关于"帮别人做选择"这件事，我们的一些困惑和答案

——"学人汇探索"背后的思考手记#

做"学人汇探索"这段时间，我们不断被一个问题困扰：人是怎么做出一个好选择的？

这个问题看上去很简单，但越想越深，越深越不敢说自己想明白了。

一、信息差悖论#

最初我们想的和大多数人一样：选择难，是因为信息不够。把分数线、就业率、课程设置全部摊开，信息差打破了，选择自然就好做了。

后来我们发现一个有趣的现象。

一个从小在医学世家长大的孩子，他没看过多少职业的样貌，但医生这个职业的意义——那种深夜急诊的紧张、被病人信任的沉重、以及无法救治时的无力——在日复一日的家庭氛围里，已经被淬炼成了一种近乎本能的理解。这种理解让他笃定，让他不纠结。

而当我们把三百个专业的所有数据摊在他面前，告诉他"你的分数其实有很多选择"时，他反而可能陷入选择瘫痪。

我们开始意识到：信息差只是表面问题。更深的问题是——人做决策，靠的从来不只是信息，更是一种"体感"和"意义感"。 海量的数据如果没有被消化、被权衡、被注入个人的生命体验，就只是一堆噪音，甚至可能成为决策的负担。

那我们的系统该扮演什么角色？不是"给更多信息"，而是"帮人消化信息"。

二、不说"选这个最好"，也不说"你自己看"#

我们不想做一个只会罗列选项的系统。那种"把利弊都列出来，你自己决定"的方式，只是把决策的压力转移给了用户。

但我们也不敢说"选这个就是最好的"——我们没有那个资格，也没有那个自信。

那我们能做什么？

我们能做的是：把"结合自身情况"这六个字，真正拆开来看。

你的自身情况是什么？不是"我喜欢什么"这么简单。是你的性格底色、你的抗压能力、你愿意为什么样的生活付出代价、你对未来的想象到底是什么样的。这些事，需要被系统地看见，而不是被笼统地概括。

所以我们设计了一套评测，试图把这些模糊的"自身情况"变成可观察、可讨论的维度。我们不替你做决定，但我们希望帮你把"做决定需要想清楚的那些事"一件件摆在你面前。

三、哪些人会用我们的平台#

这个问题的答案，比我们预想的来得更晚。

不是所有高考生都需要一个这样的系统。有些学生会在十分钟内问完三个亲戚就填了志愿，有些学生完全听从家长安排。这些决策方式本身没有高下之分——每个人都有自己的活法。

我们服务的是另一类人：那些在意这个选择、想把选择权握在自己手里、但需要一些帮助来理清思路的人。

可能是考生本人，也可能是替孩子认真研究的家长。他们不会草率决定，但光靠自己也确实难以看清全貌。

这个定位想清楚之后，很多设计决定就变得简单了——我们不需要讨好所有人，只需要对"在意的人"真正有用。

四、"测算"和"生成"的区别#

我们的系统里用了不少AI技术，但我们一直警惕一件事：不要让AI替用户做决定，也不要让AI编造不存在的事实。

这是两个不同的风险。

第一个风险关乎伦理。高考志愿是一个会影响人生走向的决策，没有任何算法有资格替一个十八岁的人拍板。我们的AI只做两件事：一是测算——基于你的评测数据计算出你在各维度的得分；二是生成叙事——用自然语言把这些数据翻译成人能读懂的描述。但最终的选项清单和志愿方案，是基于分数线、位次、专业目录这些客观数据筛选和排序出来的，不是AI凭空"生成"的。

第二个风险关乎信任。AI生成内容中的"幻觉"问题——编造不存在的分数线、不存在的专业方向——在高考志愿这个场景里是不可接受的。一个虚假信息，就可能改变一个人的人生轨迹。

所以我们在系统里做了一个很笨但必须做的事情：每一份推荐结果背后，都对应着可追溯的客观数据——教育部的专业目录、各省的一分一段表、学校的开设关系、百度的实时分数线。推荐的逻辑是透明的，不是黑盒。

我们做的是"算"，不是"猜"。

五、关于"代价"这件事#

这是我们最想通过这个系统传达的一个认知。

很多高考志愿的讨论，都聚焦在"这个专业好不好"——就业率高不高、薪资多不多、前景光不光明。这些当然重要，但我们觉得还缺少一个关键的视角：代价。

每一个选择都伴随着代价。临床医学意味着漫长的学习周期和高强度的临床压力；计算机意味着持续的技术迭代压力和可能的加班文化；师范意味着相对稳定的收入和相对有限的天花板。

