圖片由AI生成

如果說每年雙11是阿里對電商業務的年度大考，那么，每年6-7月的高考志愿報告，便是其Agent年度算力峰值大練兵。

去年，阿里巴巴旗下夸克團隊首次推出了“AI志愿報告”這一形式，最終數據顯示，用戶領取量將近1300萬份。而AI Agent生成單份報告需5–10分鐘，?內部估算，一份報告相當于發起上萬次搜索?，對算力需求極高。

當時，為應對高考季（6月中下旬）集中使用，夸克?將相關算力投入擴大100倍?，并調用阿里巴巴集團資源保障服務，不過未披露絕對資源量。

今年6月10日，阿里旗下千問上線國內首個全周期高考志愿填報Agent。今年新推出的高考Agent，基于千問高考志愿大模型和夸克8年高考數據經驗打造，具備“志愿報告”“志愿日歷”“志愿問答”三項能力。

如果按千問這一次AI志愿填報單份15-40頁A4紙的PDF的規模計算，對算力資源又是一次極大的消耗。不過，千問團隊未公開回應具體算力消耗規模。

“在高考志愿這件事情上，從阿里全集團的角度上來看，是不做任何限制的，我們也得到了阿里云到全集團所有算力的支撐，這個我們可以直接作承諾。”發布會結束后，千問事業部產品負責人鄭嗣壽說。

Agent填報機制與大模型應用本質不同

當前，全國各地高考戰爭已經結束，1290萬人（2026年全國高考報名人數），或者說1290萬個家庭的另一場戰爭已經開啟——“志愿填報”正在進入白熱化。

考生和家長們打開手機，各式各樣的“AI志愿助手”的信息已然鋪天蓋地。它們號稱能“一鍵生成完美方案”，能“精準預測錄取概率”。 然而，在這股看似繁榮的AI熱潮背后，大家內心始終會有擔憂：如果AI“一本正經地胡說八道”（產生幻覺），把前途算錯了怎么辦？

事實上，高考志愿填報，本質上是一個有限理性下的多屬性風險決策模型。它是一次性的、結構不清晰、無現成標準答案的重大人生決策，無法靠固定程序來解決，需要個人的判斷、創造力和大量信息處理。

考生能根據往年錄取位次、線差等數據，大致估算出被某校某專業錄取的概率，但信息并不完美，且存在“大小年”等波動。同時，填報需要權衡多個相互沖突的目標，比如，學校層次、專業實力與興趣、所在城市、就業前景、學費等。無法用一個指標最優來簡單決定，本質上是多目標決策。

現實中，考生和家長無法掌握所有信息，也不可能列出全部備選方案一一比較（“平行志愿”數量有限）。認知和時間都有限，所以人們通常尋找“足夠好”的滿意解，而非理論上的全局最優解。這個過程高度依賴啟發式判斷，并受情緒、社會比較等影響。

千問事業部AI算法負責人蔣冠軍對作者分析道，高考志愿填報決策極其復雜，涉及院校、專業、地域、就業等十個核心維度，理論組合空間高達上億種。面對這類復雜決策場景，缺乏領域知識的通用大模型不僅易出現事實錯誤，也缺少真實志愿填報中“如何平衡沖穩保”的專家經驗。

為此，基于千問基礎大模型，算法團隊提取了志愿規劃師的專家思考路徑，將其轉化為多輪對話與推理鏈訓練數據，通過強化學習建模與監督微調，讓模型形成“規劃、執行、反思”的推理機制。千問構建了覆蓋約40萬種組合空間的“AI考生”體系對模型進行反復壓測，確保模型對志愿填報的各種情況都能應對。

Agent機制跟傳統的大語言模型的應用有何差異？

鄭嗣壽解釋道，傳統大模型是用戶問一個問題，模型直接給你答案，在這個過程中，模型會去搜索最新的資料，參考資料做總結和回答，但Agent有天然的不同，它得到問題后有一個復雜的從思考、規劃、執行，再思考、再規劃、再執行的這樣一個反復循環過程。

在公共Agent部分，拿到問題，它先想的是，這個問題用戶背后的真實意圖是什么？有簡單的，有復雜的，也有連續的。Agent如果判斷是簡單的，會直接給答案，如果是復雜的，需要架幾個步驟，用幾個工具組合起來回答的，那就開始規劃各種工具。

此外，千問志愿的Agent組建了一個300多人的志愿填報專家團隊，把專家思考一個具體的志愿問題的經驗抽離出來數據讓Agent掌握，結合志愿填報場景做深度的優化和建設，這是高考志愿Agent有別于其他Agent的地方。

不過，在千問的邏輯里，Agent不能盲目自信。對于那些“超出規則”的敏感問題，比如，“家里沒背景別學金融”等帶有主觀色彩的經驗之談，千問采取了相對謹慎的策略。

“我們不會把這些抽象成通用規則讓模型去死記硬背。”鄭嗣壽對作者解釋道，因為今年和去年，很多企業和行業規則可能就變了。對于這種動態的、語境化極強的信息，不做通用回答，而是引導用戶去思考當下的具體情況。

千問是選擇讓AI扮演“輔助者”，在那些AI容易“翻車”的邊緣地帶，保留了人類的復核機制。

“歸根到底，今天整個AI的發展，其實還是AI機器學人，但是有一些地方機器做得比人好，但是肯定還有很多的地方，機器是不如人的。”蔣冠軍對作者表示。

在他看來，人類咨詢師能夠干的事情是“感同身受”，有人類的背景知識，這種同理心是天然“對齊”的，這是人比機器有優勢的地方。而當用戶去用Agent高考問題的時候，很多信息是沒有那么對齊的，所以Agent要采取追問機制，要讓用戶提交資料，盡量做對齊。

那些“非AI”敘事的笨功夫

“坦率講，我們在高考這件事情上沒有競品。”鄭嗣壽對作者說。

但有意思的是，千問在高考領域積累了8年的護城河，一項關鍵的工作，其實是屬于最“笨”的數據清洗工作。

據鄭嗣壽透露，千問內部有一個數據團隊全年做高考相關的數據，特別是基礎數據，特別是招錄數據的校驗、補全。

為此，他們還投資了一家公司專門做與高考數據有關的事情。

數據清洗有非常多的苦活、累活。在高考志愿填報場景，除了大家已經都知道的，全國各地高考分數線不是統一公布的，它散落在各個學校的官網、考試院，甚至是一本本紙質的“大本”里的情況，過程中，團隊也發現一些更難解決的問題。

比如說，有時候哪怕是標準本上的數據也可能有問題。如果把幾年數據累加在一起，就更難了，因為專業改名了，專業做調整，兩個專業合并了等，這些邊界條件非常復雜。

因此，整個志愿回答里面，千問Agent會著重溯源的機制。這種設計在技術上增加了巨大的復雜度。通常大模型生成回答是一氣呵成的，而千問則要求模型在生成每一個數據點時，都要“回頭看”，都要綁定一個可信的源頭。這相當于給AI套上了一副“腳鐐”，讓它每走一步都要“有據可查”。

“這是我們在用盡所有的力量去對抗大模型天然的漏洞。如果數據實在太多，或者不同來源有出入，我們的辦法是把不同的來源都列出來，展示給用戶。”鄭嗣壽表示。（本文首發于鈦媒體APP，作者｜李程程，編輯｜楊林）