图片由AI生成
如果说每年双11是阿里对电商业务的年度大考，那么，每年6-7月的高考志愿报告，便是其Agent年度算力峰值大练兵。
去年，阿里巴巴旗下夸克团队首次推出了“AI志愿报告”这一形式，最终数据显示，用户领取量将近1300万份。而AIAgent生成单份报告需5–10分钟，内部估算，一份报告相当于发起上万次搜索，对算力需求极高。
当时，为应对高考季（6月中下旬）集中使用，夸克将相关算力投入扩大100倍，并调用阿里巴巴集团资源保障服务，不过未披露绝对资源量。
今年6月10日，阿里旗下千问上线国内首个全周期高考志愿填报Agent。今年新推出的高考Agent，基于千问高考志愿大模型和夸克8年高考数据经验打造，具备“志愿报告”“志愿日历”“志愿问答”三项能力。
如果按千问这一次AI志愿填报单份15-40页A4纸的PDF的规模计算，对算力资源又是一次极大的消耗。不过，千问团队未公开回应具体算力消耗规模。
“在高考志愿这件事情上，从阿里全集团的角度上来看，是不做任何限制的，我们也得到了阿里云到全集团所有算力的支撑，这个我们可以直接作承诺。”发布会结束后，千问事业部产品负责人郑嗣寿说。
Agent填报机制与大模型应用本质不同
当前，全国各地高考战争已经结束，1290万人（2026年全国高考报名人数），或者说1290万个家庭的另一场战争已经开启——“志愿填报”正在进入白热化。
考生和家长们打开手机，各式各样的“AI志愿助手”的信息已然铺天盖地。它们号称能“一键生成完美方案”，能“精准预测录取概率”。然而，在这股看似繁荣的AI热潮背后，大家内心始终会有担忧：如果AI“一本正经地胡说八道”（产生幻觉），把前途算错了怎么办？
事实上，高考志愿填报，本质上是一个有限理性下的多属性风险决策模型。它是一次性的、结构不清晰、无现成标准答案的重大人生决策，无法靠固定程序来解决，需要个人的判断、创造力和大量信息处理。
考生能根据往年录取位次、线差等数据，大致估算出被某校某专业录取的概率，但信息并不完美，且存在“大小年”等波动。同时，填报需要权衡多个相互冲突的目标，比如，学校层次、专业实力与兴趣、所在城市、就业前景、学费等。无法用一个指标最优来简单决定，本质上是多目标决策。
现实中，考生和家长无法掌握所有信息，也不可能列出全部备选方案一一比较（“平行志愿”数量有限）。认知和时间都有限，所以人们通常寻找“足够好”的满意解，而非理论上的全局最优解。这个过程高度依赖启发式判断，并受情绪、社会比较等影响。
千问事业部AI算法负责人蒋冠军对作者分析道，高考志愿填报决策极其复杂，涉及院校、专业、地域、就业等十个核心维度，理论组合空间高达上亿种。面对这类复杂决策场景，缺乏领域知识的通用大模型不仅易出现事实错误，也缺少真实志愿填报中“如何平衡冲稳保”的专家经验。
为此，基于千问基础大模型，算法团队提取了志愿规划师的专家思考路径，将其转化为多轮对话与推理链训练数据，通过强化学习建模与监督微调，让模型形成“规划、执行、反思”的推理机制。千问构建了覆盖约40万种组合空间的“AI考生”体系对模型进行反复压测，确保模型对志愿填报的各种情况都能应对。
Agent机制跟传统的大语言模型的应用有何差异？
郑嗣寿解释道，传统大模型是用户问一个问题，模型直接给你答案，在这个过程中，模型会去搜索最新的资料，参考资料做总结和回答，但Agent有天然的不同，它得到问题后有一个复杂的从思考、规划、执行，再思考、再规划、再执行的这样一个反复循环过程。
在公共Agent部分，拿到问题，它先想的是，这个问题用户背后的真实意图是什么？有简单的，有复杂的，也有连续的。Agent如果判断是简单的，会直接给答案，如果是复杂的，需要架几个步骤，用几个工具组合起来回答的，那就开始规划各种工具。
此外，千问志愿的Agent组建了一个300多人的志愿填报专家团队，把专家思考一个具体的志愿问题的经验抽离出来数据让Agent掌握，结合志愿填报场景做深度的优化和建设，这是高考志愿Agent有别于其他Agent的地方。
不过，在千问的逻辑里，Agent不能盲目自信。对于那些“超出规则”的敏感问题，比如，“家里没背景别学金融”等带有主观色彩的经验之谈，千问采取了相对谨慎的策略。
“我们不会把这些抽象成通用规则让模型去死记硬背。”郑嗣寿对作者解释道，因为今年和去年，很多企业和行业规则可能就变了。对于这种动态的、语境化极强的信息，不做通用回答，而是引导用户去思考当下的具体情况。
千问是选择让AI扮演“辅助者”，在那些AI容易“翻车”的边缘地带，保留了人类的复核机制。
“归根到底，今天整个AI的发展，其实还是AI机器学人，但是有一些地方机器做得比人好，但是肯定还有很多的地方，机器是不如人的。”蒋冠军对作者表示。
在他看来，人类咨询师能够干的事情是“感同身受”，有人类的背景知识，这种同理心是天然“对齐”的，这是人比机器有优势的地方。而当用户去用Agent高考问题的时候，很多信息是没有那么对齐的，所以Agent要采取追问机制，要让用户提交资料，尽量做对齐。
那些“非AI”叙事的笨功夫
“坦率讲，我们在高考这件事情上没有竞品。”郑嗣寿对作者说。
但有意思的是，千问在高考领域积累了8年的护城河，一项关键的工作，其实是属于最“笨”的数据清洗工作。
据郑嗣寿透露，千问内部有一个数据团队全年做高考相关的数据，特别是基础数据，特别是招录数据的校验、补全。
为此，他们还投资了一家公司专门做与高考数据有关的事情。
数据清洗有非常多的苦活、累活。在高考志愿填报场景，除了大家已经都知道的，全国各地高考分数线不是统一公布的，它散落在各个学校的官网、考试院，甚至是一本本纸质的“大本”里的情况，过程中，团队也发现一些更难解决的问题。
比如说，有时候哪怕是标准本上的数据也可能有问题。如果把几年数据累加在一起，就更难了，因为专业改名了，专业做调整，两个专业合并了等，这些边界条件非常复杂。
因此，整个志愿回答里面，千问Agent会着重溯源的机制。这种设计在技术上增加了巨大的复杂度。通常大模型生成回答是一气呵成的，而千问则要求模型在生成每一个数据点时，都要“回头看”，都要绑定一个可信的源头。这相当于给AI套上了一副“脚镣”，让它每走一步都要“有据可查”。
