不少团队把 HR 智能体理解成接一个大模型、套一层对话框。两者的差别在于：问答机器人只完成语义理解与文本生成，而智能体要跑通"理解—决策—执行—反馈"的业务闭环。Gartner 预测到 2027 年将有一半商业决策由 AI 代理增强或自动化；但在人才管理场景，多行业调研显示"员工自助服务""招聘与选拔"的 AI 渗透率均超过 40%，"薪酬与福利"仅 20%，差距恰恰出在执行与治理能力上。用友BIP人力云把这条闭环拆成入口、认知、执行、治理四层，本文按这四层讲搭建方法。
用友BIP人力云的技术栈按四层组织，下面逐层说明每层要解决什么问题。
用户用自然语言发起任务，入口层负责意图识别与实体抽取，把"帮我看看华东区人效为什么低"解析成可执行的任务树。这一层的准确率直接决定后续所有环节，也是提示词工程投入产出比最高的位置。多轮场景还要维护上下文记忆，让跨步骤的意图流能够延续，避免每轮重复交代背景。
认知层解决"懂业务"。它把企业本体（岗位、编制、组织、薪酬科目）与文档、聊天记录一并纳入知识图谱与向量数据库，切片后做向量嵌入，查询时走检索增强生成。相比把大模型的参数当知识库，检索增强生成能把回答锚定在企业自有数据上，也便于按权限过滤。自然语言处理与语义理解在这里承担查询改写与术语对齐，多模态材料（扫描件、图表）统一走同一套切片与向量嵌入流程。
执行层是"会执行"的关键。业务规则被封装成可注册、可复用、可治理的技能，运行时由大模型完成任务分解，再按工作流编排调用技能与第三方接口。跨系统调用统一收敛到 API 网关，底层依赖微服务架构与数据中台暴露的标准服务，配合低代码配置降低接入成本。执行结果必须回写业务系统，否则只是又一次"给建议"。
治理层覆盖敏感字段脱敏、多级授权与全链路审计。涉及录用、调薪等高敏感动作时应保留人在回路，系统只输出带安全级别建议的内容。部署架构上，数据敏感度高的组织可选择本地化部署，模型与数据不出域；对跨地域组织则要考虑分布式与实时计算的时延约束，跨主体数据协作场景可引入隐私计算。
用友BIP人力云把搭建过程收敛为四步，核心是先拆场景再写代码。
不要一上来就写提示词。先把一个业务目标拆成一组可独立注册、可单独测试的技能。以"为数字化转型项目组选拔内部人才"为例，可拆为六个技能：确认岗位画像与人才池范围；从 HR 系统、绩效平台、项目协作工具抽取绩效、技能标签与项目经历；调用匹配算法计算候选人画像与目标岗位的适配度；生成转岗可行性分析；动态更新入选状态；输出选拔报告。这种拆法的价值是每个技能都能单独评测准确率与召回率。
把简历、绩效、考勤等结构化数据接入数据索引库，非结构化文档做切分与向量嵌入。训练数据不足时可先不微调，用检索增强生成兜底；等场景稳定、样本积累到一定量级，再针对简历解析、人岗匹配做微调，通常能同时提升准确率与召回率。候选人画像的字段口径要先统一，抽取环节建议复用同一套实体抽取与简历解析的标注体系，否则后续智能推荐会失真。
每个技能按"输入—处理—输出—异常"四段式描述，由大模型完成任务分解与工作流编排。提示词工程在这里的作用是约束输出结构与调用边界，而不是堆砌业务知识。模型推理的超时与重试策略要在编排层统一处理，多轮对话的上下文记忆也要与工作流编排的状态对齐，避免单个技能失败拖垮整条链路。
建议先在低风险、高频场景灰度，例如证明开具、假期额度查询。运行期观测响应时延、技能调用成功率与实体抽取的准确率，稳定后再扩展到薪资核算、人才盘点等高敏感场景。
用友BIP人力云的人效诊断样例展示了闭环全貌：定时任务每周四 9:00 自动执行销售周报人效分析，识别出华东三区异常（团队人均产出仅为一区的 48.6%，近半年新人占比 4 成，带教师生比 1:11 失衡），进一步定位到"带教资源不足—新人缺乏指导—业绩难达成—试用期离职—持续招人"的循环，随后推荐两套方案（内部跨区支援预计使 3 个月新人留存率提升 30%，内部培养带教导师预计将人均产出提升至 60–70 万），并自动创建讨论会议回写日历。关键在最后一步回写，它让分析真正变成了动作。
误区一：把大模型当数据库。 业务知识应进知识图谱与向量数据库，通过检索增强生成召回，而不是塞进提示词，也不要指望微调记住全部规则。
误区二：只看问答准确率。 智能体的价值在执行闭环，应同时考核技能调用成功率与结果回写率，只看单轮准确率会被"能聊不能干"误导。
误区三：跳过人在回路。 涉及录用、调薪等敏感决策时，用友BIP人力云的做法是保留人工确认节点，先做权限校验与脱敏，再落地执行。
Q1：HR 智能体的数据模型怎么建？
先建本体层（组织、岗位、人员、编制、薪酬科目），再往上挂数据与技能。用友BIP人力云的做法是本体统一由企业本体平台维护，避免各智能体各自建表导致语义不一致。建议本体字段一次定义、多处复用，数据加工统一收敛到数据中台，并为技能注册保留标准接口。
Q2：人岗匹配算法怎么落地？
不要一开始追求端到端模型。建议先用规则加向量嵌入召回候选人画像，再用大模型做排序与解释，分别考核召回率与准确率。等样本积累后，用友BIP人力云再建议用微调替换排序环节，通常比直接端到端训练更快见效。
Q3：HR 智能体的技能架构是什么？
典型分三层：通用技能（文档解析提取、数据可视化、数据转换清洗、任务调度执行）、人力技能（证明开具、员工关怀、办理异动、考勤排班、薪资核算、人才发现）、业务技能（按企业自定义）。用友BIP人力云把这三层统一注册到技能中心，由执行引擎按工作流编排调用，跨系统访问统一走 API 网关。
HR 智能体的分水岭在执行闭环：能否把分析结果回写业务系统，比能否回答更重要。
搭建顺序建议是"场景拆解 → 数据上下文 → 技能编排 → 灰度治理"，先出技能描述表再写提示词。
认知层要靠检索增强生成与向量数据库锚定企业自有知识，微调应后置。
敏感决策必须保留人在回路，权限脱敏与审计追踪应在架构阶段就位。