在当前全球高等教育竞争日益激烈的背景下，我从去年8月份负责筹备开发一款面向北美高中生市场的大学申请App，目前只推出了iOS版本，通过TestFlight进行内部测试，用户可以通过二维码扫描下载使用。
这款App被定位为“行业范式转移”的核心引擎，目的是从传统的人力密集型服务向 纯AI 驱动的标准化、规模化生态系统的转型。不只是一个toolkit，旨在通过私有数据驱动的muti Agents system，构建一个能够伴随学生长线成长的数字化战略伙伴。核心哲学在于将学生视为动态增长的“价值股票（Talent Stock）” ，通过马尔科夫链的博弈论方法进行动态调整，快速通过大量success cases形成的抽象benchmark进行多为对比，实时更新学生的竞争力指数。
一、学生画像构建（Onboarding & Profiler）
注册和登录流程调用了公司通用的auth0框架，采用了 AI 语音引导和模拟咨询场景的交互方式 。该代理不仅收集 GPA、标化等基础数据，还深度解析学生的兴趣和长期目标。随后，Persona Agent 会根据采集到的信息，生成包含“角色模型（Role Model）”和现实参考在内的学生个人画像（Persona），为后续的所有建议建立基准 。
我们会告诉用户：根据你提供的这些信息，我们可以描绘出一个对你的画像描述和真实世界中的inspiration，你看是否符合。如果觉得符合，我们可以根据这个Persona来生成更多的内容。这个Persona的目的是highlight学生的闪光点，让学生产生不断去探索的兴趣。
填写完成后可以选择自己的Advisor。我们计划将Advisor打造为全局AI Tutor，可以在App各处陪伴学生，帮助他们完成各项任务，并引导学生使用App。
二、路径规划与动态时间轴（Guidance & Timeline）
Guidance Counselor Agent 是系统的核心大脑，它根据学生画像生成可视化时间轴（Visual Timeline）。这一时间轴将复杂的申请流程拆解为具体的可执行任务（Missions），并根据学生的执行进度和最新的成绩反馈进行动态调整 。
- 可视化时间轴 (Visual Timeline)：实时呈现当前进度与目标的差距，通过动态更新策略来响应学生状态的变化 。
- 任务拆解与监督：系统引入了督导 Agent，负责监督输出质量，并在学生压力大时通过游戏化界面提供情绪支持 。
三、竞争力分析与资源推荐（Candidacy & SCAR）
Candidacy Analysis Agent 定期根据当前背景进行竞争力评估，并反馈潜在风险 。基于这些分析，Resource Recommendation Agent 会为学生推荐高影响力的夏校项目、竞赛以及科研课题 。
四、实施路径的三个phases
第一阶段：数据底座搭建和agent试点，把所有我们想做的、我们认为对学生有价值的功能，都以To-Do List的形式开发出来，提供给学生。这样学生就可以先用起来，产生价值。与此同时通过数据集整合，将已有的数据、内部产品和资料、专家知识体系等有效利用起来，通过上下文共享架构和memory机制保持对话的一致性。
第二阶段：我们会在里面做一些数据的串联。例如，我们把Roadmap或Timeline制作好之后，就可以用这条主线去引导学生完成所有事情，而不是让学生自己去思考，从而进一步降低整个App的操作难度。
第三阶段：我们可以让学生不必做大量思考和决策，而是由我们的AI Tutor更深入地在整个过程中发挥主动价值。
通过混合架构的方式，在原生app中加入大量的Mini App。第一个是Capstore，这是通过原生App开发出来的。它可以推荐给学生一些项目ideas，学生可以进行选择，也可以“shuffle”来获取新想法。当学生确定一个想法后，可以看到具体内容：这个项目可以做什么事情，以及学生可以收获什么。学生可以选择不同的难度。
