AI news

阿里搞了个免费报志愿Agent,40万AI考生提前把坑踩完了

By 机器之心0 viewsSource: 机器之心
阿里搞了个免费报志愿Agent,40万AI考生提前把坑踩完了

6 月 10 日,千问上线国内首个全周期高考志愿填报 Agent,面向全国 1290 万考生免费开放。该 Agent 具备「志愿报告」、「志愿日历」、「志愿问答」三项核心能力,从查分、填报到录取跟进,全程在线,随时响应。

The full text has not been translated yet. The Chinese original is shown below.

Agent 这个词,今年突然变得具体。

过去一年,各家大模型厂商都在谈 Agent,但很多人对它的感知,还停留在演示视频里。

直到最近,一些真实场景开始跑出来,人们才逐渐看清 Agent 到底能解决什么问题,普通 chatbot 又卡在哪里。

高考志愿填报,就是这样一个场景。它的复杂程度,远超大多数人想象。

今年,全国共有 1290 万考生,平均每位考生需要填写约 50 个专业志愿,辽宁省最多要填 112 个,相当于两三页 A4 纸。

他们要在有限的时间窗口里,从近 3000 所高校、2000 多个专业里作出选择,且几乎没有容错空间。

偏偏在这个关口,考生能依赖的有效信息极为不足。

6 月 10 日,千问上线国内首个全周期高考志愿填报 Agent,面向全国 1290 万考生免费开放。

该 Agent 具备「志愿报告」、「志愿日历」、「志愿问答」三项核心能力,从查分、填报到录取跟进,全程在线,随时响应。

文章配图

接下来,我们就实际上手体验一番,看看在这个高复杂度的真实场景里,千问高考志愿 Agent 究竟做了什么,又是怎么做到的。

填一份志愿,Agent 要做多少事?

去年,阿里首创 AI 高考志愿报告,领取量近 1300 万份,几乎覆盖全部考生。今年,这套能力在全周期 Agent 的框架下进一步升级。

文章配图

先看一个具体例子:北京考生,理化生选科,高考成绩 660 分,地域首选北京,专业瞄准人工智能,有出国深造的打算,性格是 ESTJ,可以报考哪些院校?

一打开千问高考,系统自动跳出一份志愿日历。查分时间、填报窗口、录取进度等事项逐一排列,整个填报周期一目了然。

文章配图

使用这个 Agent,第一步要完善个人档案。省份、选科、成绩和排名四项必填,成绩录入后系统自动对照一分一段表换算位次。

文章配图

选填部分则延伸至目标院校、地域偏好、院校属性、学费倾向、专业偏好、职业倾向、毕业规划和性格类型。其中性格类型方面,千问联合北师大引入 MBTI 职业性格测试,可在页面内直接完成。

这类信息填写越完整,后续生成的方案针对性就越强。

文章配图

档案确认后,Agent 自动输出一份完整报告,涵盖院校推荐、专业分析与冲稳保策略。

文章配图

报告同时附有个性化提示,建议该考生进一步厘清方向侧重,是人工智能核心研发,还是数学、统计学、电子信息等支撑方向。

文章配图

报告生成后,页面下方的「调整」功能可随时收集修改意见,Agent 据此实时更新方案。

文章配图

千问的记忆系统也会实时捕捉对话中的偏好信息。比如考生起初设置地域偏好为北京,后面又提到「如果学校特别好,去外地也可以」,Agent 推荐列表随之调整,除北京高校外,武汉大学也出现在了冲刺层。

文章配图

走完这整套流程,它给人的感觉更像是一套从信息收集到方案迭代、全程主动介入的决策系统,档案在对话中不断完善,方案随偏好实时迭代,每一次交互都在让下一次推荐更准一点。

为什么必须是 Agent

不能只是 Chatbot ?

很多人第一反应,报志愿直接问 ChatGPT 不就好了?

