全链路日志 审计 涉密数据安 全管控 知识溯源 内容安全检测 权限控制 分类分级 密级管理 加密传输 加密存储 非结构化数据 结构化数据 文本、 图片、 音频、 视频 … CRM 、 数据库、 ERP 、 资金 流水 格式文件 • 对于第三方无接口知识 ，平台可以通过 RPA 工具等进行采集； • 各种结构化数据库表也可以采集； ③ 领先的 AgenticRAG 技 术 • 以 Agent 重构传统 RAG ，提升问答准确率及效果 • 长链路、多跳、事实推理效果更佳 • 跨模态数据融合应用：打通结构化与非结构化知识 ⑤ 内置企业级敏捷 Agent 平台 + 丰富的知识类技能 + 知识类智能体市场 通过【连接器】可以链接、捕获企业内、外部各种类型知识 ，包括 PDF 、 PPT 、音视频等 100+ 格式 文件 • 对于第三方无接口知识 ，平台可以通过爬虫、 RPA 工具等进行采集； • 各种结构化数据库表也可以采集； 文件传输协议 360 全域数据资 产连接器 AI 企业知识库特点 1 ： 全域知识捕获 ， 自动采集企业内外分散的各种知识 本地知识 业务系统

态的感知，也无法满足敏捷决策与全员赋能的时代要求 人工智能与商业智能发展背景——传统BI局限性 来源：头豹研究院 传统BI系统主要依赖企业内部的结构化数据，如销售数据、财务数据等。这些 数据通常是预先定义和整理好的，局限于企业内的数据源。而外部非结构化数 据（如社交媒体数据、视频数据、传感器数据等）通常无法有效利用，限制了 系统对全方位信息的分析能力。在现代商业环境中，企业不仅需要分析内部数 据 难以获得前瞻性的信息，导致在面对突发事件或市场变化时缺乏足够的应对策 略，影响了决策的准确性和效率。 局 限 于 历 史 数 据 传统BI系统的局限性在于其封闭性与滞后性：局限于内部结构化数据，难以捕捉外部非结构化洞察；静态 批处理模式无法满足实时决策需求；复杂操作和高技术门槛限制了用户参与；预定义指标缺乏灵活性，难 适应多元需求；聚焦历史数据则削弱了预测能力。这些短板使其在数据爆炸和敏捷决策的时代逐渐失位， 大数据和非结构 化数据分析 自助式数据分析 和可视化 预测和智能分析 集成和整合 个数据源 随着大数据和物联网的兴起，企业面临的数据类型更加多样化。 现代BI系统需要能够处理海量的非结构化数据，如社交媒体数 据、文本、视频、传感器数据等。这将有助于企业从多个维度 发掘更多的商业价值，提升决策的准确性和深度。 现代BI系统应提供简单易用的工具，使非技术人员也能参与数 据分析。通过自助式的数据分析和可视化工具，用户可以根据

佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信 大型企业人力资源数字化转型一般性规划蓝 图 发展阶段 方向目标  实现流程线上化、自动化  实现数据结构化、关联化  提升员工服务需求洞察  实现数据驱动人力资源管理  提高服务质量，降低运营成本  创新解决方案和运营模式  对外输出 HRSSC 的服务能 力 任务路径  设计 被纳入联动分析（关联财务、客户、运营等方面数据） 的人力数据占比越来越高 结构化 可以表达为二维表结构并进行深入分析的员工档案和 工作痕迹数据占比越来越高 可视化 可以在管理看板上以图形化方式呈现的人力数据及相 关分析结果占比越来越高 管理者角色视角的 HRSSC 数字化图 景 对于数字化 HRSSC ，支持管理决策的数据可以分为 3 层。可以结构化、 联 动分析并可视化呈现的人力数据及相关分析结果占到大部分，未纳入 到大部分，未纳入 联动 分析的人力数据占小部分，还有极小部分员工数据仍然是非结构化数 据。 当数字化水平普遍较高时，数据分析人员的洞察和创新更能够为企业带来价值。有一项研究分析了 3 万份客服代表的在线简历，希望了解与 员 工跳槽相关的因素，结果发现，使用 Chrome 这种第三方浏览器填写简历的员工比使用 Windows 或 Mac 自带浏览器的员工平均坚守一个 岗位的 时间要长 15%

