高考志愿填报成为检验AI Agent实战能力的年度大考

高考出分之后，1290万考生家庭的头等大事，毫无疑问是志愿填报。而今年，一个明显的趋势是：**AI辅助填志愿，正在成为越来越多家庭的选择**。 这背后的大背景，是**AI Agent（智能体）** 在过去两年间的快速崛起。它凭借强大的工具调用能力和复杂任务处理能力，正在渗透进日常生活的方方面面。但问题来了，当AI Agent从简单的聊天工具**进入真实的决策场景**，我们该用什么标准去评判它？高考志愿填报，就是一个再合适不过的“高压测试场”。 过去评价AI，很多只看它答得准不准；但到了高考志愿这种场景，**评价标准必须升级了**：说的是它能不能理解那些弯弯绕绕的规则，能不能从一堆分散的信息里把权威数据准确抓出来，能不能记住你刚才说的那些条件，能不能在你连续追问里不跑偏，最后给出一个能拿来参考的判断。 最近，**百度搭子DuMate正式上线了首个面向高考志愿场景的信息助手Skill**。这个Skill针对志愿填报场景做专门设计，覆盖了规则理解、数据分析以及综合建议等能力，目标是为考生提供真正可用的决策辅助。 ## 一、从搜索到判断：百度AI如何把分散高考信息组织起来 传统志愿填报的常态是什么？是考生和家长在十几个网页之间来回切换，查一分一段表、翻高校招生章程、对比院校排名和就业情况，甚至还得跑到社交平台上搜校友评价。**信息，网上都有，但各自为政。权威性、可靠性，谁高谁低，你得自己去甄别**。 面对这种局面，百度搭建的是一条**从信息搜集到处理的完整搜索链**，目标是把输出结果的可靠性提上去。 在信息搜集这个环节，DuMate的高考信息助手Skill采用了**多源搜索加交叉验证的机制**。启动Skill后，系统会**同时从多个权威信源调取数据**：各省教育考试院官网、阳光高考平台、高校招生网，以及百度搜索结果顶部那个结构化的阿拉丁卡片。 阿拉丁卡片这个产品，本质上是用信息聚合来满足用户的特定搜索需求。这次，**百度专门为高考场景定制了新的阿拉丁卡片**，里面集成了招生政策、热门院校、专业查询、高考查分、一分一段表等多个入口，**基本覆盖了从查分到报志愿的所有搜索需求**。 数据抓取之后，DuMate**不是简单地汇总反馈**，而是把这些数据与对应的权威官网进行交叉校验。一旦发现数据不一致，就以权威网站为准，确保准确性。 针对AI常见的“幻觉”问题，DuMate的处理方式是：**在处理所有涉及外部事实的数据时，默认进行实时搜索**。模型本身的记忆只用来做理解用户意图、复用考生画像这些不涉及外部事实的事情，**绝对不会基于模型自己的“记忆”来做院校推荐、专业排名这类判断**。 信息全面、数据精准，这些只是“标配”。对于高考志愿填报这种个体差异极大的场景，高考信息助手Skill的重点不只是把信息查回来，**关键在于让整个过程——从查到的信息、处理的方式到产出的决策报告——全都围绕考生本人的个性化需求来推进**，把志愿填报的相关信息以考生个人为中心组织起来。 从测试案例来看，效果挺直观的。当用户在DuMate中提出一个比较复杂的诉求，包括分数、选科方向、擅长科目、家庭情况以及未来规划等多个维度，DuMate确认需求后，**从一开始就按照这些个性化需求来搜索信息**，根据一线城市就业、强势学科等条件进行筛选，每一步的结果都基于用户画像生成。 在高考这个真实决策场景中，百度的搜索和数据基础设施是DuMate处理复杂任务的底座。但说到底，**重点不是“信息搜得多”，而是“把分散的信息转化为可辅助判断的信息”**。高考信息助手Skill不是简单的信息收集器，而是根据具体问题进行具体分析、提供可参考方案的决策辅助工具。 ## 二、不仅仅是一问一答一张表，这个Skill用5步走完整个决策链路 有人可能会问：这个Skill产出的结果，看起来就是一个比较长的文字方案，**跟普通的一问一答有什么区别？** 要回答这个问题，得从**DuMate本身的Agent能力**以及**Skill的设计逻辑**上入手。 高考信息助手Skill，实际上是**DuMate能力的延伸、集中和强化**，它的输出质量完全依赖DuMate本身的Agent能力。表面上看到的是一个结构化的文字方案，但**从任务识别、画像采集到最终的结果呈现，每一步都体现了DuMate在处理复杂任务时的核心能力**。 仔细扒开它的设计结构会看到，**整体逻辑非常清晰地展示了DuMate面对复杂任务时展现出的Agent能力**。 