钉钉 AI：HR 怎么用？入离职与常见问答

HR 每天被追问的问题高度重复：年假还剩几天、报销走到哪一步、离职要交哪些东西。答案其实都写在制度里，难的是让每个人在需要的时候自己找到。钉钉里的 AI 问答能接下这一层，前提是先把制度整理成它读得懂、也敢引用的形式。

先按问题类型分诊，再决定谁答

把员工的问题一股脑丢给 AI，结果一定是两头不讨好：该查规则的它答得啰嗦，该判个案的它答错了要人收拾。先分类，再分配，才谈得上省时间。

这张表的用处是给转人工设一条明线。员工知道什么情况会转到人，就不会因为答不上来而觉得被敷衍；HR 也知道自己接到的都是什么量级的问题。

入离职做成清单，不做成文档

入职材料、权限开通、培训安排、试用期节点，这四组事分散在四个人的脑子里，最容易漏。做成清单，逐项打勾，交接时能直接看进度，而不是靠回忆问"那个开了吗"。

入职清单按四组拆：材料（身份证明、学历材料、银行卡）、账号与权限（邮箱、业务系统、门禁）、培训（制度、安全、岗位操作）、节点（试用期目标、首次评估时间）。离职清单同样四组：交接（工作、客户、文件）、回收（设备、门禁卡、钥匙）、关闭（账号、权限、外部群）、结算（薪资、报销、证明开具）。

清单放进 AI 能调用的知识库，新人问"入职要准备什么"时直接拿到分组结果，而不是等 HR 复制粘贴一份三年前的文档。这一步省的不只是 HR 几分钟，更在于信息不再依赖某个人在线。

让 AI 只答有依据的问题

提示词里要写死四句话：只依据我提供的制度内容回答；找不到依据就说"需要咨询 HR"；先给结论再给依据；涉及个人具体情况不下结论。四句话里，"找不到就说不知道"最关键。

模型在缺依据时的默认行为是补全。一句编出来的年假天数被截图转到群里，纠正成本远高于当场答不上来。宁可让它多说几次"请咨询 HR"，也不要它猜一个像样的数字。

把这条规则工程化，就是给置信度设阈值：高置信直接答，中置信答完补一句"以 HR 口径为准"，低置信只给入口不给结论。这套分档思路在意图识别的置信度怎么用？低于阈值转人工里有完整拆法，搬到员工问答上同样成立。

知识库的边界：哪些内容不能进

薪酬明细、绩效结果、员工个人信息不进公共知识库。权限按角色分：全员可见的只有制度和流程，部门负责人多看一层与本部门相关的规则解释，个人信息只对本人和 HR 可见。离职当天就回收账号，别等到下个结算周期。

另一条容易被忽略的是历史版本。制度改过三次，知识库里躺着三份文件，AI 可能引用已经失效的那份。每份文件标版本号和生效日期，只让检索命中当前生效版本，旧版归档不外露。

多轮对话里记住上下文也要谨慎。员工在对话中提到的家庭情况、身体状况，如果被当作记忆存下来，系统里就多了一份没有授权记录的数据。需要记住偏好时，只存结构化字段，比如所属部门、办公地点、常用语言，存什么、存多久要提前定好，这个划分可以参考扣子Coze 的数据库怎么用？记住用户信息里的字段设计思路。

制度更新时，先改知识库再发通知

顺序反了就会制造两套口径：通知已经发到群里，AI 还在按旧制度回答，员工截图对比，信任一次就没了。稳妥的顺序是定稿、切分入库、回归测试、再发通知。

回归测试别只测常规问题。准备十来道题，其中至少三道是边界题，比如"去年入职的跨年度怎么折算""试用期内的假期按哪一版算"。只测"年假有几天"，测不出新旧版本冲突。

日常答疑会也是素材来源。把每月被问得最多的问题记下来，重复出现的补进知识库，一次性的转人工处理。会议记录的整理方式可以借通义效率的实时记录怎么用？会议与课堂里的做法：先完整记录，再按主题提炼，别一边听一边总结。

它做不到什么

它不能替代制度本身。制度写得含糊，AI 只能把含糊放大成两种说法。它读不出情绪，员工带着不满来问，一句标准答案只会让对话更难收场。它也不能做个案裁决，任何需要看事实、看证据、看先例的判断，都必须由人完成。

还有一个前提常被跳过：员工得愿意用。入口藏得深、回答要等半分钟、答完还得再问一次人，用两次就没人用了。上线前先让十来个人真实试一遍，比看功能清单有用。

HR 用 AI 问答的分工速查

• 规则查询交给 AI，个案判断一律转人工
• 入离职做成四组清单，可勾选、可交接
• 提示词写死"找不到依据就说需要咨询 HR"
• 薪酬、绩效、个人信息不进公共知识库
• 制度先入库、再测试、后发通知，顺序不能反

衡量这套东西有没有用，不看它答了多少条，看转人工的比例有没有降、重复问题有没有变少。数字不动的，多半是知识库没整理好，而不是模型不够聪明。