一、生成式大模型的应用

最早的时候，是想从他的能力上来做准备，比如能给我们这个行业和公司带来哪些能力。从能力上开始找应用场景，比如在搜索领域做多人对话特别困难，就是因为用户的多人对话交互，所以第一次都会不准确，于是想在场景中能不能用它来做多轮操作，再比如说它的 ANRP 能力相对来说比较出众，那我们能在一些应用中用它来做 NRP 能力提权，这是第二个想法。

再比如说他有一些领域知识，那是不是能用他的领域知识来弥补他的一些应用。比如说计算模型加 rug 是一个部署很快的应用场景，在内部信息系统中能不能使用它来做一些快速部署的实践呢？所以大部分都是按着这个规律进行的。

所以呢我们就开始从沿着它的应用重新找，就比如说哪里在应用中需要做多人沟通的。那可不可以用它？那比如说哪些场景中是 NRP 是比较必须的，能不能用它，在什么地方需要知识库的。所以我们内部开始沿着两条路往前进，一条路叫内部提效、第二条路叫产品应用。但是什么样的应用能用，什么样的应用不能用？这里面当时想的有一个原则，就是因为很多人都会尝试用测试模型做一些技术和一些场景上的开发，那该怎么来把握，说什么能上线，什么不能上线，定了三个原则：

第一个叫效果，效果能达到预期，如果说它效果不达到预期的话，其实跑不正的。

第二个是 ROI 为正。因为对于一个应偏应用型的场景来说的话，那 ROI 跑不正，那对企业来说是个负担。

第三个是监管，监管合规当然了，随着事件的发展，我们逐渐的把中间一条规则删掉了，因为云的降价实在太快了，我们也没想到今年计算模型的 token 会降的这么快，所以第二条规则已经在我们内部把它删掉了。

二、大模型标注准确率接近人工

第一个就内部提倡，最简单的用它来做标注，我们无论是 C 端还是 B 端的大量文本和稿件，都是用它来做标注的。从内部使用上来说的话，它比较接近人，这是我们实际上来跟他来跑 TOB 和 TOC 的和标准的误差。标准的误差就是真人来做一个标准集，然后看他怎么样。它的误差都在一个可控范围内。第二，还有一点是实际上它的标注结果是比外包要好的，因为外包很有可能是跑不过标准级的，这是我们自己的第一个内部跑通的场景。

第二个，是后来发现有一个问题，就是这里有很多很多的销前线销售，他会问后线后台很多的问题，比如说这个产品怎么卖，这个应用怎么用，然后每天都会跟产业团队打电话说你能跟我说解决一个问题吗？那这么复杂的问题，这么频繁的工作量能不能让机器来帮我们做吗？所以第二个是内部，它的用 R 加上这个模型，做了一个应用，尝试让他来回答我们一线的销售问题，这个是利用了大模型，它的 NRP 能力和和比较快速的部署。

这个很快就能上线了，而且逐渐的把我们的人工从实际上的工作中解放了出来。然后第三件事情来了，既然说它在里面能力强，那是不是能够用它来做一些其他的分析呢？这边是一个以电销为主的。公司那他每天有几十万通电话对外呼出去，我们是不是能把电话的分析做一些处理,首先，我们开始用它来做电话分析，把所有的语音全部转成文字，让它来识别，做以下几件事：

第一个，客户意向是不是准确。

第二个，销售在执行动作的时候，它的 SOP 是不是达到了相关的要求。

第三个，他销售和相关的客户之间沟通是不是存在意义和分析。

这件事情是我们从今年的 q1开始算的，大概跑完做完开发之后在全国选了六个城市，然后由 AB 两组做盲测实验。也就是说实际上销售并不知道自己的语音是被模型做分析的，然后跑完了大概四个月之后，那盲测的 a 组实验是明显的好原因， B 组的那标准就是说它的转化率能提升很多，然后把它上线了。这个已经目前在公司内广泛的使用，所有的电话都会被这样做处理，然后同样的它也会影响到我们对销售的考核和执行执行力度，因为这样做完分析之后，就能知道哪一组销售他需要做提升，哪一组并不需要。通过做处理来提升整个公司的转化率。

三、大模型的应用效果

应用中我们做了哪些呢？我们会用它来做一些抽取。抽取大家用计算模型做的很常见的一个动作，在招聘领域也是，比如说你写的简历很复杂，但是对于用户来说，理解起来会很困难，那能不能用一句很精准的话来表明它到底好和不好在什么地方。

所以我们开始做了，出去就一句话做总结，这个用户的反馈也会比较好。再比如说我们，我们会给他给使用者来做一些简洁的优化，因为每个人写自己的 CV 的时候还是会有困难的，特别是学生对于学生来说，写自己的 CV 尤其的困难，因为他没有经历过职场的磨练，也不知道该如何操作把自己好的一面展现给 HR ，所以这里使用大模型来做他的导师给他训练，如何优化自己的 CV ，让其有更好的表现。然后再比如说我们怎么利用多轮，因为无论对于招聘方还是求职方来说，用一句话和一篇文字来表明自己的寓意的诉求，都是一个很困难的事情。中国人说话言简意赅，但实际上言简意赅非常难达到。

