听雨 发自 凹非寺
量子位 | 公众号QbitAI
进入11月，对于开始准备选科的新高一家庭来说，一轮纠结也跟着来了。
选科到底看分数，还是看排名？赋分怎么算，物理和化学要不要一起选？
偏偏孩子的表现，也未必能让家长拿定主意：生物课听得吃力，考试成绩却不错；地理课听得明白，分数又不高。
再考虑大学专业的要求，以及学校实际开设的组合，高一选科，成了不少家庭需要做的功课。
这个问题还得赶在选科安排确定前想清楚。不同组合会影响后续可报考的专业范围，也与孩子将来的职业方向有关。
如果等到填报志愿时，才发现选考科目不符合心仪专业的要求，眼前的选择就会受到限制。
现在，家长多了一个可以商量的对象：AI生涯规划师。
它会先了解孩子的学科表现和兴趣，进一步确认家庭的培养目标，再结合教育知识与地区政策，梳理不同选择的要求和准备事项。
它还配有成长档案，让生涯规划服务能够陪伴孩子持续成长。
当孩子的学业表现或兴趣发生变化时，系统可以结合此前的记录重新分析，调整规划建议。
服务范围覆盖选科，也延伸到兴趣培养和升学规划，基础规划服务免费。
这款产品就是e生涯服务平台，基于OpenSpan生涯大模型打造，由海亮科服推出。
如今，海亮科服希望通过AI，把这类专业咨询带给更多家庭。
AI生涯规划师，专业在哪里？
你可能会觉得，我用市面上常见的通用AI，不也能解决孩子选科的问题么？
通用AI确实能提供参考，但e生涯服务平台，能够结合学生的具体情况，提供更细致、更具针对性的规划建议。
先来看看几个具体例子：
第一个问题：「孩子五年级，对科学课很感兴趣，说明什么？」
在这组对话中，通用AI先从好奇心和学习方式等角度进行解释，还追问孩子更喜欢科学课的哪个板块。
用户补充，各个板块都感兴趣。随后，它给出了几条建议，但整体上还是比较笼统。
再来看看e生涯，同样的问题，这次由「特长发展专家」接待。
它先从实验探究的角度解读这份兴趣，认为孩子可能喜欢动手、观察和验证，也愿意追问为什么。
结合五年级的年龄阶段，它列出了几类可以探索的方向。比如，通过无人机体验动手组装，把科学知识用到实际操作中；通过编程尝试用代码实现想法；机器人则将动手与编程结合起来。
接着，我们补充：孩子之前学过书法和钢琴，但都不太感兴趣。
e生涯把这段经历纳入了分析，尝试从活动形式上寻找原因，并继续追问孩子的其他喜好和家庭预算。
我们进一步给出条件：一年预算约1万元，孩子还比较喜欢运动。
这次，e生涯进一步讨论了活动怎么搭配、投入如何安排。
它建议，在1万元预算下，先集中投入一个科学动手方向，比如无人机或机器人，再选择一项成本较低、容易坚持的运动，作为日常补充。
具体到无人机，它还提到了入门设备和课程的投入；对于运动，则建议把场地费用和日常练习的便利程度考虑进去。
搭配思路也逐渐清晰：科学动手类活动占主要预算，运动作为日常补充，兼顾孩子对科学和运动的兴趣。
几轮交流下来，最初一句「孩子喜欢科学课」，逐渐展开成了更具体的培养讨论。家长由此可以继续讨论，先尝试哪个方向，钱主要花在哪里，再通过实际体验观察孩子是否愿意坚持。
我们又实测了第二个问题：「490分怎么上本科？」
用户的孩子正在读高二，选择了历史、政治和生物。
先来看通用AI的回答，它把「怎么上本科」的咨询重心，转向了「怎样把分数提上去」。
它虽然也列举了一些院校和升学路径，但没有继续追问家庭预算、能接受的院校范围等条件，也没有充分核对不同路径的报考要求，就开始安排各科的提分任务。
用户拿到了学习建议，却还是不明白：如果成绩维持在中下游，哪些本科路径值得进一步了解，又有哪些准备需要从高二就开始做？这些都需要围绕学生的具体条件做判断。