高考信息助手Skill把一次完整的志愿填报辅助流程拆成了五个步骤：**先分类、再采集画像、调取数据、分析输出，以及贯穿全程的记忆复用**。这五个步骤，本质上对应着Agent在处理复杂任务时需要具备的能力：**任务识别、用户画像、工具调用、数据验证、风险提示以及记忆复用**。 **第一步是分类**。Skill内部设计了一个路由，用来**判断用户提出的问题属于哪一类**——是志愿填报，还是院校对比。根据不同的分类，Skill会切换模板和处理方式。 **第二步是画像采集**。用户的画像有三个来源。除了用户输入提示词中携带的信息，Skill还**内置了一套画像记忆系统，能从用户的历史对话中读取已知信息来补充画像**。举个例子，当测试时新开了一个任务，故意隐藏了文理科方向，DuMate依然能从历史对话记录中找到测试者是“历史类考生”这一点，并自动补充到画像中。 同时，DuMate还会**根据当前问题类型以及问题中的信息**，判断还缺少哪些关键字段，然后进行追问。比如，用户问的是志愿填报相关的问题，DuMate就需要包含省份、年份、科类、分数、位次、批次、偏好限制等信息的完整画像；如果只是问院校信息，则不需要这么细的画像。 这种追问的实际效果是，用户不会感觉自己是在填表。传统的查询类产品，一上来就让你选省份、选科类、输分数，填完一堆字段才出结果。而DuMate把画像采集藏在了对话里：**你直接提问，它发现缺什么再问什么，一次性追问完，不反复打断**。问完之后，画像采集也就完成了，后续的数据抓取、分析输出全都围绕这个画像展开。 这一步，很好地体现了**DuMate在跨轮次、跨会话执行复杂任务时的稳定性**。通过三个来源的用户画像采集，保证复杂任务执行过程中不丢失关键信息。 **第三步是多源数据调用和交叉验证**，也就是前面说的数据搜集方法。这一步能体现DuMate在工具调用和数据验证上的Agent能力。DuMate会调用三种抓取工具来搜集数据：用websearch找抓取数据的入口，用browser-use去抓取需要交互或反爬的站点，用webfetch直接获取已知URL的网站。如果用户的问题是某所大学或某个专业这种高频出现的结构化信息，DuMate会优先启动browser-use来抓取阿拉丁卡片中的内容。 同时，Skill**严格规定了禁止数据捏造，凡事数据都要有来源**。哪怕是百度自己提供的阿拉丁卡片，也要跟权威网站的数据进行对比验证。完成后，用户拿到的是经过比对、交叉验证的结构化信息。 **第四步是分析输出**。这里有一个非常明显的产品取舍：DuMate不做“唯一正确答案”。它给出的是“冲、稳、保”梯度排序、卡线风险评估、不同院校和专业之间的条件化对比。 同时，DuMate也不是要大而全地全盘输出。正如Skill文件中写的，**什么都说等于什么都没说**。DuMate会在提供多重建议和风险提示的同时，根据用户画像给出最相关的几条方案。 最后一步是记忆。这不是一个单独的流程，而是贯穿整个Skill运转的底层能力，来自于DuMate本身。Skill里明确写着：“把采集到的考生画像写入记忆，后续对话读取复用，做到跨轮次、跨会话不重复追问。当用户更新信息（如修正分数）时同步更新记忆。”在用户已提供信息的范围内，DuMate会**把与任务相关的关键信息沉淀为后续可复用的画像线索**，减少重复追问。 这一步，更考验DuMate在复杂任务执行中，跨会话记忆保持、实时记忆更新的综合能力。 据官方介绍，DuMate作为百度首推的通用智能体，**具备类似“工作反思”的持续进化能力**。它会对每天的任务执行情况进行总结与反思，在持续协作中学习用户的工作习惯、任务偏好和表达方式，并写入记忆。在高考志愿填报这个场景下，这种持续进化的能力被明显放大了。 整个流程走下来，还有一点在Skill文件中写得非常清楚：**责任划分**。百度始终认为，AI高考志愿填报，永远只能是辅助决策，真正的最终决策，需要人来做。Skill文件里不止一次强调，DuMate会基于搜集到的信息进行综合分析，结合用户的具体条件给出区间化、风险提示式的参考，但绝不会替用户武断地下结论。 ## 三、实时更新记忆、个性化定制分析，实测让DuMate梳理志愿方案 讲完了底层逻辑，我们来上手测几个案例。不追求面面俱到，**只挑几个能体现Agent核心能力的角度**。启用这个Skill很方便，在对话框里输入斜杠命令，然后选择DuMate高考信息助手即可。 首先，看一个基础表现。