first commit
This commit is contained in:
commit
e70e2878c4
370
接口文档.md
Normal file
370
接口文档.md
Normal file
@ -0,0 +1,370 @@
|
||||
# 小维AI问答系统接口文档
|
||||
|
||||
## 1. /upload_qa
|
||||
|
||||
- **方法**: POST
|
||||
- **描述**: 该端点用于上传问答文件。上传的文件可以是 `.txt`, `.md`, `.xls`, `.xlsx` 格式。系统会对上传的文件进行以下处理：
|
||||
- 文本分割：将大文本拆分为小段落以提高向量化的效率。
|
||||
- 向量化：使用嵌入模型将文本转化为向量。
|
||||
- 存储：将向量和元数据存储到数据库和本地向量文件中。
|
||||
- **异步处理**：若上传文件较大，处理可能耗时较长，任务会以异步方式执行，前端需通过 `/task_status/<task_id>` 查询任务状态。
|
||||
|
||||
- **请求参数**:
|
||||
- `token` (Header): 用户的身份验证令牌。
|
||||
- `method` (FormData): 上传操作的类型，如 `create` 或 `delete`。
|
||||
- `qa_name` (FormData): 问答库的名称。
|
||||
- `private_flag` (FormData): 问答库的私有标志（整数，1 表示私有，0 表示公开）。
|
||||
- `files` (FormData): 上传的文件列表。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 1,
|
||||
"message": "任务已提交",
|
||||
"task_id": "unique-task-id",
|
||||
"qa_name": "知识库名称",
|
||||
"time_left": "预计剩余时间（秒）"
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 2. /operate_qa
|
||||
|
||||
- **方法**: POST
|
||||
- **描述**: 该端点用于操作向量库，包括以下功能：
|
||||
- 查询问答库中的文件或内容。
|
||||
- 编辑现有问答记录。
|
||||
- 删除指定问答内容。
|
||||
- 新增问答记录。
|
||||
|
||||
- **请求参数**:
|
||||
- `token` (Header): 用户的身份验证令牌。
|
||||
- `method` (JSON): 操作类型，支持以下值：
|
||||
- `list_qa_files`: 列出问答库中的文件。
|
||||
- `list_qa_content`: 列出问答内容。
|
||||
- `query_qa_content`: 根据条件查询问答内容。
|
||||
- `edit_qa_content`: 编辑问答内容。
|
||||
- `delete_qa_content`: 删除指定问答内容。
|
||||
- `add_qa_content`: 新增问答内容。
|
||||
- `query_fields` (JSON): 查询条件字段（用于精确匹配）。
|
||||
- `fuzzy_fields` (JSON): 模糊查询字段（仅对 `query_qa_content` 有效）。
|
||||
- `edit_fields` (JSON): 编辑字段（仅对 `edit_qa_content` 有效）。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 1,
|
||||
"message": "操作成功",
|
||||
"records": [
|
||||
{
|
||||
"sys_id": "记录ID",
|
||||
"question": "问题内容",
|
||||
"answer": "回答内容",
|
||||
"qa_name": "知识库名称",
|
||||
"source": "来源文件名",
|
||||
"raw_text": "原始文本",
|
||||
"score": "相似度分数"
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 3. /chat_qa
|
||||
|
||||
- **方法**: POST
|
||||
- **描述**: 用户可以通过该端点与问答系统进行交互。系统会根据用户输入的问题，从向量库中查找最相关的问答记录并返回结果。
|
||||
|
||||
- **请求参数**:
|
||||
- `token` (Header): 用户的身份验证令牌。
|
||||
- `qa_name` (JSON): 问答库的名称（支持多个）。
|
||||
- `query` (JSON): 用户输入的问题。
|
||||
- `uuid` (JSON): 用户会话的唯一标识符（可选）。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 1,
|
||||
"message": "问题答案",
|
||||
"qa_name": "相关知识库",
|
||||
"source": "来源文件名",
|
||||
"flag": true,
|
||||
"related_content": [
|
||||
{
|
||||
"question": "相关问题",
|
||||
"answer": "相关回答",
|
||||
"qa_name": "知识库名称",
|
||||
"source": "来源文件名",
|
||||
"score": "相似度分数"
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 4. /task_status/<task_id>
|
||||
|
||||
- **方法**: GET
|
||||
- **描述**: 查询后台任务的状态。通过任务 ID 检查任务的执行情况。
|
||||
|
||||
- **请求参数**:
|
||||
- `task_id` (Path): 任务的唯一标识符。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 200,
|
||||
