高考出分才找AI？海亮科服用OpenSpan把规划提前到小学

新智元报道  

2026年夏天，AI填志愿火出了圈。千问、豆包、Kimi轮番上阵，几家通用大模型都盯着高考出分那三天，恨不得把全中国家长的焦虑一口气吞下去。

场面一度非常热闹。直到新京报记者做了件朴素的事：拿同一个考生身份——北京考生，579分，位次18xxx，选考物地生——把6款主流AI挨个问了一遍。

结果令人尴尬。有的模型用2026年的分数去查2025年的一分一段表，把考生位次整整往前拉了2440名，照这个定位报志愿，滑档几乎是必然；有的照推已经停招的专业、已经更名的院校；还有的把明明该「冲」的学校放进了「稳」档。

我们顺着这个思路，把问题从高考志愿往前挪，挪到高中三年里更早、更常见的几个决定上，又问了一轮。

结果没有更好。面对「550分能上什么本科」，有的模型张口就是提分建议和冲稳保，对综合评价、专项计划、定向招生这些真正能改变命运的多元路径一字不提；有的连省份都没问，就直接开出选科组合。

问题出在哪？不是模型不够聪明，而是它太急着回答了。通用大模型的路子是：你敢问，我就敢答。

但生涯规划不是百科问答，它本质上是一个自主决策支持系统。

一个家庭从小学到高三，要做几十个环环相扣的升学决定，兴趣班留哪个、初中走国内还是国际、高一怎么选科、强基和综评报不报——每个决定都有时间窗口，选错有代价，而且前后串着。你不了解这个孩子是谁，就没有资格告诉他该往哪走。

这个朴素的道理，海亮科服花了两年时间，用一个叫OpenSpan的生涯大模型和e生涯服务平台，把它变成了工程现实。

先看最典型的一组实测，场景是高一选科。

同一个问题：生物听不懂但分数高，地理听得懂但分数低，我该选哪科？

• DeepSeek（深度思考）：它没再反问，而是把要权衡的东西一口气摊开：赋分和排名、还有多少提分余地、专业上的限制、长期学下去有多「痛苦」。信息给得够多，可家长读到最后，仍旧不知道该怎么挑。

• 豆包：第一句话就是结论，「优先选……」，省份、成绩排名、选科模式一概没问。

• Kimi（快速模式）：同样直接给出一个确定答案，也没有询问省份。

• 千问（思考模式）：它把「喜欢哪科」这个问题换成了「赋分排名」，讲了物化对理工医专业意味着什么，还附了一张按情况分支的决策表。只是前面铺了八九百字，到末句才来一句「补一句你的省份和首选科目，我再接着判断」。另外，这套分析是建立在「首选+再选」的3+1+2模式上的；换成浙江、上海这类3+3省份的学生来问，整个框架就得推翻重搭。

千问已经是最接近规划师思路的，但它和另外三家犯的是同一个错：答在前，问在后。

e生涯的反应完全不同。

它开口第一轮并不抛结论，反倒连着发问——你来自哪个省？选科走的是3+3还是3+1+2？物理考得怎么样？对哪类大学专业有想法？

这套做法源于整个技术架构的一条原则：画像前置。

e生涯的系统里，任何一条规划建议都得先有一份够完整的学生画像。就读信息、学业表现、兴趣特长、家庭期望，全靠多轮对话主动问出来，再沉淀成可计算的Facts，跟着会话状态不断更新画像。

画像没补齐，系统情愿接着问下去，也不肯给出一个「看着对」的方案。

海亮科服生涯科技副总经理兼大模型研究院院长叶礼清对此有个说法：通用大模型是你敢问我就敢答，我们强调的却是——信息不够，我宁可不认。

聊到技术架构，OpenSpan做了件在垂类大模型圈里挺少见的事：模型无关设计（model-agnostic）。

底座用的是开源模型，在此基础上做垂直领域的二次训练和微调。

可整套架构并不拴在任何一家模型供应商身上：意图识别、规划推理这类复杂活儿，交给推理更强的模型；知识检索、结构化查询这种高频调用，走低成本模型；学生传上来的成绩单、报告等图文材料，则调多模态模型来处理。

