智愿通

面向高考志愿咨询的智能决策 Agent 练习项目。把「录取事实查询」和「政策资料检索」放在同一条工作流里，由规则代码负责冲稳保分层与事实校验，大模型负责理解问题和组织语言。目前仍在学习中。

项目背景

高考志愿填报是个典型的高利害问答场景——用户问的「我这个分能不能上」必须给出有依据的答案，记错一个位次就可能误导一个真实的决策。同时，它的问题形态还很不统一：有人要查具体的录取数据，有人问政策概念，有人问某个专业怎么样。

这个项目想验证一件事：面对高风险事实型问答，怎么让大模型「有依据地说话」。核心思路是把职责拆开——

• PostgreSQL 负责录取事实（分数、位次、招生计划、一分一段）
• RAG 负责政策、院校和专业说明资料
• 规则代码 负责冲稳保分层和事实校验
• 大模型 只负责理解问题、组织语言，不决定事实

它也是我用来深入理解 Agent 编排、检索质量与评测体系的练习场。

技术栈

架构：两条查询链路

用户自然语言
├─ 结构化链路：模型抽条件 → 代码校验 → 参数化 SQL → 冲稳保规则打标签
└─ 检索链路：  pgvector 稠密 + tsvector 稀疏 → RRF 融合 → 回取父块
                    ↓
              统一证据上下文 → 最终模型组织回答 → 事实与来源校验 → SSE 返回

几个关键设计决定

不让模型写 SQL

模型只负责抽取结构化条件，SQL 由固定逻辑生成、参数化传值、条件受白名单约束。原因很直接：这是「够不够分」这类高利害问题，模型写错 SQL 不会报错，只会静默给出错误答案。

混合检索而不是纯向量

纯向量检索对高校名、专业名这类专名会漂移，纯关键词检索又扛不住口语改写。两路分数不是一个量纲，所以只融合排名——用 RRF。Recall@1 从 0.9231 提到 0.9487，提升集中在 Top-1，也就是最影响推荐结果的位置。

单库而不是多库

结构化表、向量、全文索引、画像、会话状态都放在一个 PostgreSQL 里。当前数据规模用 pgvector 完全够，单库能让这些数据共享事务与连接池，减少一致性问题。

先校验再展示

为避免「错误数字先展示、随后整段回退」这种比慢更伤体验的情况，采用的是先生成完整回答、校验通过、再分片发送。用户看到的是逐段呈现，但它不是模型首 token 实时流式——这是事实准确性与响应体验之间的取舍。

在幻觉治理上做的事

当前状态

• 结构化查询、混合检索、评测与幻觉治理链路已跑通
• 检索消融与忠实度评测有可复现的报告产物
• 数据覆盖范围有限，暂未覆盖全国，也不宣称「全国数据库」
• 仍在持续：补充数据、扩充评测题集、优化响应时间