智愿AI——智慧填报，愿你所想。
一、从上万元的志愿服务，到一个已经落地的AI产品
1. 先讲一个发生在我身边的故事
今年表妹高考，分数出来以后，家里人担心志愿填不好，花了一万元请了一位业内小有名气的“资深志愿规划师”。
规划师和她聊了两个多小时，翻了厚厚几本志愿填报资料，最后给出了一份排好顺序的志愿方案。
那段时间，我刚好在用 TRAE 做一个高考志愿填报 AI。那时的产品还只是一个比较粗糙的 Demo，于是我也让表妹输入了自己的分数、位次、选科和专业意向，生成了一份志愿方案。
结果出来以后，连我自己都有些意外：两份方案的核心院校和专业方向高度接近。
最后，表妹被吉林大学医学相关专业录取。这所学校既在人工规划师的建议中，也是智愿AI给出的“稳”档推荐之一。
当然，一个个案不能证明 AI 可以替代所有专业规划师。优秀规划师积累多年的经验、判断和沟通能力，依然非常有价值。
但这件事让我开始认真思考：为什么一次专业的志愿填报服务，要花费数千甚至上万元？为什么好的升学指导，只能被少数付得起高价的家庭获得？为什么信息差，要成为普通孩子人生路口的一道门槛？
这就是智愿AI真正的起点。
2. 这不是一个停留在比赛里的概念
智愿AI现在已经是一套能够真实使用和商业化交付的产品。它包含面向考生和家长的 H5 与小程序端、面向教育机构的租户后台，以及面向平台运营方的 SaaS 管理后台，覆盖智能志愿推荐、高考数据查询、AI 升学咨询、模拟志愿表、机构运营和多租户管理等完整业务流程。
目前，系统已经商用服务 5 家教育机构，并投入 2026 年高考报考服务。机构可以使用自己的品牌、Logo、域名和独立后台服务客户，也可以选择私有化部署；平台则可以通过一套系统管理多个机构，完成租户配置、域名授权、版本更新和持续运营。
这意味着智愿AI并不是为了参加比赛临时制作的页面或概念 Demo，而是已经完成了从需求发现、产品开发、真实使用到商业交付的第一轮验证。
3. 我们具体解决了什么问题
对于考生和家长，智愿AI解决的是数据分散、规则复杂、人工服务昂贵的问题。用户不必在多个网站和报考资料之间反复查找，只需输入分数、位次、选科和个人偏好，就能获得有概率、有梯度、有解释的志愿方案，并继续完成院校专业查询、AI 咨询和模拟志愿表管理。
对于升学规划师和教育机构，智愿AI解决的是服务效率低、缺少自有系统和品牌难以沉淀的问题。机构可以用自己的品牌和入口为考生服务，通过标准化推荐、用户管理、内容营销和推广溯源提高服务效率，不再依赖带有其他平台品牌的第三方查询工具。
对于平台运营方，智愿AI解决的是多机构交付和持续维护的问题。平台通过 SaaS 多租户、独立域名、授权管理、在线更新和私有化部署能力，用一套代码服务多个机构，降低重复开发和后续维护成本。
早在 2023 年，我们就讨论过开发这套系统，但按照传统方式评估，完成全国高考数据整理、移动端、机构后台、SaaS 平台、推荐算法和 AI 顾问等能力，至少需要半年以上，还要承担较高的外包与人力成本，项目因此一度被搁置。直到开始使用 TRAE，我们才有能力把需求拆解、产品设计、页面开发、算法实现、接口联调、数据采集、RAG 链路和部署交付逐步跑通，并在不到两个月内完成从 0 到 1。
二、智愿AI是什么
1. 产品定位
智愿AI是一套基于高考数据、推荐算法、大模型和 RAG 检索增强技术构建的智能升学决策平台。
它不是一个简单的“输入分数、返回学校”工具，而是一套覆盖考生决策、机构服务和平台运营的完整产品。