照不同维度，数据资源可以分为不同类型。依据数据结构化 特征，数据资源可以分为结构化数据、半结构化数据和非结 构化数据。依据数据持有主体，数据资源可以分为公共数据、 企业数据和个人数据等。按照数据可流通性，数据资源可以 分为可流通数据和不可流通数据。根据数据安全性，数据资 源可分为公域数据和私域数据等。 其中，结构化数据指的是具有固定格式或有限长度的数 据，如数据库、元数据等。半结构化数据则介于完全结构化 20 与非结构化数据之间，具有基本固定的结构模式，如日志文 件、XML 文档、JSON 文档等。非结构化数据指的是数据结 构不规则或不完整，没有预定义的数据模型，如文本文件、 图片、视频等。公共数据是指政府机关或具有行政管理职能 的事业单位，在依法行使管理和服务职能过程中产生的数据 资源。企业数据是企业在日常生产经营管理活动中，经过一 定的人力财力投入而形成的数据资源。个人数据是指以电子 形式或其他方式记录的，能够单独或与其他信息结合识别特 定自然人身份的信息，包括姓名、身份证号码、出生日期、 联系方式、住址、通讯信息、行踪轨迹、财产信息等。公域 数据中只有结构化数据可以在互联网上直接流通，属于可流 通数据，而半结构化数据和非结构化数据不能在互联网上直 接流通，属于不可流通数据。大多数私域数据都属于不可流 通数据。 图 13：数据资源的四种分类 21 2.数智技术

析功能，为医疗健康领域的智能化转型提供了新的可能性。 医疗健康场景中，数据的复杂性和多样性对技术提出了更高的 要求。例如，患者的电子健康记录（EHR）、医学影像数据、基因 组数据等多源异构数据的整合与分析，需要处理大量的非结构化数 据，并从中提取有价值的信息。传统的处理方法往往依赖于人工干 预或简单的算法，导致效率低下且容易出错。而 DeepSeek 通过其 先进的深度学习模型，能够自动识别、分类和解析复杂的数据结 EHR）和档案管理是核心环节之一，直接影响医疗服务的效率和质 量。DeepSeek 技术在这一场景中的应用，可以显著提升数据管 理、智能化分析和信息安全水平。首先，DeepSeek 的自然语言处 理（NLP）能力能够高效解析和结构化病历中的非标准化文本数 据，包括医生手写记录、诊断报告和患者主诉等。通过深度学习模 型，系统能够自动提取关键信息，如疾病名称、症状、治疗方法和 用药记录，并将其归类存储，形成标准化的电子病历数据库。 技术的引入为临床试 验数据管理提供了全新的解决方案，能够显著提升数据处理的效 率、准确性和可追溯性。 首先，DeepSeek 通过其强大的自然语言处理（NLP）能力， 能够自动化地处理大量非结构化数据，如临床试验中的病例报告、 患者反馈和医生笔记。这种自动化处理不仅减少了人工录入的错 误，还能够快速提取关键信息，如不良反应事件、疗效评估和患者 依从性，从而加速数据的分析和报告过程。 其次，DeepSeek

出，但由于技术演进速度远超课程改革进度，技能错配问题依然存在。 欧洲地区 欧洲国家（尤其是西欧与北欧国家）的毕业生岗位适配度广受认可。在区域协同创新体系的支持 下，欧洲高校与产业界建立了紧密联系。欧盟对区域创新生态及结构化联合创造的重视，提升了 高校在经济发展中的核心地位，使其能够联结政府、企业、公民社会等多元区域主体，开展多主 体协同的知识创造。不过，劳动力流动性不足与技能缺口仍是欧洲国家亟待解决的问题，尤其是 在全球范围内，高校正将新技术融入课程体系、设立AI与创新中心，并与企业合作，确保学生在毕 业前就能获得实战经验。具体实施方式因地区而异，反映出不同的经济重点、人才战略与学习文 化观念。在亚洲，大规模、协同化的结构化培训与企业内部培训投资，正为符合国家政策方向的 人才储备注入强劲动力；相比之下，北美通过企业主导的技能提升项目与灵活的数字学习相结 合，培养多元化、适应性强的人才队伍；欧洲则倡导自主、独立的技能培养模式，但若缺乏更有 世 界 的 I C T 岗 位 与 技 能 37 IDC研究表明，亚洲、北美与欧洲在AI人才培养方面采取了截然不同的路径，每一条路径都将对人 才储备的适应性产生深远影响：亚洲依赖大规模投资开展结构化、正式化的企业内部培训；北美 将企业主导项目与灵活的数字学习相结合；欧洲则依托浓厚的自主学习文化。无论采用哪种模 式，企业与高校的选择都在迅速重塑未来工作形态。 各地区的AI培训策略因经济状况、人才需求与文化背景而存在显著差异：

