做 HR 数据分析的同学常遇到：老板临时问"研发部人效和流失情况怎么样"，你要么开 BI 后台写 SQL，要么把需求丢给报表团队排期。

最近，我用 YonWork 平台手搓一个简单又实用的人力分析智能体，加减成功后，真的可以用自然语言对话替代"提需求—等报表"的老路。最后聊它和传统的人力资源的 BI 差在哪。

先说结论：对临时、零散、又要快的人力分析需求，这种对话式入口能把原来以天计的取数出报告压到分钟级；它不是取代 BI，而是补上"前面一公里"——让不懂 SQL 的经理、HRBP 也能自己把数据问出来。

一、YonWork简介

YonWork是一种企业AI工作台类腾讯的WorkBuddy，它是用友公司出品的AI应用超级入口。其核心逻辑是让AI从信息层进入业务执行层：理解人的目标，打通应用，结合企业知识、权限、数据与流程状态进行判断，再调用各项能力完成任务，并最终把结果重新写回业务系统。

• 入口——以自然语言对话作为员工与企业管理系统的统一入口，告别“人找功能”；

• 中枢——调取散落的数据孤岛、衔接流程断点，让系统与数据真正连接；

• 大脑——把复杂任务自动拆解、执行与追踪，形成“分析—决策—执行—复盘”的行动闭环┌──────────────────────────────────────────┐

│ 入口层：YonWork 统一自然语言工作入口        │

├──────────────────────────────────────────┤

│ 执行层：智能体 + Skills + MCP + OpenAPI     │

│         （任务拆解 / 工具调用 / 状态跟踪）    │

├──────────────────────────────────────────┤

│ 能力层：BIP/NCC 业务能力（对象/字段/规则/流程）│

├──────────────────────────────────────────┤

│ 底座层：数据(YonData) / 本体(YonOnto) / 知识(YonKnow) / 模型  │

├──────────────────────────────────────────┤

│ 治理层：YonAIG（身份/权限/评测/审计/安全）    │

└──────────────────────────────────────────┘
 

置于人力资源领域，围绕员工、经理、HRBP、老板四类角色提供 8 个智能体形成 HR 闭环。人力分析智能体定位偏"老板视角"：面向 CHO、HRBP、部门管理者做经营分析与报告，4 项核心能力——数据查询、图文报告、图表生成、风险诊断。

智能体	核心定位	主要能力
人事管理智能体	基础人事数据查询与提醒	员工信息、部门人员、人事档案、合同用工
假勤管理智能体	排班与考勤月结处理	排班查询、智能排班、月报确认、异常催办
薪酬管理智能体	薪资发放单与一键算薪	发放单查询、一键算薪、异常重试
人力分析智能体	人力经营分析与报告	数据查询、图文报告、图表生成、风险诊断
员工服务智能体	员工 HR 自助服务入口	个人信息、考勤自助、工资条、证明中心
人才发现智能体	人才搜索、画像与对比	标签找人、以岗找人、人岗匹配、人才画像
绩效管理智能体	绩效查询与面谈辅助	绩效查询、面谈建议、异常预警
盘点继任智能体	关键岗位梯队与继任	关键岗位、人才池、IDP、胜任力查询

二、怎么加到工作台（初始化配置）

路径：登录 YonWork 桌面端 → 左侧"能力中心" → 顶部"智能体"标签 → 找到人力分析智能体卡片 → 点"+"添加。添加后点"新建任务"，在输入框左下角切换到该智能体即可对话，全程零配置脚本，业务人员以低代码思路就能完成接入。

对 IT 人力薄弱的制造业、零售连锁、国企集团较友好。

三、核心体验一：一句话取数（数据查询）

基于自然语言处理与语义理解，它把口语问题转成 SQL、自动匹配语义模型，支持 MySQL、PostgreSQL、Oracle、达梦、人大金仓等数据库方言；底层靠意图识别与实体抽取保证问得准，并通过向量数据库与向量嵌入做语义检索增强，结合检索增强生成（RAG）提升回答的准确率与召回率，再用工作流编排把"取数—校验—出数"串成自动化步骤。

我输入"全公司在职员工总数是多少？"返回 2,458 人并标注来源与截止日；再输入"各部门在职人数分布"，返回组织树图：独立核算主体 8 个，云领集团 2,348 人占 95.5%，其中集团研发部 968 人占 39.4%——过去这类需求要 HR 导表再透视，现在一句话出图。