"message": "任务已完成",
|
||||
"status": "SUCCESS"
|
||||
}
|
||||
```
|
||||
或：
|
||||
```json
|
||||
{
|
||||
"code": 200,
|
||||
"message": "后台任务正在运行",
|
||||
"status": "PENDING"
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 5. /change_question
|
||||
|
||||
- **方法**: POST
|
||||
- **描述**: 用户可以通过该端点更改问题的内容，系统会返回相关的问答记录。
|
||||
|
||||
- **请求参数**:
|
||||
- `qa_name` (JSON): 问答库的名称（支持多个）。
|
||||
- `query` (JSON): 用户输入的问题。
|
||||
- `cur_page` (JSON): 当前页码（默认为 1）。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 1,
|
||||
"message": "",
|
||||
"flag": true,
|
||||
"related_content": [
|
||||
{
|
||||
"question": "相关问题",
|
||||
"answer": "相关回答",
|
||||
"qa_name": "知识库名称",
|
||||
"source": "来源文件名",
|
||||
"score": "相似度分数"
|
||||
}
|
||||
],
|
||||
"question_counts": "相关问题总数",
|
||||
"cur_page": 1
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 6. /default_answers
|
||||
|
||||
- **方法**: POST
|
||||
- **描述**: 管理默认回答，包括新增、更新、删除和查询。
|
||||
|
||||
- **请求参数**:
|
||||
- `token` (Header): 用户的身份验证令牌。
|
||||
- `method` (JSON): 操作类型（`add`, `update`, `delete`, `list`）。
|
||||
- `qa_name` (JSON): 知识库的名称。
|
||||
- `answer` (JSON): 默认回答内容（新增或更新时必填）。
|
||||
- `keywords` (JSON): 关键字（可选）。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 1,
|
||||
"message": "操作成功",
|
||||
"data": [
|
||||
{
|
||||
"sys_id": "回答ID",
|
||||
"answer": "回答内容",
|
||||
"keywords": "相关关键字",
|
||||
"create_time": "创建时间"
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 7. /transfer_qa
|
||||
|
||||
- **方法**: POST
|
||||
- **描述**: 将问答记录从一个知识库转移到另一个知识库。
|
||||
|
||||
- **请求参数**:
|
||||
- `token` (Header): 用户的身份验证令牌。
|
||||
- `target_qa` (JSON): 目标知识库的名称。
|
||||
- `qa_ids` (JSON): 要转移的问答记录 ID 列表。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 1,
|
||||
"message": "成功转移 3 条问答对",
|
||||
"data": {
|
||||
"transferred_records": [
|
||||
{
|
||||
"sys_id": "记录ID",
|
||||
"question": "问题",
|
||||
"answer": "答案",
|
||||
"source_qa": "源知识库"
|
||||
}
|
||||
],
|
||||
"target_qa": "目标知识库"
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 8. /update_qa_fields
|
||||
|
||||
- **方法**: POST
|
||||
- **描述**: 更新问答记录的字段。
|
||||
|
||||
- **请求参数**:
|
||||
- `token` (Header): 用户的身份验证令牌。
|
||||
- `sys_id` (JSON): 要更新的问答记录的 ID。
|
||||
- `answer_type` (JSON): 新的答案类型。
|
||||
- `category` (JSON): 新的分类。
|
||||
|
||||
- **返回值**:
|
||||
```json
|
||||
{
|
||||
"code": 1,
|
||||
"message": "更新成功",
|
||||
"data": {
|
||||
"sys_id": "记录ID",
|
||||
"question": "问题",
|
||||
"answer_type": "新答案类型",
|
||||
"category": "新分类"
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 数据结构描述
|
||||
|
||||
### 数据库结构
|
||||
- **Roles**: 用户角色表，包含角色 ID 和角色名称。
|
||||
- **Users**: 用户表，包含用户 ID、账号、密码哈希和角色 ID。
|
||||
- **QAKnowledge**: 问答知识库表，包含问题、答案、来源、知识库名称等。
|
||||
- **DefaultAnswers**: 默认回答表，包含默认回答 ID、回答内容、关键字等。
|
||||
- **DefaultAnswerConfig**: 默认回答配置表，包含配置的回答 ID 列表、随机使用标志等。
|
||||
|
||||