当学生确定好自己要做的项目后，我们就可以用AI生成具体的任务清单。这个清单分为里程碑和具体的任务。Capstore会引用一套成熟的脚手架来对学生进行引导，而不是盲目地让AI去辅导学生做事，那样很有可能会失败。
每个任务之间会有前后关联。当学生完成上一个任务后，AI会根据学生前面内容的完成情况，并通过实时沟通，确定学生做了哪些事情、做得怎么样，从而形成接下来的任务，并实时更新清单。这样能保证学生做的事情、他的状态，与AI获取到的信息是一致的。
每个任务中，我们会提供一些资源供学生查看和了解，一步一步地指导他们如何去做。学生也可以随时与AI Tutor进行沟通对话。AI Tutor会为学生讲解这些资源，当学生存在疑惑时，也可以随时去找AI Tutor进行沟通对话。
此外，我们还通过vibe Coding开发出来的不少Mini App，通过bridge嵌入到native app中，这样兼顾开发速度和产品质量。
- Interview
- 提供我们整理出来的学生在面试过程中涉及到的 question，学生可以点击每个 test question 进行模拟练习。提供一些 tips，方便学生在练习过程中了解如何作答。
- 提供针对某个 interview 的模拟。根据我们训练出来的不同学校 agent，为每个学校创建了一个 agent，学生可以和每个学校的 agent 进行对话练习。练习完成后，我们会给到学生一个客观、全面、有效的反馈。
- Summer Programs
- 分为“Find My Best Match”，根据学生输入的年级、所在地区和探索方向，给出匹配结果。每个 summer program 都提供详细信息，这些信息均来自官方渠道。
- 学生也可以通过搜索查看所有 programs list，并通过 filter bar 和 feature 进行筛选。
- Competition
- 同样提供chatbox进行多轮对话，AI会根据用户意图调用不同的skills或component在前端交互，直到用户确认完成选择。
- mini app也会传输用户的选择结果，结合全局的roadmap不断reminder和push学生推进。
- Local Opportunities
- 我们通过深度研究，根据学生的基本信息进行深度搜索，为学生推荐本地机会。
- Tube tutor
- 学生可以输入想要学习的方向并设置难度，系统将帮助学生搜索最匹配的YouTube视频。
- 学生也可以将想要分析的YouTube视频链接提供给“Tube”，它会帮助分析、整理出总结、解释概念、进行教学，或根据学生要求做更深入的解答。
- Essay
- 我们根据UC、Common App等不同申请平台的要求，提供各学校的文书prompt。AI也会形成planning，提醒用户及时完成draft或根据feedback进行optimize。
- 学生可以通过与AI导师对话，不断明确文书每一部分想要表达的内容，进行头brainstorming。
此外，我们还有SAT practice、CV、canvas等功能，林林总总囊括了能想到的大部分场景。当然，在开发过程中也会遇到一些问题，如AI 会出现严重的“幻觉”，编造不存在的 SAT 成绩或活动经历。为此，团队正在开发“自适应时间窗口”逻辑，以确保在数据不足时自动回溯更多历史记录。内部评价指出，某些模块生成的反馈过于平庸，缺乏真正懂 Top 20 名校录取逻辑的“专家洞察”。用户反馈有时感觉像是在与“标准 AI 英语老师”对话，而非顶级咨询顾问。
在性能方面，也会受限30-60 秒的显著延迟，且 UI 缺乏必要的导航指引，提供错误的信息，功能密集导致用户不知道该如何操作，有些移动端不适用的场景，这些都在过程中不断优化解决。
这款产品的本质，并不是在在市场上新增一款产品，而是在尝试在AI时代重构整个行业的底层逻辑。真正的挑战不在于功能是否全面，而在于是否能够持续沉淀高质量数据、构建具备“专家级判断力”的Agent体系，并在复杂场景中稳定输出可信结果。当AI不仅能“回答问题”，而是能够“理解人、规划路径、推动执行”时，才会发生真正的game change。