产品包含面向考生和家长的 H5 与小程序端、面向教育机构的租户后台，以及面向平台运营方的 SaaS 管理后台。系统同时具备多租户、独立品牌、独立域名、私有化部署、域名授权和在线更新等商业化交付能力。
我们的目标是：
把高考志愿填报从“人工查表和经验判断”，升级为“数据驱动、AI辅助、结果可解释、系统可交付”的智能决策服务。
2. 从初赛Demo到复赛完整产品
初赛阶段，我主要证明了一件事：基于考生画像、历史录取数据和当年招生计划，可以生成具有冲稳保梯度和推荐理由的志愿方案，并且用。
进入复赛后，我们没有停留在“算法能跑通”的阶段，而是围绕真实用户和商业交付场景继续完善产品。在用户端，我们补齐了分数位次转换、考生画像、冲稳保推荐、录取概率分析、院校专业查询和模拟志愿表；在 AI 能力上，增加了基于 Seed 2.0、RAG 和 Seed TTS 的语音升学顾问；在机构端，增加了每日院校推荐、AI 分享海报、推广溯源和分销结算；在平台端，进一步完善了多租户管理、品牌定制、域名授权、私有化部署和在线更新。
与此同时，我们还系统优化了移动端页面、加载状态、异常处理和完整用户路径，让产品从“能够演示”真正走向“能够体验、运营和交付”。
现在的智愿AI已经形成四个核心模块：智能志愿填报引擎、高考数据中心、AI 升学顾问和营销增长工具箱。
三、智能志愿填报引擎
1. 输入分数，输出方案
智能志愿填报引擎是智愿AI的核心。如果用一句话概括，就是：输入分数，输出一份有依据、可解释、可调整的志愿方案。
考生输入所在省份、高考分数和选科等信息后，系统可以在短时间内生成冲、稳、保三档院校推荐，并给出录取概率、位次优势、专业匹配度和风险提示。
整个推荐链路可以概括为：
考生画像 → 数据归一化 → 历史录取召回 → 当年招生计划校验 → 多维评分 → 冲稳保编排 → 推荐理由生成 → 志愿方案输出
系统首先根据考生所在省份、报考年份、科类、录取批次、高考分数、全省位次和选科组合建立基础画像，再综合城市与地区偏好、院校层次偏好、专业兴趣、职业方向、学费限制、调剂意愿、特殊项目及个人背景等信息，形成更加完整的个性化报考画像。
当用户只填写分数时，系统会结合对应省份的一分一段表估算其全省位次，为后续跨年份录取数据对比建立更加稳定的参考基准。
随后，推荐引擎会参考近三年的历史录取数据召回候选院校和专业，并与当年的招生计划和选科要求进行校验。系统综合历年最低录取位次、多年位次加权结果、历史波动范围、考生位次优势、招生计划变化和冲稳保安全边际，计算每所院校及专业的录取概率。
在推荐排序阶段，系统还会综合专业匹配度、院校实力、城市偏好、就业质量、院校层次、选科限制、学费范围和调剂意愿进行多维评分，最终生成冲、稳、保分层方案。每一项推荐都会附带录取机会、位次优势、匹配依据和风险提醒，让用户不仅知道“推荐什么”，也能理解“为什么推荐”和“风险在哪里”。
2. 分数与位次秒转换
高考志愿填报中，分数不是唯一标准，真正具有跨年份参考价值的是位次。
智愿AI接入各省历年一分一段数据。考生输入分数后，系统可以快速换算对应的全省排名，并把当前位次与往年院校和专业的最低录取位次进行对比。
这一步看似简单，却是整个志愿推荐链路的基础。如果位次换算不准确，后续的院校召回、概率计算和冲稳保分层都会受到影响。
3. 智能院校匹配与多维筛选
基于历年录取数据和当年招生计划，系统可以从大规模候选数据中匹配不同风险梯度的院校和专业，并按照冲、稳、保进行分类。
系统支持按照院校所在省份和城市、985/211/双一流等院校层次、公办或民办属性、专业类别、选科要求、学费范围、院校类型以及冲稳保档位进行组合筛选，帮助考生从大量候选院校中快速缩小目标范围。
