课前导读
大模型听起来很技术，但对 HR 来说，先抓住一句话就够了：它是一个读过大量文字、很会预测下一句话的超级文字助手。
教学正文
大模型是什么：一个会预测下一个词的接话高手
把大模型想成一个"词语接龙"玩到极致的人。你给上半句，它猜下半句——猜的依据不是"什么是真的"，而是"在它读过的海量文字里，这个位置最常接什么词"。它读过无数 JD、制度、报告，所以接出来的话结构工整、术语标准，像模像样。
关键在于：它不是记住了原文，而是在训练里学会了语言的统计规律——什么词后面通常跟什么词。所以它生成的，是"最像人会写的那句话"，不一定是"真的那句话"。理解这一点，你就理解了它一切能力和一切毛病的根。
它的本事是'材料变形'，不是'知道答案'
生成式 AI 真正的能力，是把材料从一种形态变成另一种：长文变摘要、简历变表格、制度变问答、访谈变行动项。它像一台"文字变形机"，你喂进去什么，它换个形状还给你。
由此有个关键推论：它不天然知道你们公司的制度、这个岗位的真实情况、这个员工的背景——这些不在它读过的资料里。所以它强在"加工你给的材料"，弱在"回答你没给的事实"。分清这条线，你就不会再问它"我们公司年假几天"这种它根本无从知道的问题。
跟我做：亲眼看它是'转换器'不是'搜索引擎'
光听解释记不住，做一遍就懂。准备一份不含个人信息的公开材料，比如一份 JD 或员工手册样例。用 Kimi，约 10 分钟。
- 打开 Kimi（kimi.com），新建对话，上传这份文件。豆包、通义也能传文件，操作类似
- 输入：「请不要补充任何外部信息。只基于我上传的文件做三件事：①用 150 字讲清文件主要内容；②提取 10 条可问答的知识点；③把内容改写成新员工看得懂的 FAQ。」
- 看它输出——同一份材料，变成了摘要、知识点、FAQ 三种形态。这就是"材料变形"。
- 再输入：「给每条 FAQ 标出对应的原文依据；找不到依据的，写"材料未提供"。」这一步逼它露出"哪些是材料里的、哪些是它补的"
- 对比两次输出：第一次更像"生成"，第二次更像"基于材料的问答"——后者才是你正式工作里该要的。
- 预期看到：摘要、FAQ、依据列表，以及被标为"材料未提供"的缺口。
同样一份手册，问对问错天差地别
问错：直接问"我们公司试用期多久？"——如果你没上传制度，它会按"大多数公司怎么写"给你补一个"通常 3-6 个月"。听着合理，但那不是你们公司的规定，是它接话茬接出来的。
问对：先上传手册，再问同一个问题，并要求"引用原文第几条"。它要么给你带条款出处的准确答案，要么老实说"材料未提供"。同一台机器，喂了材料和没喂材料，可靠性差一个数量级。
想更深理解"能上传文件"和"能可靠引用文件"不是一回事，看本页底部"深入一层"里关于上下文窗口和 RAG 的部分。
把它当百度：它是"生成答案"，不是"检索来源"。需要最新政策、工具功能时，必须打开联网，并让它列出可点开的来源。
以为上传了它就逐字读完：长文可能被截断、压缩、选择性引用。关键任务永远加一句"只基于材料、逐条列依据、没找到就说没找到"。
配套视频演示
小黑黑讲AI · 覆盖 S1-2 · 13分18秒 · 大白话讲生成原理（零基础推荐）
深度讲解AI大模型原理，它如何生成文本，又如何模拟对话
自测
1为什么说大模型是'预测下一个词'，这跟它会不会出错有什么关系？
它的底层动作是根据上文，从统计规律里挑"最像人会写的下一个词"，拼成整段。它优化的是"像不像"，不是"真不真"。所以当你问的事不在它资料里时，它照样能拼出一段像模像样、但可能是假的话——它的流畅和它的错误，来自同一个机制。
2生成式 AI 最擅长什么、最不擅长什么？
