KNOWPLAN：知识驱动的人工智能代理，用于智能学位路径规划

arXiv:2608.06530v1 公告类型：新 摘要：从官方大学来源规划学位需要按顺序解决两个问题。机构的课程必须首先从不共享模式的目录、部门页面、JSON 端点和 PDF 重建，然后才能在先决条件逻辑和重叠需求约束下优化特定于学生的路径。将两者耦合起来可以让每种故障模式隐藏另一种，因为驱动自己爬行的规划器永远不会了解其当前计划不需要的事实。我们提出了 KnowPlan，它强制执行提取优先边界并测量阶段之间的接口，而不是假设它。 CatalogBrowse 进行探索，无法访问任何用户配置文件。它通过对每单位源访问的一组有限原子目录义务的低置信度预期边际收益来对法律行动进行评分，通过具有跨度约束子句到 AST 模型回退的平台适配器进行确定性解析，并在索引、模式、出处和引用完整性的闭包证书上终止，而不是奖励阈值。它的输出契约是三个与来源相关的 JSON 文档。 DegreeMap 仅使用这些文档。它将它们编译成类型化的需求超图，并使用 CP-SAT 在硬可行性、完成范围、负载和风险、个性化效用和选项价值方面按字典顺序进行优化，以便每个阶段在前一阶段已证明的最佳值内进行优化，并在求解器预算内保持可验证。在包含 100 所大学的宽广轨道和包含 6 所学校的密集轨道中，CatalogBrowse 达到了 96.2% 的库存召回率和 88.7% 的屏蔽源恢复率，而源访问量比详尽的爬虫少了 47%，DegreeMap 保持了 100.0% 的硬可行性，同时将个性化效用比最强基线提高了 +0.066，完整的管道验证了 99.5% 的请求，与特权黄金图的效用差距0.015。