---
|
||||
|
||||
## 交互逻辑
|
||||
|
||||
1. **前端应用**: 用户通过前端应用发送请求。
|
||||
2. **Java 服务**: 接收请求并调用本服务的 API。
|
||||
3. **本服务**: 处理 API 请求并返回结果。
|
||||
4. **数据库更新**: Java 服务和本服务分别更新其数据库。
|
||||
|
||||
```mermaid
|
||||
graph TD;
|
||||
A[前端应用] -->|发送请求| B[Java 服务]
|
||||
B -->|处理请求| C[本服务]
|
||||
C -->|返回结果| B
|
||||
B -->|返回结果| A
|
||||
A -->|用户输入| B
|
||||
B -->|更新数据库| D[Java 服务数据库]
|
||||
C -->|更新数据库| E[本服务数据库]
|
||||
```
|
||||
|
||||
在上述代码中，涉及 **异步操作** 的部分主要集中在需要执行时间较长的任务，例如文件处理、向量化、模型预测等。以下是需要前端轮询 `task_status` 以获取任务完成状态的部分，以及每个部分的详细说明。
|
||||
|
||||
---
|
||||
|
||||
## **异步操作**
|
||||
### 1. **`upload_qa` 方法的异步任务**
|
||||
```python
|
||||
future = executor.submit(add_qa_task_, upload_path, vs_path, create_id, private_flag, file_list, hash_list, qa_name)
|
||||
tasks[task_id] = future
|
||||
```
|
||||
|
||||
**描述**：
|
||||
- 在 `upload_qa` 接口中，`add_qa_task_` 函数通过 `ThreadPoolExecutor` 异步执行。
|
||||
- 该任务负责对上传的文件进行处理，包括文本加载、拆分、向量化、存储和数据库操作。
|
||||
- 返回的 `task_id` 供前端使用，通过轮询 `/task_status/<task_id>` 获取任务进度。
|
||||
|
||||
**需要轮询字段**：
|
||||
- `task_id`: 任务唯一标识。
|
||||
- 状态值包括：
|
||||
- `PENDING`: 正在处理。
|
||||
- `SUCCESS`: 完成。
|
||||
- `ERROR`: 出错。
|
||||
|
||||
---
|
||||
|
||||
### 2. **`test_qa` 方法的异步任务**
|
||||
```python
|
||||
future = executor.submit(add_qa_task_, upload_path, vs_path, 3, False, file_list, hash_list, 'test')
|
||||
tasks[task_id] = future
|
||||
```
|
||||
|
||||
**描述**：
|
||||
- 用于测试上传和处理文件的功能，逻辑与 `upload_qa` 类似。
|
||||
- 前端需要通过 `task_id` 查询任务状态。
|
||||
|
||||
**需要轮询字段**：
|
||||
- 同上，`task_id` 是关键字段。
|
||||
|
||||
---
|
||||
|
||||
### **通用异步任务的状态查询接口**
|
||||
#### `task_status` 接口
|
||||
```python
|
||||
@app.route('/task_status/<task_id>', methods=['GET'])
|
||||
def task_status(task_id):
|
||||
...
|
||||
if task.done():
|
||||
...
|
||||
ret_dict['status'] = "SUCCESS" if result else "ERROR"
|
||||
else:
|
||||
ret_dict['status'] = "PENDING"
|
||||
```
|
||||
|
||||
**描述**：
|
||||
- 通用接口，用于查询所有异步任务的状态。
|
||||
- 返回值 `status` 表示任务的当前状态：
|
||||
- `PENDING`: 任务尚未完成。
|
||||
- `SUCCESS`: 任务成功完成。
|
||||
- `ERROR`: 任务失败。
|
||||
|
||||
---
|
||||
|
||||
### **轮询场景详细说明**
|
||||
1. **轮询间隔**：
|
||||
- 前端每隔 1-2 秒向 `/task_status/<task_id>` 发起一次请求。
|
||||
- 使用任务完成 (`SUCCESS` 或 `ERROR`) 的响应作为停止轮询的标志。
|
||||
|
||||
2. **任务完成后的操作**：
|
||||
- **任务成功 (`SUCCESS`)**：
|
||||
- 显示任务处理完成的消息。
|
||||
- 根据任务结果更新页面数据或触发后续操作。
|
||||
- **任务失败 (`ERROR`)**：
|
||||
- 显示失败原因，允许用户重新发起任务。
|
||||
|
||||
3. **接口使用示例**：
|
||||
- `GET /task_status/<task_id>`：
|
||||
- **请求参数**：`task_id`。
|
||||
- **响应示例**：
|
||||
```json
|
||||
{
|
||||
"code": 200,
|
||||
"message": "后台任务已完成",
|
||||
"status": "SUCCESS"
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
BIN
数据库关系图（ER）.png
Normal file
BIN
数据库关系图（ER）.png
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 407 KiB |
BIN
维达AI建议.pdf
Normal file
BIN
维达AI建议.pdf
Normal file
Binary file not shown.
