【夯爆了！多智能体大模型毕业设计】LangGraph+多Agent协作编排的高考志愿填报推荐系统(爬虫+大屏可视化+志愿填报助手+智能推荐)-计算机毕业设计

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

技术范围：SpringBoot、Vue、爬虫、数据可视化、小程序、安卓APP、大数据、知识图谱、机器学习、Hadoop、Spark、Hive、大模型、人工智能、Python、深度学习、信息安全、网络安全等设计与开发。

主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码、文档辅导、LW文档降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及LW文档编写等相关问题都可以给我留言咨询，希望帮助更多的人

信息安全/网络安全 大模型、大数据、深度学习领域中科院硕士在读，所有源码均一手开发！

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

介绍资料

一、项目概述

1.1 项目背景

2026 年全国高考报名人数为 ‌1290 万人‌，比 2025 年的 1335 万减少 45 万（教育部 2026 年 6 月 3 日发布）。除新疆、西藏外，全国已有 ‌29 个省份‌完成新高考落地，其中 23 个省份采用「3+1+2」模式，北京、天津、上海、浙江、山东、海南 6 省市采用「3+3」模式。

招生端的规模同样可观。截至 2026 年 6 月 17 日，全国高等学校共 ‌3196 所‌，其中普通高等学校 2952 所（本科 1412 所、高职专科 1540 所），成人高等学校 244 所（教育部 2026 年 6 月 18 日发布）。与此同时，2026 年 3 月国家发改委明确，「十五五」期间「双一流」高校本科累计扩招总规模将达到 10 万人以上，优质本科名额在扩容，但分布并不均匀。

真正的问题不在数据量，而在‌决策窗口‌。从出分到志愿填报截止，多数省份只有 3 到 5 天。考生和家长要在几天里完成：查一分一段表定位次 → 读懂本省批次与投档规则 → 从几千个「院校专业组 / 专业+院校」候选中筛出几十上百条 → 判断每一条是冲、是稳还是保 → 核对选科要求、单科限制、体检限制、外语语种、学费 → 排出顺序并决定是否服从调剂。任何一个环节出错，代价是滑档或退档，而这个结果不可逆。

信息本身的碎片化加剧了难度：招生章程在高校官网，一分一段表和投档线在省考试院，选科要求在阳光高考平台，就业数据在各类第三方平台。格式不统一、更新节奏不同步，靠人工比对既慢又容易漏。

教育部「阳光志愿」信息服务系统在 2026 年完成升级，提供了权威的免费公共服务；但它解决的是‌信息供给‌问题，不解决‌个体决策排序‌问题——「以我这个位次、这个选科组合、这个偏好，志愿表应该怎么排」，仍然需要考生自己做。

本项目要做的，就是这件事的工程化实现。

1.2 项目定位

一句话说清楚：‌这不是一个替你填报的系统，而是一个把决策依据整理成可解释、可核验志愿草表的系统。‌

系统输出的是「草表 + 理由 + 风险提示」，最终填报动作仍由考生本人在省级官方填报系统中完成。这条边界必须写进产品文案、写进接口注释、写进免责声明。

1.3 项目目标（可量化）

表格

1.4 项目边界

‌本项目要做：‌

• 结构化采集与治理官方招生数据
• 位次换算、冲稳保分层、硬约束过滤、志愿排序
• 多 Agent 协作生成志愿草表并给出可解释理由
• 风险提示（滑档风险、退档风险、大小年波动提示）

‌本项目不做：‌

• 不替代省级官方志愿填报系统，不做任何形式的代填报
• 不做最终录取承诺，不输出「保录取」类表述
• 不采集、不存储考生身份证号、考生号等敏感身份信息
• 不炒作「高考状元」「高分考生」「升学率」，不做付费代报业务

二、需求分析

2.1 用户角色

表格

2.2 核心痛点拆解

2.3 功能性需求

表格

2.4 非功能性需求

表格

2.5 合规红线（硬性约束）

三、总体架构设计

3.1 四层架构

系统分为接入层、编排层、Agent 层、数据与模型层四层。分层的关键目的是‌让新增一个 Agent 不需要改动其他 Agent 的代码‌——只需在编排层注册节点和边。

