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。

项目思维导图

核心流程

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

1. 推荐结果的依据怎么解释？
2. 政策数据更新后如何同步？
3. 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。