193
维达文档.md
Normal file
193
维达文档.md
Normal file
@ -0,0 +1,193 @@
|
||||
# 维达系统设计文档
|
||||
|
||||
## 1. 系统架构设计
|
||||
描述系统各模块之间的数据交互与流程，需标注数据交互模块的名称和方式，具体设计如下：
|
||||
|
||||
- **数据交互模块**：
|
||||
- 模块间通过 RESTful API 实现数据交互。
|
||||
- 数据传输方式采用 JSON 格式。
|
||||
- **关键模块**：
|
||||
- 用户管理模块：包括用户注册、登录和权限分配。
|
||||
- 问答知识库模块：提供问答记录存储、查询和更新功能。
|
||||
- 文件管理模块：实现文件的上传、解析和存储。
|
||||
- 向量化模块：将文本内容进行向量化处理，便于相似度计算。
|
||||
- 任务管理模块：负责异步任务的状态跟踪。
|
||||
|
||||
---
|
||||
|
||||
## 2. 系统部署的服务器架构
|
||||
系统基于分布式部署，架构如下：
|
||||
|
||||
- **应用服务器**：运行 Flask 应用，提供 API 服务。
|
||||
- **数据库服务器**：采用 MySQL，存储用户数据、知识库数据和日志记录。
|
||||
- **端口分配**：
|
||||
- 应用服务器端口：`5103`
|
||||
- 数据库服务端口：默认 MySQL 端口 `3306`
|
||||
|
||||
**相关源代码文件**：
|
||||
- `mainserver.py`：Flask 应用的入口文件。
|
||||
- `config.py`：存储配置文件，包括数据库连接等信息。
|
||||
|
||||
---
|
||||
|
||||
## 3. 系统功能的业务流程和标准流程步骤
|
||||
|
||||
### 核心功能：
|
||||
#### （1）用户管理
|
||||
- **业务流程**：
|
||||
1. 用户通过 `/regist` 进行注册。
|
||||
2. 系统校验用户输入信息，若无冲突则写入数据库。
|
||||
3. 用户通过 `/login` 登录，返回权限标识。
|
||||
- **实现文件**：
|
||||
- `mainserver.py`：包含用户注册和登录的逻辑。
|
||||
- 数据表：
|
||||
- `users`：存储用户账号及密码。
|
||||
|
||||
#### （2）问答知识库管理
|
||||
- **业务流程**：
|
||||
1. 用户上传问答文件，通过 `/upload_qa` 接口。
|
||||
2. 系统解析文件，分割内容并存储到数据库。
|
||||
3. 用户通过 `/operate_qa` 查询、编辑、删除问答记录。
|
||||
4. 问答检索通过 `/chat_qa` 完成，支持模糊查询。
|
||||
- **实现文件**：
|
||||
- `mainserver.py`：包含问答知识库的解析和存储逻辑。
|
||||
- 数据表：
|
||||
- `qa_knowledge`：存储问答记录。
|
||||
|
||||
#### （3）向量化处理
|
||||
- **业务流程**：
|
||||
1. 上传的文本内容由 `add_qa_task_` 方法解析。
|
||||
2. 使用 FAISS 向量化文本并存储。
|
||||
3. 系统通过 `task_status` 查询向量化任务状态。
|
||||
- **实现文件**：
|
||||
- `mainserver.py`：包含向量化处理的异步逻辑。
|
||||
- 数据表：
|
||||
- `qa_knowledge`：存储向量化的文本及相关元数据。
|
||||
|
||||
---
|
||||
|
||||
## 4. 系统中所有表、字段的说明和表关联
|
||||
### （1）Roles 表
|
||||
- **表名**：`roles`
|
||||
- **字段描述**：
|
||||
- `id` (int)：主键，角色 ID。
|
||||
- `name` (string)：角色名称。
|
||||
|
||||
### （2）Users 表
|
||||
- **表名**：`users`
|
||||
- **字段描述**：
|
||||
- `id` (int)：主键，用户 ID。
|
||||
- `account` (string)：用户账号。
|
||||
- `password_hash` (string)：用户密码哈希。
|
||||
- `roles` (int)：关联的角色 ID。
|
||||
|
||||
### （3）History 表
|
||||
- **表名**：`history`
|
||||
- **字段描述**：
|
||||
- `id` (int)：主键，历史记录 ID。