• ‌接入层‌：Web / 小程序前端，REST API 负责常规请求，SSE 负责流式推送 Agent 执行进度。
• ‌编排层‌：LangGraph 图运行核心。所有 Agent 作为节点挂载在这张图上，节点之间的跳转、循环、并行、中断全部由图定义，而不是散落在业务代码的 if-else 里。
• ‌Agent 层‌：每个 Agent 有独立的提示词、模型配置、工具集与记忆，彼此不直接通信，全部通过共享状态对象交换数据。
• ‌数据与模型层‌：PostgreSQL 存结构化招生数据，pgvector 存招生章程与专业解读的向量索引，Redis 承担缓存与任务队列，模型网关统一接入不同大模型并按任务类型路由。

mermaid

数据与模型层

Agent 层

编排层 · LangGraph

接入层

Web / 小程序前端

REST API + SSE 流式通道

Supervisor 总调度

策略子图

检索子图

审核子图

Checkpointer / Store

9 个专职 Agent 独立上下文 / 独立工具集

PostgreSQL + pgvector

Redis 缓存 / 队列

模型网关 · 按任务路由

官方数据源

3.2 技术选型

表格

四、多 Agent 设计与 LangGraph 编排

4.1 为什么用 LangGraph 而不是 Chain

先把一个常见误区说清楚：在系统提示词里写「你现在既是资深升学规划师，又是数据专家」，然后调用一次模型，这‌不是多智能体‌，只是一次 Prompt 更复杂的单次调用。真正的多智能体至少要满足三点：每个 Agent 有独立上下文与记忆、有独立目标与工具集、Agent 之间有结构化的协作机制。

在志愿填报这个场景里，协作链路天然是‌非线性的‌：位次换算结果不理想时要回退重新检索；审核不通过时要回到策略节点重排；用户中途改偏好要能局部重算而不是全量重来；还要在关键节点停下来等用户确认。用固定流水线写，代码会迅速膨胀到无法维护。

LangGraph 把流程建模成有向图：节点是计算步骤，边是控制流。这套模型带来三个直接好处：

4.2 Agent 角色清单

系统设 ‌1 个 Supervisor + 9 个专职 Agent‌。

表格

各 Agent 的执行边界：

• IntakeAgent、PolicyAgent 可以并行执行，两者互不依赖。
• RetrievalAgent 内部按院校层次扇出多个并行分支（985/211、省重点、普通本科、职业本科），结果汇聚。
• CriticAgent 与 StrategyAgent 之间构成反馈环，最多循环 2 轮，超过则降级为规则引擎输出并提示人工复核。

4.3 共享状态设计

所有 Agent 通过一个显式的状态对象交换数据。并行分支写回的字段必须带 reducer，否则会互相覆盖——这是多 Agent 落地时最容易踩的坑之一。

python

from typing import Annotated, Literal, TypedDict import operator class StudentProfile(TypedDict, total=False): """考生结构化画像""" province: str # 省份，如 "河南" exam_mode: str # "3+1+2" 或 "3+3" subject_group: str # 首选科目组："物理" / "历史" electives: list[str] # 再选科目，如 ["化学", "生物"] score: int # 高考总分 rank: int # 全省位次（首选科目组内） major_pref: list[str] # 专业偏好 city_pref: list[str] # 城市偏好 tuition_limit: int # 学费上限（元/年） accept_adjust: bool # 是否服从专业组内调剂 physical_limit: list[str] # 体检受限项 single_subject: dict # 单科成绩，如 {"数学": 132} class Candidate(TypedDict): """候选院校专业组""" code: str # 院校专业组代码 school: str group: str majors: list[str] min_rank_hist: dict[int, int] # {年份: 最低录取位次} plan_count: int # 当年招生计划数 subject_req: list[str] # 选科要求 source: str # 数据来源标识，用于溯源 class PlanState(TypedDict): """图共享状态""" profile: StudentProfile rules: dict # 该省当年规则 equiv_rank: float # 等效位次 candidates: list[Candidate] buckets: dict[str, list[dict]] # {"chong": […], "wen": […], "bao": […]} draft: list[dict] # 志愿草表 review: dict # 审核意见 trace: Annotated[list[str], operator.add] # 并行分支需 reducer errors: Annotated[list[str], operator.add]

