AI 知识库： 电力行业智能转型的新底 座 —— 将电力企业私域知识转化为生产力 01 行业洞察： 电力 AI 转型的三大挑战 02 解决方案： AI 知识库打造转型新底座 03 应用实践： 360AI + 电力典型应用场 景 04 未来展望：多方协同共建未来电网 CONTENTS 技术引擎： 成本归零 ， 引爆应用创新 成本归零：模型更强 ，且训练和推理效率持续提升 应用层面： 从点到面规模化应用的阻 碍 360AI 企业知识库： 连接沉睡的数据孤岛 ， 通往智能应用的未来 AI 辅助源荷预测 AI 辅助智能运营 外部知识内部化 隐性知识显性化 AI For 360AI Knowledge 企业知识库 汇聚电力企业全域数据 ，打造统一 AI 工作空 间 模型安全、 应用安 全） 高质量知识 支撑高质量 AI 应 用 Knowledge For Agents 电企 数据 智能 场景 显性知识有序化 AI 辅助设备维修 通过智能体 提升知识质量 360 知识管理大模型 通义千问 · · · · · · 知识智能 MCP 服务 知识问答 MCP

智能应用企业端和个人端双爆发，市场空间巨大 2.1 智能应用双端爆发，孕育万亿市场空间 2.2 智能体在 B 端和 C 端加速落地 2.3 央国企正成为应用智能化的主力军，领跑多个场景落地 2.4 智能研发、运维、知识管理，企业智能化落地三大高价值场景 3 智能应用的形态和核心特征 3.1 基于大语言模型的智能体（Agent）预计成为智能化应用的主流形态 3.1.1 大模型能力的突破性提升，为 Agent 提供智能化基座 3 社区平台基于华为云打造训推一体化平台 6.4 CodeGenie: 聚焦鸿蒙应用开发场景的智能化研发助手 6.5 华为智驾 AI 算力平台，保障智驾业务 6.6 新疆某油田基于大模型构建统一知识库 6.7 云原生技术赋能香港智慧医疗，构建高效服务新生态 6.8 软通动力携手同济大学打造云原生本研一体化教务系统 7 凝聚产业力量，共建产业联盟， 共促软件产业新发展，加速数字中国建设 重塑“以客户为中心”的价值链 涌现“需求即服务”的应用创新范式 算法 算力 数据 安全 人工智能驱动 数字基础设施 数据联接价值 软硬系统自主化 深度学习、强化学习 自然语言处理等 模型库、案例库、知识库 工具库、大型开源平台等 数据融合、数据分析 数据应用等 应用产品安全、供应链安全 （应用开发、运行、运维） 数字 应用生态 硬件开发 数据共享 系统互通 软件开源 软硬系统自主化

1.2 医疗健康大模型概述 医疗健康大模型是一种结合了大语言模型的强大交互能力和海量的医疗专业知识的智能系统， 专 门用 于解决 医疗和健康领域中的各 种 问题。 这些 智能利用海量专业医疗 文献 和问诊数据进行 训练了 基座大模型， 外接了专业的医疗相关知识库用于补充推理时的知识依据， 涵盖了包括疾病诊断、个 性化治疗、药物发现、医学影像分析等诸多方面。 05 PAGE 概述 得益于多年以来的医疗数字化的数据积累，这些大模型拥有全面的医学知识覆 盖，通过不断整合和 学习最新的医疗知识，模型涵盖了从基础医学、临床医学到公共卫生等各个领 域。无论是疾病的病 理机制、药物的作用机理，还是最新的治疗指南，模型都能提供详尽的信息。 其次通过达模型强大 的自然语言处理和 医疗资源覆盖到偏远地区， 使更多患者受益， 大模型的出现让这 一 医疗健康数字化转型的步伐迈得 更稳更有力。 首先， 医疗健康大模型在疾病诊断方面展示了巨大的潜力。传统的疾病诊断往往依赖于医生的经 验 和医学 知识 ， 但诊断的 准确 性和效 率可 能 受 限于 医 生 的 熟 练 程 度 和 当 前 的工作 负荷 。通 过 大模型 的应用， 可以利用海量的医疗数据进行深层次的信息挖掘， 快速准确地识别疾病的早期症状，