4. RAG定制化方案生成
在结构化推荐结果的基础上，智愿AI进一步使用 Seed 2.0 + RAG 检索增强技术生成个性化志愿方案。
系统会从本地高考数据库中检索院校、专业、分数线、位次、招生计划、就业方向等信息，并结合考生的院校意向、地区意向、专业偏好、特殊项目和个人背景进行综合分析，生成具有针对性的方案说明。
这种方式并不是让大模型凭空推荐，而是先从高考数据库中检索相关信息，再结合考生画像进行推理和表达，从而降低黑箱输出和无依据回答的风险。
5. 模拟志愿表管理
用户可以把推荐结果加入模拟志愿表，按照冲、稳、保进行分层管理，并完成院校收藏、专业选择、志愿顺序调整、方案替换和多套志愿表对比。
完成调整后，系统还支持一键导出 Excel 志愿表，方便考生和家长进一步讨论，也便于后续参考录入官方高考志愿填报系统。
四、高考数据中心
1. 所有智能能力的数据底座
如果说推荐引擎是智愿AI的大脑，那么高考数据中心就是它的地基。再智能的算法，如果没有准确、全面、及时的数据，也只能是空中楼阁。
过去，考生和家长为了了解一所学校，往往需要在教育考试院、院校招生网、排行榜网站和各种信息平台之间来回查询。不同平台的数据来源分散、格式不统一，不同省份和年份之间也很难直接比较。
因此，我们把分散在多个渠道、不同格式中的高考相关数据进行采集、整理、去重、清洗和结构化处理，建设了一套统一的高考数据库，让考生和家长能够在一个平台内完成大部分信息查询。
2. 分数位次与录取数据
高考数据中心收录了各省历年一分一段表，用于记录不同省份、年份和科类中，每个分数对应的人数和累计位次，为分数位次转换及志愿推荐提供基础。
系统同时整理了院校录取分数线和专业录取分数线。用户不仅可以查看一所学校的最低录取分和最低录取位次，还可以进一步查看具体专业的录取情况及历年变化，更直观地判断自己的分数和位次是否匹配目标院校与专业。
3. 招生计划与同分去向
招生人数的变化会直接影响录取结果，因此系统提供当年招生计划查询，展示不同院校和专业在对应省份的招生人数、录取批次及选科要求。
此外，系统还提供同分去向分析，帮助用户了解与自己处于相近分数或位次的往届考生，最终进入了哪些省份、院校和专业。相比只看一条最低录取线，同分去向可以为考生提供更加直观的横向参考。
4. 院校百科与大学排行榜
院校详情百科聚合了学校的办学层次、院校类型、优势学科、特色专业、就业情况、保研相关信息、校园环境、招生章程、历年录取趋势以及所在地生活信息，尽可能做到“一校一页”，让考生和家长在一个页面内完成对目标院校的全面了解。
系统还聚合了多个大学排行榜维度，帮助用户从综合实力、学科建设和专业特色等不同角度认识院校，避免只依赖单一榜单作出判断。
五、AI升学顾问
1. 从查询工具到私人升学顾问
如果说推荐引擎和数据中心仍然属于“工具”，那么 AI 升学顾问希望解决的是工具之外的问题。
很多考生不是不知道有哪些专业，而是不知道自己究竟喜欢什么、擅长什么，以及未来适合走向什么方向。传统查询系统可以告诉考生某个专业学什么、分数线是多少、毕业后可以从事哪些工作，却很难帮助考生系统梳理兴趣、能力、性格和职业期待。
因此，我们为智愿AI设计了“高考小智”，并将职业能力测评与 AI 语音咨询结合起来。职业能力测评负责形成结构化的兴趣与能力画像，高考小智则通过持续对话进一步理解和验证考生的真实想法，最终结合专业数据库、职业画像与高考数据，提供更加个性化的专业适配建议。
这让智愿AI不再只是回答“我的分数能上什么学校”，还可以进一步帮助考生思考“我更适合什么专业”和“未来可能走向什么职业”。
2. 职业能力测评