4.4 编排拓扑

采用 ‌Supervisor + 分层‌ 的混合拓扑，而不是纯点对点 swarm。原因是志愿填报对‌路由准确率‌的要求高于对延迟的要求：一条志愿放错档位，后果比多花两秒严重得多。Supervisor 的职责只有路由，提示词聚焦，路由准确率更稳。

拓扑结构如下：

• ‌入口‌：考生输入 → Supervisor 拆解任务
• ‌并行段‌：IntakeAgent 与 PolicyAgent 并行；RetrievalAgent 按院校层次扇出
• ‌汇聚段‌：RankAgent 结果 + 候选集 → StrategyAgent 分层
• ‌生成段‌：PlanAgent 产出草表
• ‌反馈环‌：CriticAgent 审核 → 不通过则回 StrategyAgent 重排（≤ 2 轮）
• ‌中断段‌：人工确认（Human-in-the-Loop）
• ‌出口‌：ExplainAgent 输出理由与风险提示

mermaid

不通过 · 回退重排

通过

调整偏好

确认

考生输入

Supervisor 调度

IntakeAgent 需求解析

PolicyAgent 政策规则

RankAgent 位次换算

RetrievalAgent 数据检索 按院校层次并行扇出

StrategyAgent 冲稳保分层

PlanAgent 志愿表生成

CriticAgent 校验审核

人工确认 HITL

ExplainAgent 输出草表 + 理由 + 风险

4.5 关键实现骨架

图构建部分，节点上直接挂超时与重试策略：

python

from langgraph.graph import StateGraph, START, END from langgraph.types import Command, Send, RetryPolicy from langgraph.checkpoint.postgres import PostgresSaver def build_graph(checkpointer: PostgresSaver): g = StateGraph(PlanState) # 节点：超时与重试策略挂在节点上，不用在业务代码里写 try/except g.add_node("supervisor", supervisor_node) g.add_node("intake", intake_node, timeout=20) g.add_node("policy", policy_node, timeout=15) g.add_node("retrieve", retrieve_node, timeout=30, retry_policy=RetryPolicy(max_attempts=3)) g.add_node("convert_rank", convert_rank_node, timeout=10) g.add_node("stratify", stratify_node, timeout=20) g.add_node("build_plan", build_plan_node, timeout=30) g.add_node("critic", critic_node, timeout=30) g.add_node("confirm", confirm_node) # HITL 中断点 g.add_node("explain", explain_node, timeout=30) g.add_edge(START, "supervisor") g.add_conditional_edges( "supervisor", route_from_supervisor, { "intake": "intake", "policy": "policy", "convert_rank": "convert_rank", "retrieve": "retrieve", "stratify": "stratify", "build_plan": "build_plan", "critic": "critic", "explain": "explain", "end": END, }, ) g.add_edge("intake", "supervisor") # 子 Agent 执行完回调度器 g.add_edge("policy", "supervisor") g.add_edge("convert_rank", "stratify") g.add_edge("retrieve", "stratify") g.add_edge("stratify", "build_plan") g.add_edge("build_plan", "critic") g.add_edge("critic", "confirm") g.add_edge("confirm", "explain") g.add_edge("explain", END) return g.compile(checkpointer=checkpointer)

并行扇出用 Send，让检索按院校层次同时铺开：

python

def fan_out_retrieval(state: PlanState): """按院校层次并行召回，结果通过 reducer 汇聚""" scopes = ["double_first_class", "provincial_key", "ordinary_undergrad", "vocational_undergrad"] return [Send("retrieve", {**state, "scope": s}) for s in scopes]

节点内用 Command 做条件跳转，比在边函数里写判断更直观：

python

def stratify_node(state: PlanState) -> Command[Literal["build_plan", "retrieve"]]: buckets = classify_by_rank(state["equiv_rank"], state["candidates"]) # 保底档不足 5 条时回退补检索，而不是硬着头皮往下走 if len(buckets["bao"]) < 5: return Command( goto="retrieve", update={"errors": ["保底档位不足，触发补充检索"]}, ) return Command(goto="build_plan", update={"buckets": buckets})

