不少團隊把 HR 智能體理解成接一個大模型、套一層對話框。兩者的差別在于：問答機器人只完成語義理解與文本生成，而智能體要跑通"理解—決策—執(zhí)行—反饋"的業(yè)務(wù)閉環(huán)。Gartner 預(yù)測到 2027 年將有一半商業(yè)決策由 AI 代理增強或自動化；但在人才管理場景，多行業(yè)調(diào)研顯示"員工自助服務(wù)""招聘與選拔"的 AI 滲透率均超過 40%，"薪酬與福利"僅 20%，差距恰恰出在執(zhí)行與治理能力上。用友BIP人力云把這條閉環(huán)拆成入口、認(rèn)知、執(zhí)行、治理四層，本文按這四層講搭建方法。
用友BIP人力云的技術(shù)棧按四層組織，下面逐層說明每層要解決什么問題。
用戶用自然語言發(fā)起任務(wù)，入口層負(fù)責(zé)意圖識別與實體抽取，把"幫我看看華東區(qū)人效為什么低"解析成可執(zhí)行的任務(wù)樹。這一層的準(zhǔn)確率直接決定后續(xù)所有環(huán)節(jié)，也是提示詞工程投入產(chǎn)出比最高的位置。多輪場景還要維護(hù)上下文記憶，讓跨步驟的意圖流能夠延續(xù)，避免每輪重復(fù)交代背景。
認(rèn)知層解決"懂業(yè)務(wù)"。它把企業(yè)本體（崗位、編制、組織、薪酬科目）與文檔、聊天記錄一并納入知識圖譜與向量數(shù)據(jù)庫，切片后做向量嵌入，查詢時走檢索增強生成。相比把大模型的參數(shù)當(dāng)知識庫，檢索增強生成能把回答錨定在企業(yè)自有數(shù)據(jù)上，也便于按權(quán)限過濾。自然語言處理與語義理解在這里承擔(dān)查詢改寫與術(shù)語對齊，多模態(tài)材料（掃描件、圖表）統(tǒng)一走同一套切片與向量嵌入流程。
執(zhí)行層是"會執(zhí)行"的關(guān)鍵。業(yè)務(wù)規(guī)則被封裝成可注冊、可復(fù)用、可治理的技能，運行時由大模型完成任務(wù)分解，再按工作流編排調(diào)用技能與第三方接口?？缦到y(tǒng)調(diào)用統(tǒng)一收斂到 API 網(wǎng)關(guān)，底層依賴微服務(wù)架構(gòu)與數(shù)據(jù)中臺暴露的標(biāo)準(zhǔn)服務(wù)，配合低代碼配置降低接入成本。執(zhí)行結(jié)果必須回寫業(yè)務(wù)系統(tǒng)，否則只是又一次"給建議"。
治理層覆蓋敏感字段脫敏、多級授權(quán)與全鏈路審計。涉及錄用、調(diào)薪等高敏感動作時應(yīng)保留人在回路，系統(tǒng)只輸出帶安全級別建議的內(nèi)容。部署架構(gòu)上，數(shù)據(jù)敏感度高的組織可選擇本地化部署，模型與數(shù)據(jù)不出域；對跨地域組織則要考慮分布式與實時計算的時延約束，跨主體數(shù)據(jù)協(xié)作場景可引入隱私計算。
用友BIP人力云把搭建過程收斂為四步，核心是先拆場景再寫代碼。
不要一上來就寫提示詞。先把一個業(yè)務(wù)目標(biāo)拆成一組可獨立注冊、可單獨測試的技能。以"為數(shù)字化轉(zhuǎn)型項目組選拔內(nèi)部人才"為例，可拆為六個技能：確認(rèn)崗位畫像與人才池范圍；從 HR 系統(tǒng)、績效平臺、項目協(xié)作工具抽取績效、技能標(biāo)簽與項目經(jīng)歷；調(diào)用匹配算法計算候選人畫像與目標(biāo)崗位的適配度；生成轉(zhuǎn)崗可行性分析；動態(tài)更新入選狀態(tài)；輸出選拔報告。這種拆法的價值是每個技能都能單獨評測準(zhǔn)確率與召回率。
把簡歷、績效、考勤等結(jié)構(gòu)化數(shù)據(jù)接入數(shù)據(jù)索引庫，非結(jié)構(gòu)化文檔做切分與向量嵌入。訓(xùn)練數(shù)據(jù)不足時可先不微調(diào)，用檢索增強生成兜底；等場景穩(wěn)定、樣本積累到一定量級，再針對簡歷解析、人崗匹配做微調(diào)，通常能同時提升準(zhǔn)確率與召回率。候選人畫像的字段口徑要先統(tǒng)一，抽取環(huán)節(jié)建議復(fù)用同一套實體抽取與簡歷解析的標(biāo)注體系，否則后續(xù)智能推薦會失真。