这是DuMate调用高考信息助手Skill输出的部分内容： 开头直接给出了志愿填报的结论，后面用表格按“冲/稳/保”三档排列，同时给出了具体专业的建议。DuMate从多个渠道搜寻信息后，**严格按照用户提供的个性化需求进行分析**，结论相对合理，建议丰富且中肯。 接着，我们新开了一个任务，**告诉DuMate自己对计算机和人工智能感兴趣**，平时喜欢看科技类内容，问它有什么推荐的学习方向。输入提示词： > 我对计算机和人工智能比较感兴趣，平时喜欢看科技类内容，有什么推荐的学习建议吗？ DuMate给出了一些学习建议。它很清楚地告诉用户，历史类考生不能直接报考计算机专业，但未来可以转修或者辅修这个专业。同时**提醒用户，不要把“历史类不能直接报计算机”当作限制**，而要把它当作走差异化路径的起点，做一个复合型人才。 接着再输入提示词，让DuMate做一份具体的学习计划： > 未来也不一定转修这个专业，复合人才这个思路比较好，帮我做一个具体的学习方案吧。 DuMate随即输出了**一份内容详实的学习计划**，还直接以.docx格式输出。方案中，用户画像被放在了最前面，作为一切计划的起点。 这两步看似跟志愿填报没直接关系，但**目的就是测试DuMate能不能根据日常对话实时调整记忆并复用**。这项能力对于处理复杂任务的Agent来说非常关键。于是，我们新开了一个对话，输入以下提示词： > 虽然我是文科生，但我想进入人工智能行业就业，帮我推荐一下院校和专业。 提示词非常简洁，**只带了少数和志愿填报相关的信息，甚至连任务类型描述都比较模糊**。DuMate加载了高考信息助手Skill，然后开始读取用户画像、判断任务类型、搜集数据。能看到**DuMate准确读取了画像，精准判断了任务类型**，进入调用工具抓取数据的阶段。 等待片刻后，DuMate输出了一份“文科+AI”的志愿填报方案。方案结合画像，从专业和院校两个维度给出了具体建议。在方案开头，它提供了最新开设的人工智能交叉专业，并**建议优先选择“计算语言学”或“商业人工智能”这类2026年新增的交叉专业**，同时结合政策方向、学科属性和招生条件做了参考分析。 实际体验下来，最直接的感受是，DuMate在处理复杂任务时，**能够在跨会话中很好地保持记忆复用，同时对最新专业这类信息的抓取也非常灵敏**。它能清晰理解用户需求，判断任务类型，进而出准确的回复。 通过高考志愿填报这个场景，能看到DuMate在广泛信息搜集的同时，通过交叉验证、权威性排序等方法，让生成的结果更可靠。这背后，是DuMate依托百度生态以及模型水平，充分释放出的Agent能力。 ## 结语：不止高考，百度想做的是通用 每年1290万考生，对应的是一个**信息密度高、规则复杂、个人差异极大的决策场景**。AI志愿填报产品这两年越来越多，但打法高度趋同：**比数据全、比更新快、比界面好看**。 而百度拥有中国最大的中文搜索引擎，这本身就是一个**进入高考行业最坚实的数据基础**。但百度显然不满足于此。搜索只是底座，更关键的是百度**能否把搜索、权威数据、结构化信息、模型理解和工具调用能力，重新组织成一个可持续执行任务的Agent流程**。 百度在**芯-云-模-体**上的全栈自研，为DuMate提供了丰富的AI生态基础。而DuMate的这些搜索Skill，能把各项能力串联成可用的任务链，这也正是百度在通用Agent领域的核心优势所在。 5月的Create大会上，百度智能云公布了**对Agent Infra的能力提升**，其中**Harness Engineering（驾驭工程）** 的全面升级，让**模型、工具、记忆、Skills、MCP和Runtime协同起来**，不再各自为战。此外，百度基于**Token Factory（词元工厂）**，提升了模型调用和推理效率，**显著提高了单位Token的智能化水平**，从而应对更多、更复杂的场景需求。 从DuMate已经内置的系统技能来看，它**正在连接百度搜索、百度地图、百度短视频等生态能力**。高考Skill只是一个样本，真正值得观察的是：百度能否把这些原本分散在不同产品里的信息、服务和工具能力，通过AI Agent重新封装成面向个人复杂任务的执行链路。 这也是DuMate高考Skill对百度AI的意义所在。它展示的不是单一工具能力，而是**百度AI从信息入口走向任务入口、从能力展示走向结果交付的一种清晰路径**。 高考，只是一个开始。当AI Agent进入更多真实决策场景，它最终接受考验的，不只是模型能力，更是**整个Agent执行链路的可靠性**。