4.6 Human-in-the-Loop：志愿表确认

志愿填报是高风险决策，草表生成后必须让用户看一眼再输出解释。interrupt() 在节点内任意位置暂停图执行，配合 Checkpointer 把状态落盘，用户确认后再用 Command(resume=…) 续跑。

python

from langgraph.types import interrupt, Command def confirm_node(state: PlanState): decision = interrupt({ "type": "plan_review", "draft": state["draft"], "risks": state["review"]["risks"], "question": "请确认志愿草表，或提出需要调整的项", }) # decision 就是前端回传的 resume 值 return { "draft": decision.get("draft", state["draft"]), "profile": {&zwnj;**state["profile"], **&zwnj;decision.get("profile_patch", {})}, }

调用侧两阶段执行：

python

config = {"configurable": {"thread_id": session_id}} # thread_id 即持久化游标 # 第一阶段：跑到 confirm 节点暂停 graph.invoke(initial_input, config=config) # 第二阶段：用户确认后带 resume 值续跑 graph.invoke(Command(resume={"draft": adjusted_draft}), config=config)

注意：interrupt 依赖 Checkpointer，没有 Checkpointer 的中断图无法恢复；生产环境用 PostgresSaver，MemorySaver 进程重启即丢。

4.7 容错、超时与降级

LangGraph 1.2 引入了节点级超时（NodeTimeoutError）与节点级错误处理器，这对志愿填报场景很关键——检索外部数据源的节点随时可能超时。

表格

五、核心算法与数据

5.1 数据源与数据治理

表格

治理规则：

5.2 等效位次换算

直接拿今年分数去比往年录取线，等于用两把不同的尺子量长度。正确做法是先换算。

当年位次换算为往年等效位次的公式：

text

往年等效位次 = 当年个人位次 × (往年对应批次线位次 ÷ 当年对应批次线位次)

其中，分数在特控线之上用特控线口径，介于本科线与特控线之间用本科线口径。

python

def equivalent_rank(rank_now: int, line_rank_now: int, line_rank_prev: int) -> float: """ rank_now: 考生当年全省位次 line_rank_now: 当年对应批次线（特控线/本科线）对应的位次 line_rank_prev: 往年同一批次线对应的位次 """ if line_rank_now <= 0: raise ValueError("批次线位次必须为正") return rank_now * line_rank_prev / line_rank_now

为什么不用等效分？举个真实存在的年份现象：某省物理组 2025 年与 2026 年特控线分数完全相同，都是 514 分，但 514 分对应的位次从 114928 名变成 117852 名，一年差了近 3000 名。等效分法在这种情况下会算出完全一致的结论，而等效位次法能捕捉到这个漂移。同分不同位次的年份，位次口径才是可靠的。

5.3 冲稳保分层与概率估计

以近 3 年最低录取位次的加权均值作为基准（越近的年份权重越高），与考生等效位次比较分层：

python

WEIGHTS = {0: 0.5, 1: 0.3, 2: 0.2} # 0 表示最近一年 def weighted_min_rank(min_rank_hist: dict[int, int], latest_year: int) -> float: total_w, acc = 0.0, 0.0 for offset, w in WEIGHTS.items(): year = latest_year – offset if year in min_rank_hist: acc += min_rank_hist[year] * w total_w += w return acc / total_w if total_w else float("inf") def classify(equiv_rank: float, base_rank: float, plan_count: int) -> str: """base_rank 为近三年加权最低位次；位次数值越小代表排名越靠前""" ratio = base_rank / equiv_rank if plan_count < 10: # 计划数少的专业组波动大，整体降一档处理 ratio *= 0.95 if ratio < 0.95: # 往年最低位次优于考生位次 → 冲刺 return "chong" if ratio <= 1.15: # 与考生位次匹配 → 稳妥 return "wen" return "bao" # 明显低于考生位次 → 保底

经验概率区间与名额分配参考：

表格

志愿总量按省份规则适配：院校专业组模式的省份志愿数通常为 30—45 个，专业+院校模式的省份可达 96—112 个。后者的保底志愿数量应适当增加，并把相邻志愿之间的位次差拉开，避免扎堆。

