2026 年夏天，AI 填志愿彻底火出圈。千问、豆包、Kimi 轮番上阵，各家通用大模型恨不得在高考出分那三天把全中国家长的焦虑一口气吞下。
直到新京报记者做了一件朴素的事：用同一个考生身份 —— 北京考生，579 分，位次 18140，选考物地生 —— 把 6 款主流 AI 挨个问了一遍。
一场测试，戳破 AI 志愿填报的泡沫
结果令人尴尬。有的模型拿着 2026 年的分数去查 2025 年的一分一段表，把考生位次整整往前拉了 2440 名，照这个定位报志愿，滑档几乎是必然；有的把已经停招的专业、已经更名的院校照推不误；还有的把明明该 "冲" 的学校，放进了 "稳" 档。
问题出在哪？不是模型不够聪明，而是它太急着回答了。通用大模型的底层逻辑是 "你敢问，我就敢答"，但生涯规划本质上是一个自主决策支持系统。一个家庭从小学到高三，要做几十个环环相扣的升学决定，选错就有代价。
这个朴素的道理，海亮科服花了两年时间，用 OpenSpan 生涯大模型和 e 生涯服务平台，把它变成了工程现实。
所有规划的前提，是先读懂这个孩子
e 生涯给出的所有规划建议，前提都是一份足够完整的学生画像。系统不会上来就给答案，而是在多轮对话中主动收集就读信息、学业表现、兴趣特长、家庭期望，沉淀为可计算的 Facts，基于会话状态持续更新画像。
这和通用模型 "抢答式" 输出形成了鲜明对比。你不了解这个孩子是谁，就没有资格告诉他该往哪走。从小学兴趣培养，到初中择校、特长发展，再到高中选科、升学路径选择，每个决定都有时间窗口，前后环环相扣。
垂类大模型的反常识：不拼参数拼标准
OpenSpan 干了一件在垂类大模型领域相当少见的事：模型无关设计（model-agnostic）。
e 生涯团队没有盲目堆参数，而是自主制定了一套面向生涯规划场景的评测标准，从画像收集完整性、意图理解、专业知识准确性、规划推理与结论合理性、沟通与服务能力等维度，按 0-3 分量表打分并加权。这套标准让模型能力可量化、可迭代，也摆脱了对单一基座模型的依赖。
真正的护城河，藏在时间维度里
OpenSpan 真正的护城河不在模型参数上，而在数据的时间维度上。
依托海亮三十余年办学积淀，平台沉淀了数十万学生的成长轨迹，构建起覆盖小初高全学段的生涯知识图谱，打通 8 类规划场景、72 条以上升学路径。当大多数产品还在盯着高考出分那三天时，海亮已经把规划战线前移到了小学阶段，用长期数据支撑每一次关键决策。
生涯规划这件事，从来不是临阵磨枪的技术活，而是跨越十二年的系统工程。AI 的价值不在于替你做决定，而在于帮你看清每条路的代价与可能。