选择不是在"好"与"坏"之间做，而是在"我愿意承受什么"与"我不愿意承受什么"之间做。

我们的系统在评测环节用了大量题目去探测"耐受"——你愿意为什么付出，你对什么感到抵触。在推荐环节，我们也尽量把每个选项的"代价"说得比"好处"更清晰。

我们希望用户拿到的不是一份"最好的选择清单"，而是一份"如果你选了A，你会得到X，但你需要承受Y"的权衡参考。

六、我们现在的状态#

目前这个系统已经完成了从评测到推荐到导出的完整流程。

81道题、11个维度，覆盖了兴趣、性格、能力、价值观、时代认知、现实约束等方面。题库背后有Holland RIASEC、大五OCEAN、Super工作价值观这些理论框架的影子，但我们也做了不少调整——因为理论模型和真实的中国高考生之间，总是有一些缝隙需要自己填补。

推荐引擎分四步走：先根据画像选专业，再根据分数和选科筛学校，然后用分数线匹配和位次换算做精准过滤，最后综合排序产出冲/稳/保方案。

数据层面，接了教育部本科和高职专业目录、各省一分一段表、百度实时分数线、学校开设关系等来源。技术选型上用了SSE流式推送让等待过程可见，支持断点续答避免重复劳动，也做了PDF导出方便用户和家人一起看。

但这些都是"现状"，不是"终点"。我们还在不断修正和迭代，尤其是在"如何更准确地理解一个人"这件事上。

七、关于数据，我们想坦诚地说几句#

上面说的都是理念和设计，但理念最终要落到数据上。关于数据，我们想坦白说几句现状。

目前已经就位的：

全国 3,432 所学校的基础信息是完整的，教育部本科专业目录 878 个、高职专业目录 798 个也全部覆盖。分数线缓存有 44\.5 万条，覆盖了所有学校；一分一段表覆盖了 2026 年 30 个省份，今年考生可以正常换算位次。学校与专业的开设关系有 27\.8 万条，覆盖了 84% 的学校。

这些是系统的"地基"，我们花了很多力气去夯实。

正在覆盖中的：

另外一些数据层，由于技术实现和推进节奏的安排，我们采取分阶段覆盖的策略，还在逐步填充中。

导师数据方面，目前有 68\.7 万条记录，已覆盖 1,105 所学校——主要是综合类、理工类和医药类院校。而覆盖全国占比超过四成的高职院校，以及大量地方本科院校，还在后续的爬取计划中。学校层级标签的标注工作也尚未全部完成——目前标注了 136 所，剩余的层级标签正在分批补全中。

专业详情、就业报告、教育政策这三类内容，目前处于数据建模和采集方案设计阶段，后续会陆续填充。

为什么说这些？

我们希望用户知道：如果你在推荐结果中没有看到某所你感兴趣的学校，不一定是因为它不适合你，可能只是因为我们的数据覆盖还在推进中。

这些数据最终都会覆盖到。只是需要一些时间。

八、一些还没想清楚的事#

写到最后，想坦诚说几件我们还在困惑的事。

一是"个性化"到底能做到什么程度。 我们通过评测收集了很多维度的数据，但一个人终究是复杂的，数据和标签只能逼近，无法抵达。如何在"数据准确"和"保留人的复杂性"之间找到平衡，我们没有标准答案，还在摸索。

二是"趋势"和"个体"的关系。 时代在变，市场在变，四年前的热门专业今天可能已经降温。我们应该多大程度上参考趋势，多大程度上尊重个体当下的兴趣？这个问题没有一劳永逸的答案，只能每年重新审视。

三是"帮助选择"的边界在哪里。 我们越深入，越意识到"选择"这件事的终极责任只能由做出选择的人自己承担。系统可以提供分析、提供视角、提供数据，但不应该、也不可能替代那个十八岁的人最终的决断。

这些困惑没有解决，但我们会带着它们继续往前走。

如果你读到这篇文字的时候正在面临某个选择——不一定是高考，也许是其他——我们想对你说的是：

选择的好坏，不在于你选了什么，而在于你是否清楚自己为什么选它，以及你愿意为它付出什么。

我们能帮你的，只是把"清楚"这件事，往前推一点点。

——"学人汇探索" 团队

2026年7月