很多考生在填报志愿时，能够说出自己喜欢或不喜欢的学科，却很难准确判断自己的能力特点、职业倾向和适合的发展方向。如果只根据高考分数选择专业，容易忽略专业学习方式、职业环境与个人特质之间的长期匹配。
因此，智愿AI在志愿推荐和语音咨询之间加入了职业能力测评。测评围绕考生的兴趣倾向、学科优势、思维方式、沟通协作、动手实践、创新能力、职业价值观和工作环境偏好等维度展开，帮助考生形成更加完整的个人能力与职业倾向画像。
系统不会仅凭一次测评直接决定考生应该学习什么专业，而是将测评结果与考生的选科、成绩、院校偏好、专业数据库和后续语音对话结合起来，综合分析其更适合的专业领域与职业方向。完成测评后，用户可以查看自己的优势能力、潜在短板、职业兴趣类型、适配专业方向和进一步探索建议。
职业能力测评的结果还会进入 AI 升学顾问的对话上下文。高考小智会根据测评中表现突出的能力、前后不一致的选择以及需要进一步确认的倾向继续追问，帮助考生验证真实想法，避免只凭一次选择题或短期兴趣作出专业判断。
职业能力测评提供结构化画像，AI语音对话负责进一步理解和验证，两者共同形成更加可靠的专业适配分析。
3. AI语音专业适配对话
完成职业能力测评后，高考小智会结合测评画像开启进一步的语音访谈。AI不会简单重复测评中的问题，而是围绕考生兴趣与能力之间的矛盾点、目标专业的真实学习内容以及未来职业环境展开追问，进一步验证考生与目标专业的适配程度。
在对话过程中，AI会逐步了解考生的兴趣爱好、优势学科、性格特点、交流方式、风险偏好、目标城市、理想行业和职业期待，再结合专业数据库、职业画像和测评结果进行综合判断。
完成对话后，系统会对目标专业给出“适合”“谨慎考虑”或“不推荐”的结论，同时说明判断依据、潜在优势、风险因素和进一步了解建议，而不是只给出一个简单标签。
例如，一个考生可能向往临床医学，但并不了解它的培养周期、学习压力、工作环境和职业路径。AI 顾问不会简单告诉他“能不能报”，而是结合测评结果和持续对话，帮助他判断自己是否能够接受长期学习、高强度训练、与患者沟通以及未来职业发展的现实条件。
4. 更接近真人顾问的语音体验
语音部分采用 Seed TTS 模型。相比机械化、一字一顿式的合成语音，我们更重视咨询场景中的语气、停顿和交流感，希望考生在表达真实想法时更加放松。
在智愿AI中，语音并不是为了“凑功能”，而是为了降低交流门槛。很多考生面对正式问卷时，会下意识填写自己认为正确的答案；但在相对自然的语音交流中，他们往往更容易表达真实兴趣、顾虑和期待。
语音对话也弥补了标准化测评的局限。测评可以快速收集结构化信息，而对话能够追问选择背后的原因，识别考生的犹豫、矛盾和真实顾虑，让专业适配分析更接近一次耐心、连续的升学咨询。
5. Seed 2.0与RAG双源知识支撑
AI 升学顾问的知识回答由两类信息共同支撑：一方面通过联网检索链路获取较新的政策、院校动态和就业信息，另一方面通过本地 RAG 检索获取结构化的院校、专业、分数线、招生计划和职业方向数据。
当用户询问院校情况、专业课程、就业方向、保研相关信息或志愿风险时，系统会先检索相关资料，再由 Seed 2.0 结合考生画像、职业能力测评和对话上下文完成理解、推理和表达，让回答尽可能建立在可追溯的信息基础上。
六、营销增长工具箱
1. 让产品具备自传播能力
我们在服务教育机构的过程中发现，一套 B 端系统不仅要帮助机构“服务用户”，还要帮助机构“获得用户”。
很多升学规划师和中小型教育机构具备专业服务能力，但缺少内容生产、客户溯源和数字化运营工具。因此，我们把营销和增长能力直接做进了产品，让智愿AI不仅是一套报考工具，也能够成为机构获取和经营客户的业务平台。