换句话说，哪天冒出更强的开源模型，OpenSpan直接热切换底座就行，用不着推倒重来。

对一家教育科技公司而言，这种工程上的判断力，比一味堆参数量要紧得多。

更该留意的是它的Agentic Skill Runtime架构。

以往的教育AI多是「一个大模型包打天下」，什么问题都往同一条推理管道里塞。

OpenSpan则把复杂的升学咨询切成多个可插拔、能各自演进的专业技能（Skill），每个Skill都有自己的触发条件、事实字段、知识范围、推理约束和输出协议。

落到处：一个「规划助手」充当统一接待和路由中枢，靠意图识别把问题分给升学指导、特长发展、留学咨询、学习指导、职业探索、家庭教育等领域的专家智能体。

路由策略上，语义匹配、规则匹配、会话恢复、任务锁定都支持。家长多轮咨询时话题可以自然跳，从选科说到升学路径，再说到特长培养，当前任务的上下文不会断。

8大类规划场景、20余个细分培养方向，都以Skill形式封装起来。政策一变，更新知识和规则即可，模型不用重训。

教育这行政策变动频繁，这么选在工程上相当务实。

架构底下还垫着一张不小的教育知识图谱：8类规划场景、6大特长方向、20+个细分培养方向、60余个自主决策点、72+条升学路径、15+类专业知识库，数据接的是考试院、高校招办等权威公开来源，另外配了政策时效性更新机制和专家审核流程。

大模型「一本正经地胡说八道」，搁在教育场景里不是段子，是事故。

高一学生问选科，模型要是推荐了本省根本没有的科目组合，或者拿已经作废的招生政策当现行规则讲，代价可能是一整年方向走偏。

新智元拉了一支评测团——特级教师、一线生涯规划师和高中生家长，挑选科政策、招生规则、专业目录这些最容易「翻车」的事实性问题，把同一组题目分别丢给e生涯OpenSpan、豆包Turbo和DeepSeek（深度思考），一条条核对答案有没有编造。

评测团给出的结论，和e生涯团队内部的幻觉抑制测试数据大体对得上：

通过率达到88%，比豆包高出14个百分点，比DeepSeek高出30个百分点。

还有一处细节能对上：剩下那12%没完全压住的部分，大多集中在政策细节条件、专业代码以及专业设置数值这类极为细碎的知识点上。

这些地方正是知识库要不断补的内容，问题并不出在模型架构本身。

那它是怎么做到的？

靠的是混合检索增强（Hybrid RAG），把结构化知识资产和非结构化文档检索放在一起用。

知识图谱给出关联链条上的约束，模型推荐时得沿着明确的逻辑走，不能靠自己去联想、去「脑补」。

说白了：有据可查的才开口，查不到的就别编。

另外，四层安全防护从头到尾都在起作用：输入侧识别违规内容和心理危机风险；生成侧用Skill指令和知识库优先规则管住模型行为；输出侧做内容安全检测；审计侧则把关键路由和知识引用记录下来。

信息不够就先追问，没依据的建议在输出之前拦下来。

C-Eval、CMMLU这类通用模型评测基准，考的是通识能力。可有个核心问题它答不了：这个模型给出的生涯规划建议，究竟像不像一个专业规划师？

为此，e生涯团队自己定了一套面向生涯规划场景的评测标准，覆盖画像收集完整性、意图理解、专业知识准确性、规划推理与结论合理性、沟通与服务能力等维度，按0-3分量表打分再加权。

