我们在博客里上线了一个高考志愿栏目，名字叫「拘灵遣将」。
入口在这里：https://damonh.com/gaokao/
这个栏目先免费开放一段时间。它不是官方填报系统，也不是某位老师本人或团队授权产品。它的定位更具体：把一个高考志愿问题问完整，先查本地录取库，再让 AI 帮你盘专业、城市、家庭资源和风险边界。
高考志愿这件事，不能只靠一句“AI 帮我推荐学校”。
如果用户只输入“我 560 分能去哪”，系统很容易被迫猜：哪个省？物理还是历史？位次多少？想就业还是考公？能不能接受中外合作？家里有没有行业资源？不想去哪些城市？
这些信息没摆上桌，回答再流畅也不稳。
所以这个栏目的第一条原则是：先把底牌亮出来，再让 AI 盘取舍。
为什么要做这个栏目
高考志愿本质上不是一个纯聊天问题。
它至少有三层：
- 第一层是硬数据：省份、分数、位次、选科、录取线、专业组、年份。
- 第二层是现实约束：家庭资源、城市成本、就业目标、能不能接受调剂。
- 第三层是解释能力：为什么这个学校能冲，为什么这个专业要谨慎，为什么某个城市看着好但不一定适合你。
普通聊天机器人容易卡在第三层，讲很多“综合来看”。传统数据库工具又容易停在第一层，只给表，不给取舍。
我们想做的是中间这一层：先用数据把范围缩小，再用 AI 把取舍说人话。
这也是为什么它不是一个“输入分数，自动给答案”的工具。它更像一个在线咨询前的工作台：先把该问的问完整，把可查的数据拉出来，再把风险和下一步核对清楚。
核心能力从哪里来
这次不是从零写一个空壳聊天页。
我们接入了一个本地高考志愿项目包的主体能力。更准确地说，不是整包原封不动搬过去，而是把核心咨询能力迁移到博客服务端，再补上线上产品必须有的安全和速度层。
迁移进去的主要有几块：
- 高考志愿顾问的系统提示词。
- 一份方法论知识库，包括位次法、冲稳保、专业选择、家庭资源判断等。
- 录取数据底库。
- 省份、分数、位次、专业偏好等信息提取逻辑。
- 本地库候选 + AI 解读的组合回答方式。
线上版本没有照搬原包的本地工具壳、娱乐模式和离线维护脚本。原因很简单：公开产品必须有边界。
高考志愿是高风险决策场景。可以有口吻，可以有判断，但不能冒充任何老师本人，也不能把“致敬风格”写成“官方授权”。
数据口径必须写清楚
这个栏目当前本地库是 248,766 条，覆盖 2024-2025 年，真实覆盖 14 个省市：
上海、内蒙古、北京、安徽、山东、广东、江苏、河北、浙江、海南、湖北、湖南、重庆、黑龙江。
这个数字是我们直接复核原始项目包数据库后得到的。它不是 README 里写多少就说多少。原包说明里出现过更大的覆盖口径，但真实压缩数据库查出来就是 14 省。
这一步很关键。
做教育类工具，最危险的不是功能少，而是装作自己有数据。
如果某个省没覆盖，系统不能编学校、编分数、编位次。它应该明确告诉用户：本地库暂未覆盖该省。然后继续给专业方向、城市取舍、家庭资源、就业路径和核对方法。
比如四川、河南、福建、天津、辽宁、陕西、江西、云南、山西、广西，这些是我们现在放在页面上的待补高频省份。用户点这些省份，会自动填入提问模板。后续“不准，省份没覆盖”的反馈，也会进入补库优先级。
数据库本体没覆盖的地方，不靠 AI 硬填。后面要补，就必须重新找官方投档线、招生计划、Excel、PDF 或网页源文件，逐省解析、清洗、抽样校验，再入库。
回答流程怎么设计
工具的回答不是直接把问题丢给模型。
现在大致是这样：
- 前端先引导用户输入完整信息：省份、选科、分数、位次、专业方向、城市偏好、家庭资源和目标。
- 后端从问题里提取省份、分数、位次、选科等关键信息。
- 如果省份在本地库覆盖范围内，先给本地 DB 候选。
- 如果省份没覆盖，不列假候选，只给策略建议和核对路径。
- AI 再结合知识库补解释：专业、城市、冲稳保、家庭资源和风险。
- 前端用流式输出，让用户先看到查库结果，再看到取舍分析。
这样做的好处是，AI 不需要一上来就承担所有责任。
能查库的先查库，不能查库的先承认边界。AI 负责解释和取舍，不负责凭空制造录取数据。
为什么要做流式和“继续”
上线后我们很快遇到一个体验问题：回答长了会截断。
高考志愿的问题天然长。一个完整回答里，可能要讲候选学校、专业风险、城市成本、家庭资源、核对路径。早期版本里，AI 深度解读容易撞到服务端时间上限。更糟的是，用户发“继续”时，系统会当成新问题重新分析。
这个体验很差。
所以后面加了专门的续写模式：
- 用户说“继续 / 接着说 / 往下说 / 没说完”，系统识别为续写。
- 续写不重新查库，不重新列本地 DB 候选。
- 它会带上上一条回答的末尾，让 AI 从断点继续。
- 如果再次到时限，状态栏提示用户发“继续”，正文不再插入难看的截断提示。
这不是一个华丽功能，但很重要。
咨询类工具的信任感，往往不是来自页面多漂亮，而是来自用户知道“它没有忘记我刚才问了什么”。
反馈不是装饰
页面上有“有用”和“不准”。
这类按钮如果只做成摆设，意义不大。我们这次把“不准”继续拆成原因：
- 数据不准
- 口吻不对
- 没给学校
- 没说清风险
- 省份没覆盖
原因拆开以后，后续优化才有抓手。
如果很多人点“口吻不对”，说明提示词要调。如果很多人点“没给学校”，说明回答骨架不够直接。如果很多人点“省份没覆盖”，说明补库优先级要改。
这也是我更看重的地方：工具不是一次上线完事，而是要能接住用户反馈，再反过来改数据、改提示词、改产品。
我们刻意不做什么
这个栏目有几条硬边界。
第一，不做官方填报系统。正式志愿填报一定回到各省教育考试院和学校招生网。
第二，不让用户提交身份证号、准考证号、手机号这些敏感信息。邮箱只用于免费额度识别和后续服务通知。
第三，不编没有来源的分数线、位次和录取概率。
第四，不假装全国覆盖。现在覆盖 14 省，就写 14 省。缺省份就标出来。
第五，不把 AI 的口吻当成权威。口吻可以直，但结论必须能回到数据和公开来源核对。
这几条如果守不住，栏目越热风险越大。
这件事真正的价值
从技术上看，这只是一个 Astro 页面、几个 API、一个压缩数据包、一个提示词和一套流式接口。
但从产品上看，它解决的是另一件事：怎么把一个高风险、强现实约束的问题，拆成数据、方法、AI 和反馈四层。
数据负责边界，方法负责结构，AI 负责解释，反馈负责下一轮迭代。
这比单纯做一个“高考志愿 ChatGPT”稳得多。
对用户来说，最有用的也不是“AI 给了一个神奇答案”。最有用的是，他终于知道自己还缺什么信息、哪些方向不能上头、哪些数据必须回官方核对。
高考志愿不是玄学，也不是一句提示词能解决的事。
先把底牌亮出来。
再让 AI 帮你盘。
最后，回到官方数据上签字。