输入的症状与病史等文本信息，为用户提供疾病诊断与 治疗建议； · 健康评估与咨询占比 24%，即根据用户输入的问题文 本，生成医学相关文本答案，为用户提供健康咨询、报 告解读、用药指导、膳食建议等功能； · 病历生成与结构化医学报告生成占比 14%，根据输 入的医生与病人的对话内容，生成病历和诊断报告等结 构化的医疗文本报告； · 辅助诊断占比 5%，辅助医生诊疗决策，根据用户输 入的血常规数据、医学染色体核型病例图像， 辅助诊断产品获批上市，如肺结节、乳腺癌筛查等。 然而，AI 在复杂疾病诊断（如罕见病或多病共存） 中的表现仍有限，且其应用效果高度依赖于高质 量、标准化的医疗数据。 此外，电子病历自动化处理技术实现了关键信 息的自动提取和结构化存储，方便医生查阅调用，优 化了诊疗流程。智能分诊导诊系统也通过分析患者症 状，合理引导就诊，减少了等待时间，提升了服务体 验。电子病历自动化处理和智能分诊导诊系统在逐步 推广，但实际落地效果因医院信息化水平和数据质量 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 应用。 同时，人工智能在医学研究中用于数据分析和模

为更智能、更集成的人工智能系统奠定基础，尤其是在与代理型人工智能相 关领域。 MCP正成为旨在以负责任、结构化方式在企业范围内扩展AI应用的编排平台 的必备组件。这些编排平台超越了基本集成能力。 它们作为孤立系统之间的连接纽带，促进AI代理之间的无缝协作，并实施对 模型部署、应用方式及生成结果的必要治理。 为人工智能的无序扩张提供结构化框架 作为孤立系统之间的连接纽带 促进人工智能代理之间的无缝协作 对模型部署和应用实施必要的治理措施

提供了应用形态变化趋势概 览，未来 10 年主流应用的架构将逐步从云原生应用技术栈过渡到基于 LLM 与 AI Agent 的 AI 原生应用技术栈。 数据层：提供多模态数据支持，包括结构化数据（数据库、表格）、非结构化数据（文本、图像）、领域知识（如 科研文献、行业标准）和支持动态更新的外部数据（如专利、新闻）。数据层可为模型层提供训练与推理所需的原始 数据，并通过向量化技术增强 Agent 的上下文理解能力。 原生能力（模型编排、多模态优 化、幻觉治理等）。其核心演进方向包括： 1) 协议扩展：从 HTTP 流量管理升级为 AI 服务治理，支持 gRPC/GraphQL 等 AI 协议，优化流式响应（SSE）与 非结构化数据（文本 / 图像 / 音视频）传输。 2) 动态编排：从单一服务路由转向多模型动态调用链编排（如 LLM+ 语音 + 图像组合），实现意图驱动的模型 调度。 3) 智能调度：基于模型性能、成本、SLA（响应时延 如同医生需结合体检报告与病史制定治疗方案，企业在规划阶段需要执行三个步骤： 1) 识别重复人力消耗大、决策失误率高、响应延迟严重的场景（如客服电话接通率低、设备故障频发）。 2) 技术适配评估：检测数据质量（结构化比例＞ 80%）、接口开放性（API 可调用率＞ 95%）、算力储备（GPU 容量）。 3) 经过分析，决策适合本企业的改造策略： a) 直接替换：购买已经成熟、得到市场检验的智能化服务。 b)

气设计标准化数据库和自动化设计平台，打造一站式生产：标准化阶段，梳理并建 立标准的部件库、图框、表格、符号、宏文件，建立导航项目达到初步设计标准化； 结构化阶段，分析“结构”的不同理解、功能的定义、功能的判别方法，从技术 角度分析功能、结构化的步骤与内容创建典型回路并形成库；自动化阶段，理解自 动化生成图纸的原理，学习 EEC One 的操作方法，并建立风电自动生成图纸的配 置 文件，实现自