|
||||
- `account` (string)：用户账号。
|
||||
- `history` (JSON)：操作历史。
|
||||
- `datetime` (datetime)：操作时间。
|
||||
- `uuid` (string)：操作标识符。
|
||||
|
||||
### （4）LocalKnowledge 表
|
||||
- **表名**：`local_knowledge`
|
||||
- **字段描述**：
|
||||
- `id` (int)：主键，知识库 ID。
|
||||
- `name` (string)：知识库名称。
|
||||
- `files` (JSON)：文件列表。
|
||||
- `create_id` (int)：创建者 ID。
|
||||
- `private_flag` (boolean)：是否为私有。
|
||||
|
||||
### （5）QAKnowledge 表
|
||||
- **表名**：`qa_knowledge`
|
||||
- **字段描述**：
|
||||
- `sys_id` (int)：主键，系统 ID。
|
||||
- `question` (text)：问题内容。
|
||||
- `answer` (LONGTEXT)：答案内容。
|
||||
- `source` (string)：来源。
|
||||
- `qa_name` (string)：问答库名称。
|
||||
- `create_id` (int)：创建者 ID。
|
||||
- `private_flag` (boolean)：是否为私有。
|
||||
- `delete_flag` (boolean)：是否被删除。
|
||||
- `hash` (string)：哈希值。
|
||||
- `raw_text` (text)：原始文本。
|
||||
- `score` (float)：相似度得分。
|
||||
- `answer_type` (string)：回答类型。
|
||||
- `category` (string)：问题分类。
|
||||
|
||||
---
|
||||
|
||||
## 5. 接口之间交互设计
|
||||
### 接口设计文档：
|
||||
#### （1）/upload_qa
|
||||
- 用于上传问答文件，返回处理任务 ID。
|
||||
|
||||
#### （2）/operate_qa
|
||||
- 对问答库进行操作，包括增删改查。
|
||||
|
||||
#### （3）/task_status
|
||||
- 查询上传问答文件的任务状态。
|
||||
|
||||
**系统架构图**：
|
||||
```mermaid
|
||||
graph TD;
|
||||
A[前端] -->|API 请求| B[Flask 应用]
|
||||
B -->|数据库交互| C[MySQL 数据库]
|
||||
B -->|文件处理| D[文件存储]
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 6. 相关代码
|
||||
|
||||
### 1. **核心 Flask 应用文件**
|
||||
- **文件名**：`mainserver.py`
|
||||
- **功能**：处理 API 路由逻辑，包含核心业务流程的实现，包括用户验证、问答逻辑、文件上传处理、异步任务管理等。
|
||||
|
||||
### 2. **数据库模型定义文件**
|
||||
- **文件名**：`db_models.py`
|
||||
- **功能**：定义系统所用的数据库表结构及模型，包括用户表、问答知识库表、历史记录表等。
|
||||
|
||||
### 3. **配置文件**
|
||||
- **文件名**：`config.py`
|
||||
- **功能**：存储系统的全局配置参数，包括数据库连接信息、API 密钥等。
|
||||
|
||||
---
|
||||
|
||||
## 代码清单
|
||||
|
||||
### **主文件：mainserver.py**
|
||||
- 负责处理核心路由和业务逻辑。
|
||||
- 示例代码：
|
||||
```python
|
||||
@app.route("/chat_qa", methods=['POST'])
|
||||
def chat_qa():
|
||||
token = request.headers.get('token')
|
||||
auth_dict = authaccess(token)
|
||||
if auth_dict['code'] != 200:
|
||||
return {"code": auth_dict['code'], "message": auth_dict['msg']}, auth_dict['code']