e生涯则首先围绕国内升学展开回答，讨论了能力提升、志愿选择，也提到了浙江「三位一体」综合评价招生等可进一步了解的方向。
（注：「三位一体」是浙江的一种高校招生方式。高校将考生的统一高考成绩、高中学业水平考试成绩和综合素质评价成绩按比例折算，再按综合成绩择优录取）
如果把选择范围再放宽一些呢？
我们接着追问：「如果考虑出国呢？」
这时，界面中的接待角色由「升学指导专家」变为「留学咨询师」，回答也随之转向留学准备。
它先对国内高考与留学进行了初步比较，将申请准备和费用等差异摆出来，再进一步询问家庭的具体条件。
其中，预算被放在了比较靠前的位置：家里每年能够承担多少费用？有没有特别想去的国家，或者想学的专业方向？
这些问题，会影响接下来讨论哪些国家、比较哪些申请路径，也决定了后续还需要补充什么信息。
在后续回答中，e生涯按不同路径组织内容，分别说明匹配依据与准备事项，并提醒用户以当年考试院和招生院校的官方章程为准。
家长也可以选择其中一个方向，继续展开咨询。
这里与通用AI的差异在于，e生涯把一个关于分数的问题，进一步拆成了需要结合家庭情况逐项核对的规划问题。
当然，咨询是否专业，还需要更系统的评价标准。
据海亮科服介绍，e生涯团队为此自主制定了一套面向生涯规划场景的评测标准。
评测会检查画像信息是否收集完整、是否理解用户真实需求，并评估专业知识的准确性、规划推理与结论的合理性，以及沟通与服务能力。各维度按0至3分量表打分并加权。
其中，r43版本的一次内部评测覆盖89个对话，以结果得分达到2分作为可用标准，整体可用率为92.1%。
这一指标衡量的是内部测试中的咨询表现。对于生涯规划，评测需要关注几个具体问题：关键条件有没有遗漏，推荐依据能否说清楚，建议是否符合孩子的实际情况。
不过，要把这样的咨询过程用于选科，还需要进一步将孩子的信息与专业要求、地区政策关联起来。
这就不得不说说e生涯背后的知识体系与工作流程了～
从选科这道题，看AI如何做规划
回到高一选科，判断一个组合是否适合，既要看孩子目前的学习表现，也要考虑它对应哪些专业选择，以及孩子愿不愿意沿着这些方向继续学下去。
OpenSpan将这些关联，整理成了一张自主决策全景图。
从学习素养和特长培养出发，图中的路径沿着不同学段展开，向上连接升学方式，再延伸到大学专业与职业方向。
对于已经有目标的学生，可以从想学的专业往回看，了解相关选科要求，以及当前阶段需要做的准备。对于暂时没有明确方向的学生，则可以从擅长的科目和兴趣出发，探索可能的发展路径。
这样，眼前的选科就有了更完整的参照。家长能够进一步讨论：某个组合符合孩子的哪些特点，又会影响后续哪些选择。
这张图，也是OpenSpan知识图谱的可视化呈现。
据e生涯团队介绍，图中的关联结构和自主决策点，来自规划师方法论的长期积累。团队将这些经验梳理成可供系统检索和推理的关系，并配套建设专业知识库。
不过，要把这些知识用到一个具体孩子身上，还需要组织好咨询过程。
据e生涯团队介绍，系统会从对话中提取事实信息，形成学生画像。比如，所在省份关系到适用的政策，学习表现则为分析当前优势提供参考。随着用户补充信息，画像也会更新。
随后，系统识别咨询意图，将问题分配到相应的专家智能体，并调用专业技能，也就是Skill，组织后续步骤。
规划师的经验，在这里被进一步拆成了可以执行的咨询规则。
每个Skill都有对应的触发条件，规定需要收集哪些事实、使用哪些知识，并设置推理约束与输出要求。选科、特长培养和升学路径推荐，则可以按各自的专业流程展开。