2. 每日院校推荐
系统会根据考生的分数和意向，每日推荐一所相对适配的院校，并附带院校亮点、优势专业和录取参考。用户可以像浏览资讯一样持续了解不同大学，减少一次性研究大量院校所带来的压力，也能在长期使用中逐渐形成更清晰的目标范围。
3. AI分享海报
系统可以自动生成包含院校图片、关键信息、推荐亮点、机构品牌和专属二维码的院校推荐海报。
对于升学规划师来说，这类内容可以直接用于社交平台分享和客户触达，减少每天手动选题、查资料、排版和制图的工作量，也帮助机构建立更统一的品牌形象。
4. 推广溯源与分销结算
每个用户、规划师和教育机构都可以拥有独立推广标识。用户通过对应入口注册、咨询或下单后，系统会记录来源，帮助机构了解不同渠道的获客和转化效果。
系统同时支持两级以内的推广关系和佣金计算，用于机构、规划师和渠道伙伴之间的合作。实际商业运营仍需结合具体地区、业务模式和平台规则进行合规审查，产品主要提供清晰、透明和可配置的技术与数据能力。
七、完整产品与用户路径
1. 考生和家长端
现在，考生可以在智愿AI中完成一条相对完整的升学决策路径：
填写分数和选科 → 换算全省位次 → 建立考生画像 → 获取冲稳保推荐 → 查看录取概率和推荐理由 → 查询院校与专业数据 → 咨询AI升学顾问 → 加入模拟志愿表 → 调整志愿顺序 → 导出志愿方案
这条链路覆盖了从“我能上什么学校”到“我适合什么专业”，再到“如何形成最终志愿表”的主要决策过程。
2. 教育机构端
教育机构可以在租户后台配置自己的品牌信息，管理考生和用户，辅助生成志愿方案，跟踪服务进度，维护内容与海报，管理推广渠道，并查看订单和结算数据。
这意味着机构不需要再使用带有其他品牌名称的第三方查询系统，而是可以通过自己的名称、Logo、域名和服务入口直接面向客户。
3. SaaS平台端
平台运营方可以创建和管理多个机构租户，配置独立品牌和域名，分配后台权限，管理授权状态，发布产品版本并执行在线升级。
同一套代码可以同时服务 H5、小程序、机构后台和平台后台，也可以根据机构需求进行独立部署。
这也是智愿AI从初赛 Demo 到复赛成品最重要的变化：初赛证明核心推荐链路可以成立，复赛完成了从用户决策、AI咨询到机构运营和SaaS交付的完整闭环。
八、产品演示
备用链接： https://xw9rnpkcb00.feishu.cn/wiki/E8YxwszzmiF2uNkJO0BcSQ5WnGd
九、技术方案
1. 技术栈
考生端使用 uni-app 开发，一套代码适配 H5 和小程序；机构后台和平台后台基于 Vue 3 与 Element Plus 搭建；后端使用 ThinkPHP 8，数据存储采用 MySQL 5.7；方案生成和对话问答使用 Seed 2.0 mini，语音交互采用 Seed TTS，知识增强部分由本地高考数据库与 RAG 检索链路共同支撑。
在交付层面，系统采用 SaaS 多租户架构，同时支持私有化部署、域名授权和在线更新。
2. SaaS多租户架构
为了让同一套系统同时服务多个教育机构，平台支持通过独立域名、路径租户标识、请求头、Cookie 和小程序 AppID 等方式识别租户。
每个机构可以配置自己的名称、Logo、联系方式、移动端入口、后台入口和独立域名。用户访问不同机构的入口时，系统会自动加载对应租户的品牌、配置、权限和业务数据，实现机构之间的数据隔离与独立运营。
3. 私有化部署与在线更新