|
||||
# 核心逻辑省略...
|
||||
```
|
||||
|
||||
### **数据库模型：db_models.py**
|
||||
- 定义所有数据库表结构。
|
||||
- 示例代码：
|
||||
```python
|
||||
class QAKnowledge(db.Model):
|
||||
__tablename__ = 'qa_knowledge'
|
||||
sys_id = db.Column(db.Integer, primary_key=True)
|
||||
question = db.Column(db.Text, comment="问题文本")
|
||||
answer = db.Column(LONGTEXT, comment="答案文本")
|
||||
# 其他字段...
|
||||
```
|
||||
|
||||
### **配置文件：config.py**
|
||||
- 示例配置：
|
||||
```python
|
||||
class Config:
|
||||
SQLALCHEMY_DATABASE_URI = "mysql+pymysql://user:password@localhost/dbname"
|
||||
SECRET_KEY = "your_secret_key"
|
||||
```
|
||||
|
||||
---
|
||||
121
维达未来.md
Normal file
121
维达未来.md
Normal file
@ -0,0 +1,121 @@
|
||||
|
||||
# HR AI 应用场景落地与 HR 大数据及数据分析可行性分析
|
||||
|
||||
## 1. 当前 AI 技术能力与现状
|
||||
|
||||
### **1.1 小维 AI 的当前能力**
|
||||
- **技术基础**：目前使用的是九鑫自研的 LLM（大语言模型），参数规模为 **6B**，在特定业务场景下表现稳定。
|
||||
- **能力对比**：与通用 AI（如 ChatGPT）相比，小维 AI 在通用对话能力上有一定局限性，但具备专注于业务场景应用的优势。
|
||||
- **核心应用**：
|
||||
- **智能问答**：基于 HR 数据库，支持常见 HR 问题的自动化应答。
|
||||
- **文本解析**：能够处理和解析 HR 文档（如政策、规章制度等）。
|
||||
|
||||
### **1.2 技术潜力与挖掘方向**
|
||||
目前小维 AI 具有未被充分利用的潜力，尤其在以下几个方面：
|
||||
1. **情感分析与用户需求把握**：
|
||||
- 在问答过程中，可以通过 NLP 技术识别用户的情绪状态，优化用户体验，提高服务满意度。
|
||||
- 例如，候选人对于 HR 问题的提问情绪分析，可帮助 HR 进行更精准的沟通策略调整。
|
||||
|
||||
2. **简历自动筛查与初步评估**：
|
||||
- 基于 LLM 与规则引擎的结合，对候选人简历进行初步筛查和分类，匹配岗位需求。
|
||||
- 优势：提高招聘效率，减轻 HR 人工筛查的压力。
|
||||
|
||||
3. **场景化任务扩展**：
|
||||
- 除问答场景外，还可以扩展到更复杂的任务，比如**面试问卷自动生成**、**入职流程自动化指引**等。
|
||||
|
||||
---
|
||||
|
||||
## 2. 非 LLM 的 AI 应用场景
|
||||
|
||||
除大语言模型（LLM）外，还有多种可行的 AI 技术在 HR 场景落地中具备实际价值：
|
||||
|
||||
### **2.1 智能推荐系统**
|
||||
- **应用**：
|
||||
- 面向候选人的**职位推荐系统**：根据候选人简历与岗位需求匹配度进行智能推荐。
|
||||
- 面向 HR 的**人才推荐系统**：自动筛选最符合岗位需求的候选人名单。
|
||||
- **技术支持**：结合机器学习算法（如协同过滤、内容推荐、深度学习），实现人岗精准匹配。
|
||||
- **效果**：提升招聘效率，缩短招聘周期。
|
||||
|
||||
### **2.2 HR 数据分析与可视化**
|
||||
- **应用**：
|
||||
- **员工流动性分析**：预测离职率，帮助 HR 提前采取留人策略。
|
||||
- **绩效与培训效果分析**：通过数据分析评估培训的 ROI 和绩效提升效果。
|
||||
- **薪酬与福利优化**：通过大数据分析优化薪酬体系，提升员工满意度。
|
||||
- **技术支持**：结合数据挖掘与 BI（商业智能）工具，提供可视化分析报告。
|
||||
|
||||