新智元沿用了这套维度，请特级教师和一线规划师独立打分；家长代表则从「这个建议我敢不敢照着做」的角度做补充评价。

两边得出的结论大体一致：

• e生涯OpenSpan拿到2.73分（满分3分）；同期对照，豆包Turbo为1.9分，DeepSeek（深度思考）为2.0分。

• 拆开维度看，e生涯OpenSpan在用户画像上领先1.58分，推理维度领先0.90分；意图理解和沟通服务这两项打平。

• 在特长规划、选科参谋、升学潜力评估、多元路径推荐这四类核心场景里，去掉平局之后胜率为100%。

差距就落在画像和推理这两个维度上。

画像维度上那1.58分的领先，刚好说明「画像前置」这个设计思路的技术价值——

通用大模型在这个维度上落后一大截，原因在于它们没走完「先了解学生是谁」这一步。

两项评测摆在一起，结论已经比较清楚了。

通用大模型的短板，既不在知识量，也不在表达。

它缺的是专业规划师最要紧的两步：先弄明白这个学生是谁，再顺着政策和路径一步步往下推。这两步一跳过，回答再流畅也只是通识。

OpenSpan拉开差距的地方，恰好就是这两步。它胜在更像一个坐在你对面、先问你三个问题再开口的真人规划师，而不是答得更漂亮。

OpenSpan真正的护城河，其实不在模型的参数规模，而在数据积累的时间跨度上。

在拿到用户主动授权以后，e生涯会给每个学生建一份持续更新的成长档案。

这份档案并非填一次就完事。它会随着孩子的成长节奏和目标定期刷新，横向把学习素养、兴趣特长、职业方向，以及与之匹配的升学路径和目标都覆盖进来，为个性化规划提供关键支撑。

纵向看，基础教育的各个学段被它串了起来：小学阶段发掘兴趣，初中阶段培养特长，高中阶段做多元升学，三段连成一条线，并非三个彼此独立的工具。

孩子目标一变，系统就按新方向重新测算路径，此前攒下的成长数据不会被浪费。

这里的门槛在哪儿？成长数据得按学段一点点长期积累，时间上没法压缩，后来者想短期内补齐很难。

档案管的是「了解这个孩子」这件事。e生涯之所以「会规划」，底料来自两处。

一处是前文说过的教育知识图谱和15+类专业知识库：职业、大学专业、升学路径、学习素养与专长能力之间的关联被结构化，再加上全国各地动态更新的升学政策、招生咨询、专业与院校目录、志愿填报策略和国际升学政策。

另一处是人。OpenSpan立项之前，e生涯团队已经给学校和家庭做了多年真人规划服务。

规划师的咨询经验、流程和标准，被提炼成AI规划师的能力；多年攒下的学生规划案例，按学段、学习能力、兴趣和特长分类，形成网格化覆盖，不同类型的孩子都能在网格里找到对照样本。

AI圈子里有一种常见的傲慢——

通用大模型一旦足够强，垂直场景就会被自动「碾压」。

可过去两年，其他垂类赛道交出的答卷正好相反。

拿医疗来说，这个赛道已经明显分成了两个阵营。

蚂蚁的阿福（原AQ）月活已经超过1500万，30万执业医生和500多位名医的AI分身都接在它后面；百川智能在2024年索性砍掉通用大模型的预训练，把年收入近亿元的B端业务收缩掉，全部身家押到医疗上。

另一边则悄悄消失。DeepSeek开源之后，近百家医院直接部署了R1，一批只做了「通用模型+提示词」的医疗垂类产品，在不少场景上的表现还不如通用模型，很快就没了声音。

分水岭不在「通用模型强不强」，而在「垂类自己手里有没有通用模型拿不到的东西」——

真实的专家工作流、经过校验的知识库、用户授权的长期数据。

教育这条赛道，正在重演同一个故事。

越是涉及未成年人重大人生决策的场景，越要克制「抢答」的冲动，先把画像建完、把知识图谱织密、把安全护栏拉满，然后才开口。

e生涯OpenSpan不追求「最聪明的模型」，它要做的是「最像专业规划师的系统」。

这本身，就是一种自信。