面向需要独立部署的教育机构，系统提供授权码与部署域名绑定、在线版本检查、升级包下载与校验、文件替换和数据库迁移等能力；升级过程中会自动保护环境配置、上传目录和授权信息，既支持统一 SaaS 运营，也支持机构独立部署和持续更新。
十、TRAE带来的效率提升
1. 高考数据采集与清洗
传统方式下，我们需要人工前往各省教育考试院和院校招生网站，整理一分一段表、分数线、招生计划和专业数据，再进行格式统一、去重和校验。
按照最初评估，这项工作可能需要三到六个月。借助 TRAE 进行采集任务拆分、数据处理脚本开发和异常排查后，我们用一到两周完成了全国 30 多个省份、上千所院校和上万个专业相关数据的阶段性整理。
2. 前端页面开发
团队早期缺少专职前端人员。如果采用传统外包方式，一套包含移动端、机构后台和平台后台的完整系统，开发周期和费用都会成为项目启动的重要门槛。
通过 TRAE，我们可以直接描述业务流程，生成页面和交互，再根据真实使用反馈持续调整。移动端和后台的主要页面在两周左右完成了第一轮搭建，后续再逐步完善视觉、交互和异常状态。
3. RAG知识链路
向量检索、召回参数、Prompt 和上下文组织，需要经过大量调试。在 TRAE 的帮助下，我们将知识库建设拆分为数据整理、文档切分、索引构建、检索测试、答案生成和效果评估等步骤，用约三天跑通了第一版完整链路。
4. 从0到1的整体效率
按照我们最初的评估，这类系统至少需要半年才能完成第一版。
最终，我们在不到两个月内完成了考生端、教育机构后台、SaaS 平台后台、高考数据中心、智能推荐算法、RAG 升学顾问、语音交互、营销增长工具、私有化部署、域名授权和在线更新等核心能力，整体开发效率提升三倍以上。
这并不是通过加班堆出来的，而是把大量重复开发、数据处理和问题排查工作交给了 TRAE，让团队可以把更多精力放在业务规则、产品体验和用户价值上。
十一、TRAE实践过程
1. PRD与系统拆解
我们没有让 AI 一次性生成整个项目，而是先让 TRAE 帮助梳理产品需求，再把系统拆分为用户端、考生画像、院校与专业查询、志愿推荐、志愿表、AI 升学顾问、会员与订单、租户后台、平台后台、授权更新和私有化部署等模块。
每个模块继续拆分为可以单独开发和验证的小任务，完成一个、测试一个，再进入下一阶段。
2. 页面与交互开发
在现有 uni-app、Vue 3 和 Element Plus 技术体系内，我们借助 TRAE 逐步完成首页、登录、推荐列表、院校详情、志愿表、AI 对话、会员转化、推广中心和后台管理页面。
开发过程中，我们不是简单地接受一次生成的结果，而是根据真实用户路径持续调整页面层级、组件状态、接口处理、空数据提示和移动端交互。
3. 后端与推荐算法
TRAE 协助完成接口设计、考生画像处理、历史录取召回、招生计划校验、概率计算、冲稳保分层和推荐理由生成，并持续排查跨端联调和数据异常问题。
对于志愿推荐这种复杂业务，我们把算法拆成多个相对独立的模块，分别处理数据归一化、候选召回、计划校验、概率计算、多维评分和结果编排，避免所有逻辑堆叠在一个不可维护的流程中。
4. AI与RAG链路
围绕升学咨询场景，我们持续调整检索策略、Prompt、上下文长度、回答结构和风险提示，让输出尽可能以高考数据为依据，而不是生成看似正确却无法验证的答案。
语音顾问开发过程中，TRAE 还协助处理了语音交互状态、对话上下文、专业适配分析和结果呈现，让 AI 能力不只停留在一个普通聊天框中。
5. SaaS与商业化交付
在核心报考能力之外，我们继续使用 TRAE 完善多租户、机构品牌、域名授权、在线更新、分销溯源和私有化部署，让作品从参赛 Demo 逐步成为可以真实交付的业务系统。