### **2.3 面向 HR 的智能助手**
|
||||
- **应用**：
|
||||
- **日常行政自动化**：如自动化会议记录、员工反馈收集与整理。
|
||||
- **智能问卷与调查工具**：自动生成员工满意度调查、入职评估等问卷，并进行结果分析。
|
||||
- **效果**：降低 HR 的事务性工作压力，释放精力用于战略性工作。
|
||||
|
||||
---
|
||||
|
||||
## 3. 专门定制的 AI 应用场景
|
||||
|
||||
根据 HR 的需求，我们还可以提供定制化 AI 解决方案，具体包括：
|
||||
|
||||
### **3.1 招聘流程自动化平台**
|
||||
- 从**职位发布**、**简历筛选**、**面试管理**到**结果评估**的一站式自动化平台。
|
||||
- **优势**：
|
||||
- 提高招聘效率，缩短流程周期。
|
||||
- 通过 AI 技术与数据分析帮助 HR 做出更精准的决策。
|
||||
|
||||
### **3.2 企业文化与员工关怀系统**
|
||||
- 通过情感分析与自然语言处理技术，自动识别员工情绪，优化员工沟通策略。
|
||||
- 提供员工关怀方案，如生日提醒、工作纪念日自动化推送等。
|
||||
|
||||
### **3.3 基于 HR 数据的大数据预测分析**
|
||||
- **员工绩效预测**：通过历史数据和当前表现，预测员工未来的绩效和发展潜力。
|
||||
- **流失风险预警**：基于员工行为数据，预测流失风险并提供应对建议。
|
||||
- **培训效果跟踪与优化**：自动化跟踪培训数据，输出效果评估报告，优化后续培训内容。
|
||||
|
||||
---
|
||||
|
||||
## 4. 系统功能分拆与整合建议
|
||||
|
||||
### **4.1 HR AI 应用场景落地**
|
||||
主要关注 AI 模型在招聘、绩效管理、员工关怀等核心场景中的实际落地与应用，强调技术与业务场景的紧密结合。
|
||||
|
||||
### **4.2 HR 大数据与数据分析**
|
||||
- 专注于数据的采集、清洗、分析和可视化，结合 AI 技术提供数据驱动的决策支持。
|
||||
- **核心模块**：
|
||||
- 数据存储与管理（如 MySQL、数据仓库等）。
|
||||
- 分析与建模（如员工流动分析、绩效预测等）。
|
||||
- 可视化展示（如 Tableau、Power BI 等）。
|
||||
|
||||
### **4.3 合并与分拆建议**
|
||||
- **分开实施**：对于需求明确的企业，可以将 **AI 应用** 与 **大数据分析** 独立实施，分别落地部署。
|
||||
- **整合实施**：对于具备更大数据基础和技术整合需求的企业，可以将 AI 技术与大数据分析融合，实现一体化 HR 智能管理系统。
|
||||
|
||||
---
|
||||
|
||||
## 5. 合作模式建议
|
||||
|
||||
### **5.1 技术咨询与场景共创**
|
||||
- 提供技术咨询服务，帮助维达HR梳理业务需求，定制 AI 应用场景解决方案。
|
||||
- 与维达HR共创特定场景的落地实施，进行持续迭代优化。
|
||||
|
||||
### **5.2 产品定制与部署**
|
||||
- 提供现有产品的定制化开发与二次部署，确保符合维达HR业务需求。
|
||||
- 提供端到端的解决方案，包含需求分析、开发、部署与后续运维支持。
|
||||
|
||||
### **5.3 数据合作与算法优化**
|
||||
- 在大数据合作基础上，优化现有算法，提升模型效果。
|
||||
- 提供数据分析与报告服务，帮助维达HR实现数据驱动的 HR 战略目标。
|
||||
|
||||
---
|
||||
|
||||
## 6. 总结
|
||||
|
||||
本次可行性分析表明，九鑫的小维 AI 具备在 HR 领域进行场景化落地的能力，且潜力巨大。在**问答交互**、**智能推荐**、**情感分析**等领域已有技术基础，同时可以结合大数据分析进一步拓展 HR 战略应用。
|
||||
|
||||
通过分步实施与定制化开发，九鑫可以与维达HR共同挖掘更多 AI 与大数据的应用场景，助力 HR 领域的智能化与数据化转型。
|
||||
|
||||
---
|
||||
|
||||
### 后续步骤
|
||||
1. 详细梳理对方的具体业务需求。
|
||||
2. 提供技术演示与落地方案。
|
||||
3. 探讨项目合作模式与实施路径。
|
||||
|
||||
Loading…
Reference in New Issue
Block a user