前面案例中，系统为什么会继续追问家庭预算，为什么需要确认培养目标，背后就与这样的流程设计有关。这些信息会成为后续判断路径适配性的条件。
政策信息则需要持续维护。e生涯团队介绍，系统接入考试院、高校招办等公开数据，并设置更新机制与专家审核流程。检索时，结构化的知识关系与政策文档相结合，为建议提供可核对的依据。
政策发生变化后，相关知识和规则也可以相应更新，减少过期信息对咨询的影响。
选科还有一个容易被忽略的问题：孩子的情况会变。
高一上学期的几次考试，未必足以反映孩子长期的学业表现。随着学习的深入，孩子可能发现新的兴趣，也可能重新考虑原先的专业目标。后续咨询需要结合这些变化，继续讨论。
这也是e生涯设置成长档案的原因。
档案持续记录孩子的学业情况，结合兴趣测评和家庭意向，为个性化回答提供参考。按照产品设计，对话中的相关信息也可以被提取并更新到画像中，供后续会话使用。
例如，一名学生最初只知道自己喜欢科学，之后尝试了编程，又逐渐明确了感兴趣的专业方向，这些新增经历就能成为下一次咨询的背景。建议也需要随之重新审视。
选科之后，孩子的成绩和想法还可能发生变化，规划也得跟着调整。
e生涯希望保留此前的咨询信息，让家长下次遇到问题时，能接着往下聊，再根据孩子的新情况调整建议。
人生大事，需要怎样的AI？
查了不少资料，却依然不知道哪条建议适合自己。这种困惑，从孩子的选科，延伸到了家庭健康管理和老人照护。
这些选择往往牵动着一个家庭接下来几年的生活，调整起来也有成本。面对不同意见，用户需要知道判断的依据，也需要理解：自己的情况是否符合建议中的适用条件。
经验丰富的专业人士，能够帮助用户梳理这些问题。但要把服务持续提供给更多人，就会遇到时间和成本的限制。同样一个问题，换了家庭背景，咨询过程和建议也需要重新调整。
当AI进入这些民生场景，能否理解一个家庭的具体处境，成为衡量它是否有用的重要标准。
用户需要它帮助核对信息，解释不同方案的条件与代价，并在情况变化后继续讨论。
在医疗健康场景中，建议需要结合个人的既往记录，说明哪些信息还需要进一步核实。到了养老场景，还要考虑家庭实际能提供怎样的照护。
教育也有类似的要求。孩子的成绩会变化，兴趣和目标也会调整，后续咨询需要了解这些变化发生的过程。
这些场景共同要求AI把专业知识与个人情况联系起来，并在持续交流中更新判断。
这意味着，垂直领域的AI产品需要维护可靠的领域知识，把用户提供的事实纳入分析，按照专业流程逐步澄清需求。实际服务中暴露出的遗漏与误解，又需要反馈到知识和流程的改进中。
海亮科服的探索，也可以放在这个背景下理解。
在既往的生涯规划服务中，真人咨询帮助团队积累判断方法，测评与查询工具则将部分经验转化为可以重复使用的服务。
如今，OpenSpan和e生涯尝试把这些知识与方法组织进AI咨询，让更多家庭能够通过自然语言交流，逐步厘清自己的选择。
教育积累的作用，也在这个过程中变得具体。咨询时哪些问题需要先问，家长容易忽略哪些条件，都可以成为产品设计和后续改进的依据。
而要让更多家庭用上这样的服务，还需要降低使用门槛。
据海亮科服介绍，e生涯的基础规划服务免费。对于较难获得持续专业指导的家庭，包括县域家庭，这意味着多了一个了解路径、核对条件的入口。
回到高一选科，一份建议的价值，最终要体现在孩子和家长能否看懂选择的依据，知道接下来需要准备什么，并在新的情况出现时继续调整。
让这样的帮助更早、更普遍地进入更多家庭，也正是AI参与人生选择时，一项值得期待的社会价值。
热门跟贴