6. 关键任务Session ID
以下为产品开发过程中的部分关键任务 Session ID。
Session ID 1：
1576073131983408:e542595befc8653d6a4658a3329a3631_6a749daba729c2bd24f0e927.6a749f2da729c2bd24f0ea3d.6a749f2da729c2bd24f0ea3b:TraeWork CN.0.1.45.no_sid.no_ppe.T(2026/8/6 22:50:21)
Session ID 2：
1576073131983408:42f5f3ead362f1cd55e10ba59de9514e_6a6ebfe7a729c2bd24f0dfce.6a6ebfe7a729c2bd24f0dfd1.6a6ebfe7a729c2bd24f0dfcf:TraeWork CN.0.1.45.no_sid.no_ppe.T(2026/8/2 11:56:23)
Session ID 3：
1021907638952288:1280ef0f23656caeb3dabb57515b1ece_6a786dcc2825bd85bd1cafaa.6a786ee92825bd85bd1cafd5.6a786ee92825bd85bd1cafd3:TraeWork CN.0.1.45.no_sid.no_ppe.T(2026/8/9 20:13:29)
Session ID 4：
107099212227632:17c86bf99c37c7d6c8a51aa96c8e43f9_6a747a929e30c543eca757a6.6a771eb7822ff077415fffb2.6a771eb7822ff077415fffb0:TraeWork CN.0.1.47.no_sid.no_ppe.T(2026/8/8 20:19:03)
Session ID 5：
107099212227632:5bff134355fd33e2be475b32732b4b1b_6a747a929e30c543eca757a6.6a772fb0822ff077416000df.6a772fb0822ff077416000dd:TraeWork CN.0.1.47.no_sid.no_ppe.T(2026/8/8 21:31:28)
十二、商业化路径：如何把产品持续做下去
1. B端SaaS定制
在已经完成首批机构交付的基础上，我们的第一优先级是继续为高考报考机构和教育培训机构提供定制化 SaaS 系统，包括独立 Logo、品牌名称、域名、移动端、机构后台、私有化部署、专属功能开发、技术维护和版本升级。
很多教育机构拥有客户资源和专业服务能力，却没有自己的技术团队，也不希望在服务客户时使用带有其他品牌名称的第三方系统。智愿AI希望成为这些机构背后的技术基础设施。
2. 百家伙伴与渠道合作
我们计划在全国寻找一批升学规划机构，通过低门槛的 SaaS 系统和订单合作方式共同服务考生。
系统同时提供推广标识、二维码溯源和佣金计算能力，帮助机构、规划师、老师和教育内容创作者形成清晰透明的合作链路，让有客户资源但缺少技术能力的机构也能拥有自己的数字化服务平台。
3. C端会员服务
C端用户可以先免费查询分数与位次，建立考生画像并生成志愿方案，体验部分推荐结果后，再根据需求解锁完整方案或升级个性化服务。
C端业务的意义不仅在于收入，还在于通过口碑传播建立品牌，通过真实用户反馈改进产品，通过行为数据持续优化推荐策略，并为 B 端机构合作提供更有力的品牌背书。
