志愿魔方 AI 升学咨询平台
志愿魔方 AI 升学咨询平台
项目定位
这是一个面向学生和家长的升学咨询平台，解决“信息多但难理解、政策多但解释难、院校多但选择难”的问题。系统通过数据检索、规则解释和报告生成，为用户提供更易理解的志愿建议。
项目背景
学生和家长在升学决策中需要同时理解成绩、位次、选科、批次、院校、专业、招生计划、政策和地域偏好。信息来源多、政策更新快、专业限制复杂，单纯依赖静态列表或泛化聊天回答，很难给出可解释、可复核的建议。志愿魔方 AI 升学咨询平台将学生档案、院校专业数据、政策知识和咨询记录统一管理，为学生、家长和顾问提供辅助决策能力。
业务概述
用户登录后建立学生档案，录入成绩、位次、选科、地区、兴趣和目标专业。系统根据硬性条件筛选院校和专业，再结合冲稳保策略、历史数据和政策要求生成候选方案。AI 负责政策问答、方案解释、风险提示和报告整理，顾问可以复核、修改并向学生发送最终方案。
主要业务场景包括：
- 学生信息、成绩、位次和选科档案管理；
- 院校、专业、招生计划、录取数据和政策版本维护；
- 志愿筛选、冲稳保分层、方案对比和风险提示；
- 政策原文检索、招生章程问答和时间节点提醒；
- 咨询报告生成、顾问复核、家校沟通和历史记录追踪。
技术架构选型
1. 整体架构
采用前后端分离和模块化服务架构，学生端、家长端和顾问端共用统一业务服务。规则服务负责成绩、选科和批次等确定性条件过滤，数据同步服务负责院校与政策版本更新，AI 服务只对检索结果进行解释和生成，不直接修改学生档案或提交志愿。
2. 后端技术
- Spring Boot / Spring Cloud Alibaba：构建用户、档案、院校、推荐和报告服务；
- Spring Security + OAuth2：保护学生敏感数据和顾问工作台；
- MySQL + MyBatis：保存学生档案、院校专业、政策、方案和咨询记录；
- Elasticsearch：支持院校、专业、政策和历史案例的多条件检索。
3. 中间件与 AI 能力
- Redis：缓存热门院校、筛选条件、会话和临时方案；
- MQ：异步执行数据同步、报告生成、通知和失败重试；
- 向量库 + RAG：检索招生章程、政策原文和专业说明并返回引用；
- XXL-JOB：定时更新政策、录取数据、风险规则和统计报表；
- Vue + ECharts：展示方案对比、分数趋势和成长报告。
主要业务模块
1. 学生档案管理
维护学生成绩、位次、选科、地区、兴趣、目标专业和家庭偏好，支持档案版本和隐私权限。
2. 院校专业数据中心
管理院校、专业、招生计划、选科要求、学费、就业方向和历史录取数据，并保留来源与生效版本。
3. 志愿筛选与方案生成
按照硬性条件过滤候选项，再按冲、稳、保层次组合方案，展示匹配理由、限制条件和风险项。
4. 政策知识库与 AI 问答
对政策、招生章程和专项计划进行切分、向量化和版本管理，回答时展示来源、发布时间和适用范围。
5. 成长与咨询报告
生成方案摘要、院校对比、专业解释、风险清单和待确认问题，顾问可在线修改并留下复核记录。
6. 会员、消息与系统管理
管理学生、家长、顾问和机构角色，支持报告通知、时间节点提醒、数据导出和审计查询。
技术要点与应用价值
- 所有推荐结果关联成绩区间、选科要求、政策依据和数据版本，做到可解释；
- 对政策过期、计划变更、专业限制和材料要求单独提示风险；
- 通过异步任务生成长报告，避免用户长时间等待；
- 学生成绩、联系方式和咨询记录按机构、顾问和学生进行数据隔离；
- AI 只提供辅助方案，最终选择和正式提交必须由学生、家长或顾问确认。
陪跑价值与学习收获
升学咨询看似是推荐页面，背后却包含成绩、位次、选科、批次、招生计划、政策版本和风险提示等大量数据关系。你会把规则筛选、政策检索、推荐解释和报告生成组合成一条可信的咨询链路，理解 AI 应用如何在敏感决策场景中做到有依据、可复核、能交给人工确认。
- 学会处理时效数据、规则版本、推荐条件和风险提示。
- 掌握 RAG 政策问答、带引用的推荐解释和异步报告生成。
- 建立“AI 辅助建议 + Java 规则校验 + 人工最终确认”的安全边界。
你将带走的成果
- 一套从学生画像到方案对比、风险提示和报告交付的业务流程。
- 一份可用于面试的推荐系统、知识库和权限设计亮点。
- 一套能体现 Java 后端与 AI 应用结合能力的项目表达。
业务背景与建设目标
升学咨询同时涉及成绩、选科、批次、院校、专业、招生章程、地域偏好和职业方向等多类信息。数据来源多、政策更新快，用户又希望看到清晰的推荐依据和风险提示，单纯依靠静态院校列表或泛化聊天回答很难形成可靠的咨询体验。