成科技将始终与您同在，携手开 启人力资本数字化新时代！” 本专栏内容由 HR 图灵学院出品，HR 图灵学院是 e 成科技打造的 HR 领域第 一 AI 专栏，希望以此为窗口，向 HR 传达专业的 AI 知识与信息，赋予人力资 本领域变革力量，以 AI 为钥，携手 HR 开启数字化变革之门！在这里，HR 们可以得到前沿技术思考、行业技术干货、全球 AI 好物、HR+AI 创新应用等。 目录 第一部分 | 目录 2 第一部分 | 场景：人岗匹配 内容： 让 AI 技术提升人岗匹配效果，我们做了这些探索 解锁这项 AI 黑科技，马上实现人岗匹配自由 AI 黑科技： Embedding、知识图谱（KG）方法、自然语言处理（NLP）、非线性树模型、deep 模型、 BERT、 Word2Vec 模型等 本期和大家讨论下 “人岗匹配排序的探索与实践”。从人力资源管理的发展来看，人岗匹配大致 让AI技术提升人岗匹配效果，我们做了这些探索 3 第一部分 | 那么，实现 AI 人岗匹配背后的依据和逻辑又是什么呢？ e 成科技基于前沿的自然语言处理技术 和深度学习模型，并结合大量数据和知识图谱，通过不断探索和反复实践，形成一套高效的人 岗匹配推荐算法系统，下面院长将详细为大家介绍这套系统及其背后的逻辑。 在人岗匹配的任务中存在 HR、职位（JD）、简历（CV）三种实体，人岗推荐系统中由

大模型 LanBots 智能 搜索 智能 问答 指令 执行 智能 推荐 智能 问数 消息 推送 行为 分析 升级1个基座：门户超级入口+AI知识库 智能 预警 智能 入库 智能 分类 智能 标签 智能 摘要 智能 写作 知识 图谱 智能 查重 … AI公文管理 智能 拟稿 敏感 词检 测 智能 阅读 智能 查重 智能 对比 智能 核稿 智能 排版 智能 通过智能引擎、内容引擎、数据引擎等中台能力，构建一体化数智化能力， 快速响应业务需求，并引入AI全面赋能，避免重构企业原有IT系统、避免技 术孤岛&数据知识孤岛的产生。 极简部署，持续快速迭代 • AI基于RAG（搜索增强）实现，无需训练模型，新增知识10分钟后即可同 步AI（可搜/问），并配合蓝凌21天标准上线实施计划，实现AI快速落地。 再根据应用效果及业务需求快速迭代构建新业务场景，满足业务发展。 从“通用AI应用”到“业务场景赋能”，提升业务价值 • 可根据企业内部的实际应用场景，IT能力和知识准备度，配置基于场景的多 主题、多场景的机器人，让企业不仅拥有AI能力，还能持续深度地将AI赋能 到业务运营中，帮助企业增效降本、创造价值。 24年行业深耕，知识管理&AI专业领先 • 蓝凌作为知识管理布道者，《知识管理国家标准》参编单位，MIKE奖联合 主办方，拥有丰富的理论技术研究和实践经验，可为客户AI场景落地，提供

式中塑造自身核心竞争力。这是时代赋予我们的使命，也是实现“中国建造2035”的必由之路。 —— 国家数字建造技术创新中心首席科学家、华中科技大学教授 丁烈云 推动AI在建筑企业的落地，核心在于实现建筑行业复杂知识的结构化表达和智能化重构。建 筑工程大模型的构建，正在通过多模态数据融合与对齐技术，打通文本、工程图表、BIM模型等 多模态数据之间的壁垒，提升大模型对建筑行业语义的识别、理解与生成能力。基于混合专家大 最小投入快速构建具备实 用价值的专业化大模型，从而实现从数据中自动提炼知识，并科学赋能企业决策。 —— 清华大学教授 马智亮 建筑企业的AI转型之路，要立足行业实践逻辑，同时要具备超越当前范式的战略眼光。建筑 活动具有空间构型的复杂性、施工环境的动态性以及多专业之间的强耦合特性，这决定了AI在这 个领域的落地必须经历知识结构的深度嵌合与组织流程的适应性重构。AI不应仅被视为辅助工 具，更应 入业务核心，AI才可能真正参与工程价值创造。在未来，具备知识沉淀、模型驱动与自我调优能 力的企业，将形成稳定智能能力体系，进而拥有更强的工程整合力、风险控制力与利润提升力。 —— 全国工程勘察设计大师 谢卫 推动AI在建筑企业落地，首要挑战不是技术可行性，而是行业知识的结构化表达。建筑活动 本质上是一种跨学科、高耦合、高变异的复杂系统管理过程。只有将专业知识系统化表达为可识 别、可推理的数据模型，AI