所以很有可能都会用多轮的交互来做沟通，比如说我想招一个什么样的求职者。往往第一次的要求并不难表达自己的看法，之后需要进行修改，但修改后的结果自己不是很满意所以这一点上利用大模型来做多轮会比较好的，能达到实际上的效果，这个也是利用它的基座模型的能力去做的，我们用它来做多轮的修正来达到校正用户的真实表达的目的。

四、大模型重塑招聘生态，面向未来赋能职场

但是随着企业的发展，可能会发现把事情理解复杂了。因为最初的一个阶段，我们是拿着他的能力找他的应用，也就是他能干什么活，我们去找他有什么应用的场景，但是这个事情可能应该比这个简单。因为就把它当成一个人用就行，人能干什么，那它就具备干什么的能力，只是他的能力没有达到的时候，他做这个事情做的可能不好。

当他的能力提升的时候，这个事也许就能做。那比如人能做什么事呢？人能做的事当中有没有比较简单，低技能，而且工作量重复量也比较大的事情呢？我们开始慢慢沿着这个思路去想，我们在什么地方能够使用生成式模型，比如企业做客服，有大量的客服工作，说每天都在回答C 和 B 的问题，那这里是不是能用大模型来代替？比如有这么多企业，每家企业可能要招很多的人，有些企业甚至招人是批量性招聘的，比如说富士康有可能招一人就是几万的招。

然后比亚迪这样的企业也是几万招人，那他的 HR 要做很多的重复工作，他同样的职位跟投资者沟通同样的问题，很有可能这些问题他一天要说几百遍。再比如，大家如果参加过校招的时候特别有感触，你跟校招求职者的问的问题和校招回答他的问题，很有可能在你参加校招的过程中，这几天或者十几天内都完全一样。那这样的工作能不能逐渐的让人少参与在其中，而是让大模型去做呢？所以我们的思路变成说能不能让它代替人，就比如说客服这个在内部，我们已经完全跑通并且上线，上线完成效果不错。上线后能比较大规模的代替实际一线的客服的工作量，而且他的无论朝辉还还是独立接待能力都还比较高，一些不能被他召回和或者不能被他接待的问题，我们再留给一部分的人工。这个是一个比较好的解决方法。

这样当然带来很多好的效果，就是人工的成本会比较大的降低。再比如说我们开始给我们的客户让他用AI 来给他做全托管。比如说，我们让他来托管他招聘的之类的问题。无论是求职者问他的还是他可能会问求职者的。不仅仅包括了低技能的问题也包括专业技能的问题，甚至在专业技能问题上， AI 的效果是比人还要好的，因为一般的 HR 对专业技能问题的回答率是偏低的。HR 都不知道怎么回答 java 的问题。但是 AI 能做到，他跟求职者的沟通有可能走的会比较深入。

这样对资源方的了解和沟通可能会更高，从这两个领域我们也做了一些内部对比，其实它的无论发起回复和到面的指标在目前的实践过程中都比人要开始逐渐跑高。用它做面试。可以用大模型推动桌面，只要把基座的模型库关给他，就能回答很多的问题，而且还有你还可以让他去问很多问题，沟通和交互也没有任何的问题。就是我们经常也在跑动的逐渐深入，我们能把越来越多的人，从低质的和无效的沟通工作、价值比较低的工作慢慢抽出来，让他们做更有价值的工作。

随着他的工作越来越多，我们逐渐把他的工作量提升一些，也就是智联刚刚在今年的北京服装会上发布的一个应用，就是可以让支持我们的企业，把他的整个招聘行为全部托管给平台，也就是从他的发布职位。到他筛选简历，让他匹配候选人，包括回答候选人的问题，以及询问候选的问题，再比如说他到预约面试，甚至是面试本身，怎么把它变成了 AI 招聘助手。从实际目前跑的效果的公关客户来看，大家对它的认可度还可以。

它确实能大量的节省招聘企业的人力的开销，而且他还能解决另外一个我们提前没有想过的问题，因为实际招聘过程中，我们会出现一个困难，就是求职的人和要招聘的人，他不可能24小时都在线。当你想询问问题的时候，企业没有人回答你，当你想问那个求职者的时候，他可能也不在线。你往往在两个人在时空上是出现错配的，但是如果用 AI 的话，相对来说，它会能比较容易的实现时空上同时在线，这样使得招聘的效率也会变高，然后求职者的快速承担的可能性也会变得更大。以后大家在招人的工作中可能要比之前更简单，只要简单的填一些需求，然AI 就能帮你完成你所要的所有的工作，包括发放职位，筛选人才，以及跟他聊天。以上是分享我们在 AI 上的一些应用，没有讲特别多的技术，主要是想给大家提供一些场景上的开拓思维，我个人认为是大模型正在重塑的很多行业，招聘行业本身也是一个被重塑的行业。希望能够借助大模型的越来越多的深入，能够将其重新改写网页，然后赋能我们更多的职场。