志愿魔方 AI 升学咨询平台将学生档案、院校专业数据、招生政策、历史录取信息和咨询记录统一管理，形成“条件采集、候选筛选、规则解释、风险提示、方案对比、报告生成、人工复核”的服务链路。平台输出的是带依据的辅助方案，最终选择仍由学生、家长或专业顾问确认，适合展示数据服务、规则引擎和生成式 AI 的组合应用。
业务模块与关键流程
| 业务模块 | 核心能力 | Java / AI 落点 |
|---|---|---|
| 学生档案 | 成绩、选科、位次、地区、兴趣和目标专业维护 | MySQL 建模，权限控制个人敏感数据访问 |
| 院校专业库 | 院校、专业、招生计划、选科要求和学费信息 | 批量导入、版本管理和定时数据同步 |
| 志愿筛选 | 冲稳保分层、地区筛选、专业组合和条件对比 | 规则服务做硬条件过滤，缓存热门查询 |
| 政策问答 | 招生章程、录取规则、专项计划和时间节点解释 | RAG 检索政策原文并返回引用依据 |
| 咨询报告 | 方案摘要、推荐理由、风险项和待确认问题 | MQ 异步生成报告，AI 负责解释和文字整理 |
| 顾问工作台 | 方案复核、人工修改、沟通记录和服务统计 | 审计版本、操作留痕和多角色权限隔离 |
工程化难点与应用价值
- 数据时效管理：院校和政策数据需要标记来源、版本、生效时间和失效时间，避免过期信息参与推荐。
- 推荐可解释：每个建议关联成绩区间、选科要求、专业偏好和政策依据，用户可以查看为什么推荐以及可能的限制。
- 风险提示优先：对分数线波动、计划变更、专业限制和材料要求等风险单独展示，不让报告只呈现“看起来不错”的结果。
- 敏感数据保护：学生成绩、联系方式和咨询记录按用户、顾问和机构进行授权，导出和查看操作都写入审计日志。
项目思维导图
核心流程
模块流程图
学生信息管理
健康管理
学习跟踪
成长报告
会员管理
课程管理
消息通知
系统维护与支持
技术架构
| 技术 | 作用 |
|---|---|
| Spring Boot | 用户、推荐、报告、政策接口 |
| MySQL | 院校、专业、规则、咨询记录 |
| Redis | 热门查询、推荐缓存、会话上下文 |
| MQ | 报告生成、异步任务、通知 |
| Elasticsearch / 向量库 | 政策文件、院校资料、常见问答 |
| Spring AI | 推荐解释、政策问答、报告摘要 |
AI 接入点
- RAG：招生章程、选科要求、录取规则、就业方向。
- Tool Calling：分数区间、院校数据、专业对比、历史咨询。
- Agent：查询、解释、风险提示、报告生成。
项目亮点
- 业务画面感强，适合公开图文展示。
- 用户能直观看到 AI 为什么给出这个建议。
- 很适合讲“解释能力”，而不是只讲“推荐结果”。
面试追问
- 推荐结果的依据怎么解释？
- 政策数据更新后如何同步？
- 咨询报告生成慢怎么办？
1 分钟介绍
这个项目是一个 Java+AI 企业级项目，核心不是单独做聊天机器人，而是把大模型能力接入真实业务流程。我的讲法会先说明业务痛点，再讲 Java 后端负责流程、权限、事务和审计，最后说明 RAG、Tool Calling 和 Agent 分别解决知识检索、业务查询和多步骤编排问题。
3 分钟介绍
我会先从业务背景讲起：这个项目要解决的是传统系统中信息分散、流程依赖人工经验、处理效率不稳定的问题。整体链路上，用户先发起业务请求，Java 后端完成鉴权、参数校验、状态流转和数据落库；AI 层负责理解意图、检索知识、调用受控工具并生成草稿或建议。
技术上，项目通常会用 Spring Boot 承接核心业务接口，用 MySQL 保存业务主数据、状态记录和审计日志，用 Redis 做热点缓存、会话上下文和幂等控制，用 MQ 解耦通知、索引同步和统计任务。AI 能力上，RAG 负责检索企业知识和历史案例，Tool Calling 负责受控查询业务数据，Agent 负责编排多步骤任务。正式写操作和高风险动作不会让模型直接执行，而是进入人工确认或 Java 业务服务事务边界。
面试时我会重点强调三点：第一，AI 只是辅助理解和生成建议，不能绕过权限和审计；第二，所有工具调用都要做白名单、参数校验、限流和日志；第三，模型超时、无召回、低置信度或输出不合法时，要能降级到规则模板、人工处理或只展示已有业务数据。
简历一句话写法
我负责 AI 升学咨询平台的 Java+AI 项目表达，覆盖志愿填报、院校推荐、政策解读和咨询报告生成。