登陆火星、 “嫦娥号”月背探秘，一项项新时代的重大工程，其规模之宏大、系统之复杂、 学科交叉之深度，都远超以往。这些超级工程早已不是单一学科知识的线性延伸， 而是需要融合材料、信息、控制、能源、生命等多学科知识的庞大异构系统。如 何实现跨领域知识的高效整合与涌现创新，如何应对极端工况与未知环境下的动 态不确定性，如何确保超大规模系统在全生命周期中的极致安全、高效与可持续， 这些时代之问 究者和从业者提供一套系统的认知框架与实践参考，更希望能吸引更多有志之士 加入进来，共同破解难题、凝聚共识。 工程智能是新质生产力的重要载体，是教育强国、科技强国建设的关键支撑。 作为同济人，我们始终坚信，大学不仅是知识创新的高地，更应是服务国家战略 的前沿。我们愿以这份研究成果为纽带，与学界同仁、行业伙伴、青年学子一道， 以开放包容的心态、求真务实的作风，探索工程智能发展的新路径、新可能。 期待更多人能读懂 专家，便可利用工程智能平台提供的工具，像使用 CAD 或 MATLAB 一样，快速、高效地解决领域内的核心问题，从而激发源源不断的 内生创新动力。  人才培养的规模化：打破 AI 与工程之间的知识壁垒，培养兼具两方面素养 的复合型“新工科”人才。工程智能平台本身就是最佳的教学与实践环境， 它将加速新一代工程师的成长，为产业的未来储备核心力量。  产业落地的规模化：确保 AI 解决方案不仅在技术上可行，更能在商业上成

主要包括项目综合管理标准、人力资源管理标准、基础资源管理 标准、采购和合同管理标准、进度管理标准、财务管理标准、变更管 理标准、质量管理标准、风险机遇问题管理标准、沟通汇报宣传管理 标准、交付应用管理标准、文件资料数据和知识管理标准等。 （1）项目综合管理标准 项目综合管理标准用于指导开展项目策划、范围管理、收益（效 益）管理、利益相关方管理，以及项目业务集成管理和协同组织、项 目重大节点管理、项目激励和约束管理等，涉及确定、监控、维持等 确定、协助实施、回访等，涉及相应的活动流程、准则、方法和工具。 具有行业特色的或领域专有的，宜纳入“D 行业应用标准”。 （12） 文件资料数据和知识管理标准 文件资料数据和知识管理标准用于指导项目文件资料的识别确 定、存储、检索，以及项目经验总结、知识传播等，涉及相应的活动 流程、准则、方法和工具。具有行业特色的或领域专有的，宜纳入“D 行业应用标准”。 （四）项目评价与改进标准 21504: 2015 9 项目管理 术语 GB/T 23691-2009 10 项目管理 框架 GB/Z 23692-2009 11 项目管理 知识领域 GB/Z 23693-2009 12 项目、项目群和项目组合管理 背景与概念 20230974-T-469 13 项目成本管理指南 20230997-T-469

的思考路径：从问题解析、知识调用到逻辑推演的全过程透明可见。这种 " 白盒化 " 设 计不仅使技术专家能够验证算法可靠性，更让业务管理者直观理解结论生成逻辑进行判断，有效解决了传统 AI 决策中 " 知其然不知其所以然 " 的信任困境。在金融风控、医疗诊断等关键领域，这种可解释性显著提升了AI 决策的采纳率。 其次，DeepSeek 的私有化部署架构重塑了企业知识安全边界。从安全性考量使用者并不愿意尝试将自有知识 者并不愿意尝试将自有知识 上传至大模型，基于此 DeepSeek 创新打造的本地化部署方案，通过企业级私有云架构和动态加密技术，使客 户能够在完全自主的数据环境中构建专属智能体。该方案实现三大突破：1）物理隔离的数据处理环境，确保核 心知识资产永不外流；2）支持企业知识库的增量训练与动态优化，形成持续进化的专属认知体系；3）提供军事 级安全防护，通过多层级访问控制与审计溯源，满足金融、政务等敏感行业的合规要求。这种 “MoE" 模式，iBuilder 的底层是多家主流通用大模型，也包含 易路自己的 HR 行业大模型，面对企业人力资源不同业务场景的应用，是调用外部知识库还是自有知识库又或 者第三方平台信息，均由底层模型按照最优选择决定，实现企业自有知识、外部知识的灵活运用。 DeepSeek 通过透明化推理机制、私有化部署架构和 MoE 技术，为企业提供了高度可信、安全可靠且成本优化 的智能化解决方案。这些优势不仅解决了传统