5.4 硬约束过滤

四条硬约束必须逐条命中，任一不满足直接剔除，且剔除理由要能展示给用户：

python

def hard_filter(cand: Candidate, profile: StudentProfile) -> tuple[bool, str]: # 1. 选科要求匹配 need = set(cand["subject_req"]) have = {profile["subject_group"], *profile["electives"]} if need and not need.issubset(have): return False, f"选科不符：要求 {sorted(need)}" # 2. 单科成绩要求（部分院校对数学/外语设最低分） for subject, floor in cand.get("single_req", {}).items(): if profile["single_subject"].get(subject, 0) < floor: return False, f"{subject} 单科未达 {floor} 分" # 3. 体检受限 if set(cand.get("physical_ban", [])) & set(profile["physical_limit"]): return False, "体检结论受限" # 4. 学费与外语语种 if cand.get("tuition", 0) > profile.get("tuition_limit", 10 ** 9): return False, "学费超出预算" return True, ""

5.5 志愿排序打分

分层之后还要在档内排序。打分函数把录取概率匹配度、院校层次、专业匹配度、城市偏好和风险惩罚加权合成：

python

def score(cand: dict, profile: StudentProfile) -> float: s = 0.0 s += 0.35 * cand["match_prob"] # 录取概率匹配度 s += 0.20 * cand["school_tier_score"] # 院校层次（双一流/省重点…） s += 0.25 * major_match(cand["majors"], profile["major_pref"]) s += 0.10 * city_match(cand["city"], profile["city_pref"]) s -= 0.10 * cand["volatility_penalty"] # 大小年波动惩罚 if cand["plan_count"] < 10: s -= 0.05 # 计划数少，稳定性差 return s

排序原则：越心仪的排在越前面，因为平行志愿按顺序检索、一轮投档，顺序直接决定投档先后。

六、接口设计

6.1 核心接口

表格

6.2 流式接口实现

python

from fastapi import FastAPI from fastapi.responses import StreamingResponse import json app = FastAPI() @app.post("/api/v1/plan/stream") async def plan_stream(req: PlanRequest): async def gen(): config = {"configurable": {"thread_id": req.session_id}} # stream_mode="updates" 逐节点推送，前端可实时展示协作过程 async for chunk in graph.astream(req.model_dump(), config=config, stream_mode="updates"): payload = json.dumps(chunk, ensure_ascii=False) yield f"data: {payload}\\n\\n" return StreamingResponse(gen(), media_type="text/event-stream")

前端按 stream_mode="updates" 的节点名映射成进度文案，例如「正在检索候选院校专业组…」「正在校验选科与体检约束…」，让多 Agent 的协作过程对用户可见。这一步对建立信任很重要——用户看不到过程，就不会相信结果。

七、项目计划与里程碑

总工期 12 周，按里程碑交付。

表格

关键依赖与卡点：

• M2 的数据治理质量直接决定 M5 的评测结果，若数据源受限需提前启动授权谈判。
• M3 的 Supervisor 路由准确率需在 M5 前达到 94% 以上，否则回退到规则优先路由。
• M4 的 HITL 依赖 Checkpointer 稳定运行，M3 阶段必须先完成持久化验证。

八、交付物清单

表格

九、验收标准

验收分功能、性能、质量、合规四部分，全部通过方可结项。

‌功能验收‌

‌性能验收‌

表格

‌质量验收‌

‌合规验收‌

十、风险与对策

表格

十一、团队分工

表格

协作机制：每周一次迭代评审，M2 与 M5 两个节点设置强制评审门槛。

附录 A：术语表

表格

附录 B：参考资料

运行截图

推荐项目

上万套Java、Python、大数据、机器学习、深度学习等高级选题(源码+lw+部署文档+讲解等)

项目案例

优势

1-项目均为博主学习开发自研，适合新手入门和学习使用

2-所有源码均一手开发，不是模版！不容易跟班里人重复！

为什么选择我

 博主是CSDN毕设辅导博客第一人兼开派祖师爷、博主本身从事开发软件开发、有丰富的编程能力和水平、累积给上千名同学进行辅导、全网累积粉丝超过50W。是CSDN特邀作者、博客专家、新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流和合作。 

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌

源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片。🍅

点赞、收藏、关注，不迷路