智能问数 · 政策问答 · 智能报告 · 辅助决策 · 数字员工
提示词工程 · RAG 检索增强 · 上下文工程 · 模型微调 · Agent 编排
CNN / RNN / LSTM · Transformer / BERT · LLM · PyTorch · Ollama / vLLM
ETL 与调度 · 离线计算 · 数据仓库 · 数据中台 · BI 与可视化
Spring Cloud Alibaba · Docker · Kubernetes · 微服务治理 · CI/CD 流水线
流程架构梳理 · 业务对象建模 · 数字化转型一张图
Nacos 注册/配置中心、Sentinel 流控熔断、Seata 分布式事务、Gateway 网关
微服务基础框架，约定优于配置，快速构建生产级应用
异步消息中间件，解耦服务、削峰填谷
容器化标准，一次构建，到处运行
容器编排引擎，自动化部署、扩缩容、滚动更新
K8s 应用包管理，标准化部署模板
代码管理与 CI/CD 流水线引擎
自动化构建与持续集成引擎
时序监控数据采集与告警
可视化监控仪表盘，保障服务可观测性
实时变更数据捕获，毫秒级感知源端数据变化
阿里开源离线批量数据同步工具
调度引擎，定时编排 ETL 任务
基于 Hadoop 的数据仓库，面向批量 SQL 分析
大规模分布式计算引擎，T+1 批量分析
流批一体计算引擎，秒级实时流数据
OLAP 分析引擎，高并发多维分析
统一数据资产管理，避免烟囱式重复建设
统一组织、人员、物料等核心数据标准
完整性、一致性、准确性、及时性四维校验
追踪数据全链路，支撑影响分析
| 算法 | 类型 | 适用场景 |
|---|---|---|
| CNN | 卷积神经网络 | 图像识别、缺陷检测、OCR 文字识别 |
| RNN | 循环神经网络 | 时序数据、语音识别（已逐步被 Transformer 替代） |
| LSTM | 长短期记忆网络 | 长序列建模、设备故障预测、工时预测 |
| Transformer | 自注意力架构 | 当前 AI 核心架构，NLP / 多模态 / 代码生成 |
| BERT | 双向编码器 | 文本分类、语义理解、命名实体识别 |
| GPT 系列 | 自回归解码器 | 文本生成、对话、代码生成、推理 |
最主流的深度学习框架，学术界和工业界首选
本地化大模型运行，一键部署 Llama / Qwen / DeepSeek
高性能推理引擎，PagedAttention 大幅提升吞吐
GPT-4 / GPT-4o 商业大模型，对话推理多模态标杆
模型仓库与工具链生态，Transformers / PEFT
| 概念 | 一句话解释 |
|---|---|
| Token 化 | 将文本拆分为模型能理解的最小单元（字/词/子词），是所有 NLP 任务的第一步 |
| Embedding | 将 Token 映射为高维向量，语义相近的词向量距离近 |
| Encoder | 编码器，将输入压缩为语义表示（理解输入）；BERT 是典型 Encoder |
| Decoder | 解码器，基于语义表示逐步生成输出；GPT 是典型 Decoder |
| 向量化 | 将非结构化数据转换为数值向量，是检索和相似度计算的基础 |
| 张量 Tensor | 多维数组，深度学习数据流转的基本单位（标量→向量→矩阵→张量） |
| 梯度下降 | 模型训练核心算法——沿"损失最快减小"方向更新参数 |
| 损失函数 Loss | 衡量预测值与真实值差距，训练目标是最小化它 |
| 注意力机制 | 让模型"关注"输入中最重要的部分，Transformer 的核心创新 |
| 幻觉 Hallucination | 模型生成看似合理但不存在的信息，LLM 应用中必须解决的问题 |
设定 AI 的角色、行为边界和输出格式
通过给出示例引导模型输出
让模型分步思考，提升复杂推理准确率
约束输出 JSON / 表格，便于程序解析
先检索相关知识，再基于检索结果生成回答
Milvus / Chroma / FAISS，语义相似度检索
按语义切分长文档，独立向量化
引入知识图谱，增强实体关系推理
对检索结果二次排序，提升上下文质量
模型单次能处理的最大 Token 数量
摘要或筛选，在有限窗口内塞入最有价值的信息
短期记忆 + 长期记忆，让 AI 具备"记住"的能力
实时拼装 Prompt + 检索结果 + 历史对话
更新全部参数，效果好但成本高
低秩适配，只训练少量参数，大幅降低成本
用"问答对"数据训练模型
基于人类反馈，让输出更符合预期
具备感知、推理、行动能力，自主调用工具完成任务
调用外部 API、数据库、代码执行器
多个 Agent 协作，各司其职
按流程串联 Agent，形成自动化业务流
自然语言查询结构化数据，用"说人话"的方式获取经营指标与统计报表
基于 RAG 的企业知识库问答，覆盖制度、流程、通知等非结构化文档
自动生成经营分析报告、人才盘点报告、项目周报等，数据驱动内容生成
基于数据分析与模型预测，为管理者提供招聘预测、离职预警、编制优化等决策建议
7×24 小时在线的智能体，自主完成数据录入、流程审批、通知推送等重复性工作
员工随时查询公司制度、政策解读，RAG + 知识库驱动，秒级响应
自动解析通知公告，回答"什么时候放假""报销标准是多少"等高频问题
"在岗人数多少""离职率趋势"——自然语言直达数据，无需等报表
对简历、培训记录、绩效评语等文本自动提取关键标签，辅助人才画像建设
| 关键问题 | 说明 | 解决方向 |
|---|---|---|
| 私有化数据理解 | 让模型理解公司内部数据、制度和业务术语 | RAG 检索增强、企业知识库、本体论建模 |
| 降低幻觉 | 减少 AI 编造不存在的信息，确保输出可信 | 知识溯源、置信度评估、人工审核闭环 |
| 实时数据接入 | 突破预训练的时间限制，让模型了解最新数据 | 实时数据管道、动态知识更新、Tool Use |
| 层级 | 说明 | 示例 |
|---|---|---|
| 一级流程域 | 企业价值链的核心环节 | 研发、采购、制造、销售、HR、财务 |
| 二级流程组 | 每个环节下的主要流程 | HR → 招聘管理、薪酬管理、绩效管理 |
| 三级流程活动 | 具体可执行的操作步骤 | 招聘管理 → 需求提报 → 简历筛选 → 面试安排 |
| 数字化触点 | 流程中可被系统承载的关键节点 | 简历筛选 → AI 智能筛选 |