但实际情况是,用户不再缺信息,他们缺的是一个真正了解自己情况、能帮自己决策的专属顾问。

Chatbot 模式是你问它才答,答完交互停止。

Agent 模式则是有三个核心区别:

第一,Agent 有持久记忆,它能记住用户说过的话,不需要每次重复,结果就是用户越问越好用。

第二,Agent 会主动规划,例如千问的志愿日历会主动提醒什么时候该做什么。

第三,Agent 能调用工具并反思,让回答更精准。

简言之,Chatbot 实现的是被动响应需求,Agent 实现的则是主动解决问题的能力转变。

文章配图

千问算法负责人蒋冠军介绍,去年千问团队去县中做公益填报辅导时发现,当地考生能感知到的职业基本只有医生、老师、公务员,对于新兴行业、社会人才需求结构知之甚少。

千问数据也印证了这种差距。35% 用户只填了省份、选科、分数、位次四个基本要素;仅有 20% 用户填写了 5 个条件以上。

因此,等着用户提问的聊天机器人,在这里行不通。

Agent 的优势正在于此。它可以主动规划、调用工具、核验结果、追问澄清。面对一个模糊的输入,它能像人类志愿规划师一样,先拆解用户的真实需求,逐步缩小决策范围,最后给出附带理由的建议。

40 万「AI 考生」压测出来的可信度

Agent 的架构解决了「怎么执行」的问题,但执行得够不够准,同样关键。

为此在千问大模型基础上,千问做了专项训练和优化,目标是在知识掌握、工具使用和专家经验三个维度上,达到资深志愿规划师的水平。

文章配图

模型正确决策的前提是掌握权威、全面的高考信息。阿里深耕高考服务已有 8 年,目前千问构建了覆盖全国近 3000 所高校、超 2000 个专业的知识库,同时引入政府规划研判的行业人才缺口与头部企业用人数据。

文章配图

后训练过程中,千问通过对抗强化学习的方式让模型学习人类专家经验,并设计七类奖励函数。其中三类针对客观能力,包括事实核查、工具使用、冲稳保梯度,这些有明确标准答案,模型答对得分、答错扣分,能力可稳定提升。

另外三类是学习专家经验的关键奖励函数,分别对应规划、反思和结果有效性。

以结果有效性为例,阿里每年聘请数百位高考志愿填报专家,对模型生成的填报结果进行标注点评,评估单个志愿与用户需求的匹配度、整体冲稳保分布是否合理、有无遗漏优质院校或存在落档风险。专家反馈反向训练模型,形成螺旋式迭代,初始时模型处理简单问题,第二轮专家针对更难的问题纠偏,最终使模型内生能力达到人类专家水平。

最后一类奖励函数则确保输出风格符合人类的阅读习惯。

高考志愿的复杂性,在于组合空间极其庞大。院校、专业、省份、分数段、选科组合、就业方向…… 理论上的组合空间高达上亿种,模型必须对几乎每一种情况都能给出靠谱的判断。

千问的做法是用 AI 考生来压测 AI。

算法团队构建一套覆盖近 40 万种组合空间的「AI 考生」体系,从任务类型、考情模拟、行为模拟、边界异常四个维度出发,在上线前对模型进行反复对抗测试。

这种「以 AI 攻 AI」的压测方式,让模型在真实用户到来之前,就已经历海量极端场景的磨练。

知识库、模型、Agent 调度体系三层架构,分别解决数据够不够用、判断够不够专业、执行够不够可靠三个问题。缺少任何一层,都无法在高考这个极端严肃的场景里,获得真正的信任。

结语

高考是中国规模最大的公平性考试,但到了报志愿这步,家庭背景和信息获取能力的差距被急剧放大。

在北京、上海,一对一志愿辅导动辄数千乃至上万元,而全国近 60% 的普通高中生在县中就读,他们的父母面对厚厚的招生简章,往往都不知道该从哪里看起。

文章配图

志愿填报的信息鸿沟问题,不能只靠考生自己去填平,而是需要像千问这样的 AI 应用,乃至全社会的力量来共同努力。

这也是科技的真正价值,不只是让强者更强,也在于让更多人获得曾经只属于少数人的资源。

1290 万考生,每一个都值得一次公平的机会,去认识自己、了解选择、规划未来。

文章来自于微信公众号 “机器之心”,作者 “机器之心”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)