最擅长"材料变形"——把你给的长文、简历、制度换个形态（摘要、表格、问答）。最不擅长"回答你没给的事实"——你们公司制度、岗位实情、员工背景都不在它读过的资料里。所以用它的正确姿势是"喂材料让它加工"，不是"空手问它公司内部的事"。
3上传了文件，为什么还要它'逐条标注原文依据'？
因为长文可能被截断或选择性引用，它也可能把没依据的内容顺手补上。要求逐条标依据、没有就写"材料未提供"，等于逼它把"哪些真来自材料、哪些是它编的"分开摊在你面前，你才知道哪些能直接用。
小结
- 大模型的本质是"预测最像人会写的下一个词"——它优化的是像不像，不是真不真
- 它的强项是"材料变形"（摘要/表格/问答），弱项是"回答你没给的事实"
- 它不是搜索引擎、也不是你们公司的知识库——这两件事都得靠你给材料或接内部系统
- 关键任务永远加一句"只基于材料、逐条列依据、没找到就说没找到"
实操落点
- 输入：请用大白话解释什么是大语言模型，要求一个完全不懂技术的人也能听懂，200字以内。
- 再输入：请用做菜打比方，解释大语言模型是怎么工作的。对比两次回答的差异。
深入一层 · 实战演练与研究依据
样品：亲眼看一次「预测下一个词」翻车
把这句话喂给任何一个大模型：「请补全这句话：我司试用期员工的社保缴纳基数是」。
它大概率给你一个非常通顺的答案，比如「按员工首月全额工资作为缴纳基数」，措辞专业、语气笃定。问题是它根本不知道「我司」是哪家公司，它没查任何资料，只是在算「这串字后面接什么词最像人写的」。
对照实验：换成「我把公司的《社保缴纳管理办法》发给你，请只根据这份文件回答；文件里没写就直接说没写」，然后先不发文件直接问。诚实的回答是「你还没提供文件」；如果它照样编一个，你就亲眼见证了幻觉的诞生。流畅度和真实度是两个完全无关的指标。
它到底在干什么：材料转换器，不是搜索引擎
DeepSeek 官方服务条款用大白话解释过：模型把你输入的文本、图像、文件转成可处理的编码，预测下一个词元，从而生成文字、表格、代码；只有开启搜索功能时才会检索公开互联网信息。
所以它最擅长的是「把材料变成另一种形态」：长文变摘要、简历变表格、制度变问答、访谈变行动项。它不天然知道你公司制度、岗位实况、员工个案——这些必须你喂进去。
别高估「上传文件」这个动作。Kimi 官方说明它支持长文本、多模态、联网搜索，单文件不超过 100M、最多 50 个文件；但「能上传文件」和「能可靠逐字引用文件」不是一回事，长文可能被截断、压缩或选择性引用。
一个能立刻做的演示
用 Kimi 上传一份不含个人信息的公开 JD 或手册样例，输入：「请不要补充外部信息。只基于我上传的文件：①用 150 字解释主要内容；②提取 10 条可问答知识；③改写成新员工能看懂的 FAQ。」
再追一句：「请标出每条 FAQ 对应的原文依据，找不到依据就写『材料未提供』。」对比两次输出——第一次更像生成，第二次更像基于材料的问答。让学员看到同一份材料能变摘要、变问答、变表格、变题库，比抽象讲「生成式 AI」有效得多。
再深一层：上下文窗口、RAG、工具调用
上下文窗口决定一次能看多少材料，RAG（检索增强生成）决定能否从知识库找证据，工具调用决定能否查网页、跑表格、调系统。三者解决的是完全不同的问题。
RAG 不是「把文档丢给 AI」，而是先检索相关片段、再让模型基于片段回答。学有余力可读 Kimi 的长文档与搜索说明、通义千问 Qwen-Long 文档，把「能装下」和「能引用对」这两件事分清楚。
- DeepSeek《服务条款》，2026
- Kimi《Kimi 概述》，2026
- 艾瑞咨询《2024 年中国网络招聘行业研究报告》，2025