可用工 具集的扩展和创新，更是推动科学范式变革 的“元技术”。一场 AI4S 革命，正在重塑 人类科学发现的未来图景。 图1.8｜科学智能中最获青睐的AI技术（2015-2024） 此前大语言模型大多是基于语言构建 的，而针对化学领域的 AI 模型需要在解决 更复杂问题时具备更强的化学科学认知，例 如需要正确理解分子和晶体结构、具备基本 的化学常识。 突破路径：结合知识图谱等方法，加入 化学领域的基本科学定理和物质数据信息， 解决大语言模型现存的短板 12。强调“正在 解决化学领域科学问题”的系统提示词，以 确保调用上述知识背景。 1. Baum, Z. J

的决策能力和创新效率， 还使得企业能够更好地应对市场变化和挑战。 传统BI流程 AI + BI流程 技术突破点 人工数据清洗 ↓ 静态报表 自动化数据治理 ↓ 动态知识图谱 NLP 自动打标签 知识图谱关联分析 描述性分析 预测性 + 规范性 时序预测模型（如 LSTM） 强化学习决策优化 固定仪表盘 自适应可视化 （用户行为驱动） 强化学习推荐引擎 个性化布局算法 SQL/代码依赖 跃迁；其多源数据融合机制突破传统治理维度，以技术驱动精准决策，构建了适应复杂城市系统 的动态管理范式。 ◼ 深圳智能交通系统展现出AI驱动实时交通流预测与信号动态调优，同时BI整合多 源数据生成区域出行热力图谱。两者协同不仅实现道路通行效率提升，更通过需 求预测模型引导公共交通运力精准配置，形成智慧城市基础设施投资的决策反馈 机制。 ◼ 上海"一网统管"实践彰显数字化转型对城市治理的范式革新，通过多源数据融合 等效人工诊断资源1,500人力日。 应答范式转型：从“人工处理”到“智能交互” • 甘肃电力部署“智电通”、“智电千问”、“供电方案智能体”三大智能应用，其中“智电通”通过BI 构建政策知识图谱与NLP引擎，实现用电咨询秒级响应。“供电方案智能体”依托BI实时调用 电网运行数据、设备参数库及成本模型，将方案编制周期压缩50%，年支撑30万套方案生成。 • 江苏电力基于大模型与BI空间分

从而准确地回答用户的请求。 2.3.2. RAG 组件 RAG 组件主要任务是通过整合内外部知识源来提升模型生成内容的准确性和相关性， 内部知识 包括专业医疗知识图谱和内部垂搜知识库，外部知识包括搜索引擎获取的实时知识。 医疗知识图谱是一个结构化的、语义丰富的数据库， 它整合了广泛的医学信息和专业知识， 通过 定义实体及其之间的关系， 构建了 一 个复杂的网络， 使得机器能够理解和推理医学领域的概念。其 ：去除重复、错误或不相关的数据，保证数据质量。 3. 体与关系抽取： 利用自然语言处理技术识别文本中的医学术语， 并将其链接到知识图谱中的 相应实体，并识别实体之间的关系。 4. 数据校验和保鲜： 由医学专家对自动构建的知识图谱进行审核和校正， 确保其准确性和权威性， 并定期更新知识图谱，纳入最新的研究成果、临床指南和政策变化，保持其时效性。 内部垂搜知识库则是针对用户的真实 query 通过权威的垂类网站搜索得到相关知识， 以及用户可 勾选补充症状信息实现精准快速查找健康搜索结果并筛选常见病症问题。作为 夸克 App 全面升级健 康搜 索功能的核心模块， 夸克健康助手充分利 用大模型的生成式对话能力和医学知识图谱， 为用户 提供精准、全面的健康信息服务。其主要功能和模块如下： (1) 多轮问答健康搜索： 夸克健康助手支持用户通过多轮对话形式就健康问题进行深入提问和交互。用户可补充症状信息， 结合大

.......................... 204 五、挂图作战：数智产业图谱 ........................................................................................... 207 （一）全国数智产业图谱（2024-2025 年） .............................. 通范围更加扩大、数据应用场景更加丰富、全流程动态数据 安全更加普及、数据基础设施将更加健全、数据与人工智能 将进一步深度耦合。 五、数智产业动态图谱 截止到 2024 年底，全国数智企业共有 410467 家，数智 产业动态图谱从数智企业库中智能、动态、实时地遴选 2994 家形成，不同时点上的数智产业图谱有动态变化，包括 492 家数据资源企业、547 家数据技术企业、501 家人工智能企 业、624 家数据应用企业、450 素创新实验室、北京化工大学信息化绩效评估中心、北京京 数智科技开发有限公司和上海合合信息科技股份有限公司 等单位，于 2025 年初组建了“全国数智产业发展专题研究 组”，在北京京数智公司“全国数智企业库”和“全国数智 产业动态图谱”的基础上，经过对全国 400 多位数智产业领 域专家、学者和企业家访谈，对全国 1000 多家数智企业实地 调研，对全球 500 多家数智企业网上调研，以及近 10 个月 的深入研究，形成《

据构建完整的个人健康模型和健康知 识图谱，再通过 AI 能力对数据进行分析，为用户提供定制的健康解决方案和锻炼计划，例如 通过对营养、运动、睡眠等维度的建议和提醒，帮助用户逐渐改善不良生活方式，促进个人形 成健康的生活，帮助用户改善睡眠质量，从而降低因不良生活方式导致的相关疾病的发生概率。 同时专属虚拟健康管理师甚至还可以将健康知识图谱与医疗知识图谱进行结合，不但能绘 制出患病的风险情况

............................................................................. 16 图表 12：中国智慧园区产业生态图谱 .................................................................................................. 企业等。政府主要负责智慧园区相关政策 的制定、落实和考核评估。产业地产有更好的品牌运营能力，大企业有更好的产业聚集效应，而中小微 企业在创新研发上也具有优势。 图表12：中国智慧园区产业生态图谱 资料来源：前瞻产业研究院整理 客观 中性 建设性 -18- 智慧园区白皮书 2.2 新质生产力时期，AI、中台成智慧园区厂商竞争重点 2.2.1 AI 赋能下的智慧园区创新应用场景探索 。最后，需要进行深度持续的企业服务。需要厘清 各参与方的智能化需求，提升管委会的服务意识。 建设内容：发展前期，需要进行智慧招商、产业服务以及政务服务的基本建设，其中要注重产业链 图谱、企业图谱、招商图谱的构建，后续才能更好地形成当地的产业画像、企业画像以及做好金融、人 才的配套服务。此外，政务服务也要同时进行。 发展建设的后期的重点是智能服务，需要进行智慧办公、智慧咨询、智慧商务以及智能共享，才能