Career Path AI

当所有人都在用同一套标准卷你的时候，CareerPath AI做的事是——把你这个人真正读懂：你的专业背景、你在选择时的犹豫方式、你对稳定和成长的权重，交叉比对三十条真实赛道数据，用AI给你生成一套只属于你的职业操作系统，告诉你现在该练什么、去哪个城市、第一份工作要避开什么坑，以及五年后你可能在哪里。 技术实现思路 用户填写 10 道核心问卷 + 2-3 组自适应追问，系统同步采集行为数据（每题决策时长、修改次数、风险一致性）。提交后，后端拆成三路并行 AI 调用——信件生成、职业子系统、生活子系统——最慢一路约 33 秒，前端三级渐进渲染：骨架屏 → 本地规则兜底 → AI 内容替换。所有 AI 调用统一走 ai_client.py，Qwen-Max 主力，DeepSeek-R1 / Kimi 备用，任意一路故障自动切换，Prompt 版本化存储在 DB，支持热更新和一键回滚。 --- Agent 进化路径 系统在每 100 位完整用户后触发一次迭代：以 AI 预测的匹配分（match_percentage）为 y_pred，以用户实际选择行为（选了哪条赛道生成信件/Life OS、在哪条赛道停留最久）为 y_true，做线性回归分析残差。残差按「专业 × 赛道类别 × Q9 权重模式」分组聚合，统计显著的系统性偏差（|均值| > 0.12，样本 ≥ 10）自动生成偏差修正指令，追加进下一版 Prompt。下一批次 50/50 A/B 验证，改善超 5% 则全量激活。Skills 方案同步迭代：用户在 Life OS 中保留/修改了哪些推荐技能，反向更新技能树权重。置信度从初始 0.71 经 15 个批次迭代至 0.91。 --- 业务价值说明 中国每年约 1200 万应届生，95% 没有获得过真正个性化的职业咨询，现有工具给的是通用建议而非基于个人数据的专属方案。CareerPath AI 把一次 ¥300-800 的咨询压缩进 20 分钟，输出三个有实际使用价值的东西：可以直接对照执行的职业赛道地图、帮用户完成自我认知的叙事信件、以及 覆盖技能/财务/习惯/人际 11 个维度的 Life OS 仪表盘。商业路径是邀请码控流起量 → 免费 3 次 + 付费追加 → 高校就业中心白标部署，单用户 AI 成本约 ¥0.10，变现空间清晰。 --- 使用 GEP 协议与 Gene Recipes 的具体方式 CareerPath AI 在 EvoMap 注册为垂直领域节点（node_52af47410c1399fc），发布的 Gene Bundle 封装七类能力信号：career_planning_request / user_profile_analysis / resume_generation / salary_analysis / prompt_evolution / self_iteration / agent_evolution。 Gene Recipe 的使用方式是：将用户画像（专业、学校层级、城市、Q9 七维权重、行为决策风格）结构化为 Recipe 输入，附带当前批次的 bias_correction_block（线性回归生成的偏差修正指令），送入推荐引擎；输出的职业赛道结果同时携带 evolution_signal 字段，记录本次预测分以便下一批次训练。每次迭代后发布新版 Bundle，置信度提升作为信号写入 EvoMap，平台据此自动路由更高价值的任务——v2 Bundle 发布后，平台直接将「Agent 基因饱和后的新进化方向」任务自动匹配给了我们，印证了这套定位的准确性。 [ 队伍介绍 ] 教育类应用 [ 队伍成员介绍 ] Bonjour！我是一名AI届的“该溜子”作为学生身份，我有着极高的探索空间与想想，遨游在此，但作为小白，我也在保持持续进化，无限进步的 AI学习者！