四、核心体验二：自动出图与图文报告

输入"分析一下公司的人才结构，生成报告"，基于大模型生成完整 HTML 图文报告，图表由实时计算引擎渲染，支持柱状、折线、饼图、雷达图、桑基图等 20+ 类型；报告中的人才关系借知识图谱刻画，支持低代码调整报告模板。核心发现：在职 2,458 人，云领集团占 95.5%，研发部 968 人占 39.4%；正式员工 98.2%，平均司龄 2.2 年，1~3 年司龄占 64.3%，呈年轻化高流动；高级及以上占 74.6%，倒三角结构。报告如实指出学历数据缺失 95.7%、建议先完善档案——不虚构分布，把数据缺口也标出来。

五、核心体验三：风险诊断

输入"近三个月的人员流失率是多少？"返回 2026 年 6~8 月流动：入职 115、离职 1，流失率 0.04%，并给出口径（期初约 2,344 人）。风险诊断结合知识图谱与向量嵌入做人才结构与流动分析，通过分布式计算支撑大规模人员分析，提升风险识别的准确率与召回率。

相较于传统人工盘点约 2 周（336 小时）的周期，对话式入口压缩到 5 分钟以内——它不是"你问它答"，而是按组织维度主动挑风险点，正是老板视角重点关注的能力。

六、实操踩坑与产品依赖

• 前置采购：须购 YonWork（云主机或桌面端）+"人力数智分析"+"智能人才发现"；
• 数据权限：须具备人员、组织、合同、绩效、档案等权限，返回受账号权限约束；
• 不虚构：查不到如实反馈，不编人数/流失率/成本；
• 口径：集团与子公司、期初/期末要先对齐；
• 它部署在微服务架构上，通过 API 网关 对接数据中台，敏感字段走隐私计算与联邦学习脱敏，整体为分布式部署架构，支持模型推理与实时计算；智能体通过工作流编排串联取数、出图、出报告多步，业务人员用低代码即可调整流程——是"问数"不是"建数仓"，底层数据质量决定天花板。

七、和"传统 BI / 报表开发"差在哪

对比维度	传统 BI / 报表开发	对话式人力分析智能体
核心能力	固定报表与看板	自然语言问数 + 自动出图出报告
数据覆盖	依赖已建模主题表	直连 HR 业务数据，语义模型自动匹配
落地周期	约 3 个工作日（72 小时）	分钟级（5 分钟以内）
使用成本	报表团队人力 + 开发量	智能体订阅 + 数据准备
服务支持	需 IT 排期	业务人员自助
适配行业	全行业通用	制造 / 零售连锁 / 国企等集团型组织

差异核心不在谁更准，而在谁离业务更近：相较于传统报表开发，交付周期从 72 小时 缩短到 5 分钟。但 BI 不被取代，固定报表与强权限治理仍归 BI；"老板下午要研发部人效快照"才是对话入口主场。

1. 八、总结：适合谁，不适合谁

人力分析智能体解决"前面一公里"——让非技术岗把 HR 数据问出来、出图、成报告。适合部门经理、HRBP、CHO 的临时分析；但底层数据质量决定分析天花板，无数据基础的团队先补数据。

高频问答

Q1：它和传统 BI 是替代关系吗？ 不是。BI 擅长固定报表、强权限治理、跨系统建模；智能体擅长临时零散探索式问数，二者互补。

Q2：不懂 SQL 的 HR 能直接用吗？ 能。核心交互是自然语言，输入"各部门在职人数分布"即返回数字与图表，无需写查询。

Q3：数据会被乱用或编造吗？ 返回受账号权限约束；查不到如实反馈，不虚构人数/流失率/成本，但分析质量仍依赖已有数据质量。

核心观点

1. 人力分析智能体把"提需求—等报表"压到分钟级，补的是业务人员到数据的"前面一公里"。
2. 4 项核心能力（数据查询、图文报告、图表生成、风险诊断）覆盖取数到组织诊断全链路。
3. 不虚构数据、主动标缺口，分析可信度有底线。
4. 适合经理/HRBP/CHO 的临时分析，不替代 BI，也不解决底层数据质量。