KnowPlan：面向学位路径规划的「抽取优先」AI 智能体

arXiv 上发表的一篇论文提出 KnowPlan 系统，旨在用 AI 智能体为学生规划合理的学位修读路径。研究指出，学位规划面临两个依次耦合的难题：一是各高校课程目录散落在目录页、系部网页、JSON 接口和 PDF 中，缺乏统一结构；二是要在先修逻辑和并行要求下为单个学生优化路径。如果把两件事混在一起做，规划器驱动自己爬取的过程会掩盖抽取阶段的缺陷。KnowPlan 的核心思路是显式划清「抽取」与「规划」的边界，并量化两阶段之间的接口质量。

两阶段架构

系统被拆分为 CatalogBrowse 与 DegreeMap 两个独立组件：

• CatalogBrowse（目录浏览智能体）：在不接触任何用户画像的前提下进行探索。它按「在有限原子课程义务集合上、以单位源访问的期望边际增益」对合法动作打分；解析环节先用平台适配器做确定性解析，失败时回退到「片段受限的子句到 AST 模型」。终止条件是一张关于索引、模式、来源与引用完整性的「闭合证书」，而非简单的奖励阈值。
• DegreeMap（路径编译模块）：仅消费 CatalogBrowse 产出的三份带溯源的 JSON 文档，将其编译成类型化的「要求超图」，再用 CP-SAT 约束求解器按字典序优化——硬可行性、完成时间、学业负荷与风险、个人效用、选项价值依次在前一阶段的已证最优解内继续优化，确保全过程可被求解器预算内验证。

实验结果

论文在 100 所大学的「广覆盖」赛道与 6 所学校的「高密度」赛道上进行了测试：

• CatalogBrowse 取得 96.2% 的目录条目召回率，遮蔽源恢复率达 88.7%，且源访问量比穷举式爬虫减少 47%。
• DegreeMap 在保持 100.0% 硬可行性的同时，个人效用相比最强基线提升 +0.066。
• 整条流水线对 99.5% 的请求给出可认证结果，与「特权金标准图」之间的效用差距仅为 0.015。

局限与定位

KnowPlan 是一项面向学位规划这一具体场景的应用型研究，重点在于流程可验证性与阶段性证书，而非通用大模型能力的突破。其方法依赖 CP-SAT 这类成熟约束求解工具，结合轻量级 NLP 抽取，适配高校目录结构差异较大的现实环境。对于希望把 AI 智能体引入教育服务自动化的团队，其「抽取—规划解耦 + 阶段证书」的工程模式具备一定借鉴价值。