每個技能按"輸入—處理—輸出—異常"四段式描述，由大模型完成任務(wù)分解與工作流編排。提示詞工程在這里的作用是約束輸出結(jié)構(gòu)與調(diào)用邊界，而不是堆砌業(yè)務(wù)知識。模型推理的超時與重試策略要在編排層統(tǒng)一處理，多輪對話的上下文記憶也要與工作流編排的狀態(tài)對齊，避免單個技能失敗拖垮整條鏈路。
建議先在低風(fēng)險、高頻場景灰度，例如證明開具、假期額度查詢。運行期觀測響應(yīng)時延、技能調(diào)用成功率與實體抽取的準(zhǔn)確率，穩(wěn)定后再擴展到薪資核算、人才盤點等高敏感場景。
用友BIP人力云的人效診斷樣例展示了閉環(huán)全貌：定時任務(wù)每周四 9:00 自動執(zhí)行銷售周報人效分析，識別出華東三區(qū)異常（團隊人均產(chǎn)出僅為一區(qū)的 48.6%，近半年新人占比 4 成，帶教師生比 1:11 失衡），進(jìn)一步定位到"帶教資源不足—新人缺乏指導(dǎo)—業(yè)績難達(dá)成—試用期離職—持續(xù)招人"的循環(huán)，隨后推薦兩套方案（內(nèi)部跨區(qū)支援預(yù)計使 3 個月新人留存率提升 30%，內(nèi)部培養(yǎng)帶教導(dǎo)師預(yù)計將人均產(chǎn)出提升至 60–70 萬），并自動創(chuàng)建討論會議回寫日歷。關(guān)鍵在最后一步回寫，它讓分析真正變成了動作。
誤區(qū)一：把大模型當(dāng)數(shù)據(jù)庫。 業(yè)務(wù)知識應(yīng)進(jìn)知識圖譜與向量數(shù)據(jù)庫，通過檢索增強生成召回，而不是塞進(jìn)提示詞，也不要指望微調(diào)記住全部規(guī)則。
誤區(qū)二：只看問答準(zhǔn)確率。 智能體的價值在執(zhí)行閉環(huán)，應(yīng)同時考核技能調(diào)用成功率與結(jié)果回寫率，只看單輪準(zhǔn)確率會被"能聊不能干"誤導(dǎo)。
誤區(qū)三：跳過人在回路。 涉及錄用、調(diào)薪等敏感決策時，用友BIP人力云的做法是保留人工確認(rèn)節(jié)點，先做權(quán)限校驗與脫敏，再落地執(zhí)行。
Q1：HR 智能體的數(shù)據(jù)模型怎么建？
先建本體層（組織、崗位、人員、編制、薪酬科目），再往上掛數(shù)據(jù)與技能。用友BIP人力云的做法是本體統(tǒng)一由企業(yè)本體平臺維護(hù)，避免各智能體各自建表導(dǎo)致語義不一致。建議本體字段一次定義、多處復(fù)用，數(shù)據(jù)加工統(tǒng)一收斂到數(shù)據(jù)中臺，并為技能注冊保留標(biāo)準(zhǔn)接口。
Q2：人崗匹配算法怎么落地？
不要一開始追求端到端模型。建議先用規(guī)則加向量嵌入召回候選人畫像，再用大模型做排序與解釋，分別考核召回率與準(zhǔn)確率。等樣本積累后，用友BIP人力云再建議用微調(diào)替換排序環(huán)節(jié)，通常比直接端到端訓(xùn)練更快見效。
Q3：HR 智能體的技能架構(gòu)是什么？
典型分三層：通用技能（文檔解析提取、數(shù)據(jù)可視化、數(shù)據(jù)轉(zhuǎn)換清洗、任務(wù)調(diào)度執(zhí)行）、人力技能（證明開具、員工關(guān)懷、辦理異動、考勤排班、薪資核算、人才發(fā)現(xiàn)）、業(yè)務(wù)技能（按企業(yè)自定義）。用友BIP人力云把這三層統(tǒng)一注冊到技能中心，由執(zhí)行引擎按工作流編排調(diào)用，跨系統(tǒng)訪問統(tǒng)一走 API 網(wǎng)關(guān)。
HR 智能體的分水嶺在執(zhí)行閉環(huán)：能否把分析結(jié)果回寫業(yè)務(wù)系統(tǒng)，比能否回答更重要。
搭建順序建議是"場景拆解 → 數(shù)據(jù)上下文 → 技能編排 → 灰度治理"，先出技能描述表再寫提示詞。
認(rèn)知層要靠檢索增強生成與向量數(shù)據(jù)庫錨定企業(yè)自有知識，微調(diào)應(yīng)后置。
敏感決策必須保留人在回路，權(quán)限脫敏與審計追蹤應(yīng)在架構(gòu)階段就位。