因此，我们的商业化逻辑是：B端SaaS是核心利润来源，机构伙伴和渠道合作是增长引擎，C端会员是用户起量与品牌建设的基础。
十三、AI与人类规划师
1. 不是替代，而是重新分工
我们不认为 AI 可以完全取代优秀的人类志愿规划师。
志愿填报不仅涉及数据，还涉及家庭选择、人生期待和复杂沟通。真正优秀的规划师，在倾听、判断和陪伴方面依然具有独特价值。
但 AI 可以承担大量标准化、重复性和数据密集型工作。它可以快速处理全国上千所院校和上万个专业的相关数据，保持相对一致的推荐标准，24 小时响应用户，根据条件变化随时重新计算，并通过语音交互降低沟通门槛。
因此，我们更希望形成一种新的分工：
AI负责全量数据、基础分析和方案初筛，人类规划师负责深度沟通、关键判断和个性化陪伴。
对于普通家庭，AI可以显著降低获得专业建议的门槛；对于教育机构，AI可以帮助规划师提高服务效率和标准化程度。
智愿AI不是要消灭专业服务，而是希望让专业服务覆盖更多原本无法承担高昂费用的家庭。
十四、公益计划
1. 教育资源缺失地区扶持计划
做这个产品的初衷，本来就是觉得：好的志愿填报指导，不应该是有钱人的特权。
因此，我们规划了一个“教育资源缺失地区扶持计划”。面向山区、海岛、经济困难家庭和教育资源相对不足地区的考生，在完成必要材料审核后，可以免费获得完整的志愿填报服务。
相关材料由后台进行保密审核，不公开展示，不用于营销宣传，也尽量避免给申请者增加心理负担。
我们希望做的是：保护好孩子的自尊心，然后安静地把应该做的事情做完。
之所以有能力探索这件事，是因为 AI 和 TRAE 把产品的边际服务成本降了下来。在传统人工服务模式下，多帮助一名考生就意味着增加大量人工时间；而在系统、数据和 AI 链路搭建完成后，多服务一名考生所增加的成本会明显降低。
这让公益不再只是一句口号，而有机会成为一种可以长期运行的产品机制。
十五、下一步规划
从高考志愿走向长期升学与生涯服务
复赛不是智愿AI的终点。
接下来，我们会继续扩充更多省份和年份的数据覆盖，优化招生计划变化和录取概率模型，建立推荐结果回测与评估体系，并进一步增强 AI 专业适配对话和长期记忆能力。
产品能力也会从高考志愿继续向职业能力测试、兴趣测评、性格测评、研究生报考和长期生涯规划延伸，同时建设面向升学规划师的人机协同工作台，推进更多教育机构合作与公益服务落地。
我们希望未来的智愿AI不只是“帮你选一所大学”，而是成为一个陪伴用户完成升学选择、专业判断和职业探索的长期 AI 顾问。
十六、写在最后
让专业升学服务不再昂贵
2023 年，我认为这个项目至少需要半年才能完成，因为成本和人员问题，只能暂时搁置。
2026 年，在 TRAE 的帮助下，从初赛demo我一个人独立完成，到复赛完善我们整个产品，我们用不到两个月把它从一个想法做成了完整产品，并交付给了 5 家教育机构。
TRAE 带来的改变，不只是让代码写得更快。
它让一支年轻、人少、预算有限的团队，也有能力挑战一个需要产品、前端、后端、算法、数据、AI 和商业化交付共同协作的复杂项目。
我们也清楚地知道，志愿推荐算法还需要持续回测，数据还需要不断更新，AI 顾问也远没有达到真正人类专家的水平。
但至少，我们已经开始尝试回答最初的那个问题：
如果一万元的专业服务，可以被数据、AI和产品重新组织，那么它是否有机会变成每个普通家庭都用得起的能力？
这就是我们想通过智愿AI回答的问题。
我们只是一支平均年龄不到 25 岁的小团队，但希望把这件真正解决问题、已经产生商业价值的产品长期做下去。
智愿AI——智慧填报，愿你所想。
