지식 기반 지능형 agent를 이용한 똑똑한 학사 경로 계획

공식 대학 출처에서 학위 계획을 수립하려면 두 가지 문제를 순서대로 해결해야 한다. 우선 기관의 교과과정이.catalog, 학과 페이지, JSON 엔드ポイント, PDF와 같은 공통 스키마가 없는 문서들에서 재구축되어야 하며, 그 다음에는 학습자 별 경로가 부수적 논리와 중복 요구 사항 제약 조건 하에서 최적화되어야 한다. 두 가지를 결합하면 각 실패 모드가 다른 것을 숨기게 되는데, 현재 계획에 필요한 사실을 배워내지 않는 planner가 crawling을 직접 제어한다. KnowPlan을 제시한다. 이는 extraction-first 경계를 강제하고 두 단계 사이의 인터페이스를 측정하는 대신 가정하지 않는다. CatalogBrowse는 사용자 프로파일에 접근할 수 없는 상태에서 탐색을 수행한다. CatalogBrowse는 각 단위당 원본 접근량에 대한 원래 catalog 의무의 유한 집합에서의 저신뢰도 기대 하이퍼 플러스 gain을 기준으로 법적 행동을 평가한다. CatalogBrowse는 플랫폼 어댑터를 통해 deterministically parsing한다. 이는 span-constrained clause-to-AST 모델 fallback을 사용한다. CatalogBrowse는 인덱스, 스키마, provenance, reference completeness에 대한 closure certificate를 통해 reward threshold 대신 종료된다. CatalogBrowse의 출력 계약은 세 개의 provenance-linked JSON 문서이다. DegreeMap은 DegreeMap이 소비하는 유일한 문서들만 사용한다. DegreeMap은 이들을 typed requirement hypergraph로 컴파일하고 CP-SAT를 사용하여 hard feasibility, completion horizon, load, risk, personalized utility, option value를 lexicographically 최적화한다. DegreeMap은 각 단계가 이전 단계의 최적치를 내포하며, solver의 예산 내에서 certifiable한 상태를 유지한다. 100개 대학의 광범위한 트랙과 6개 학교의 밀집한 트랙을 통해 CatalogBrowse는 exhaustive crawler보다 47% 적은 원본 접근량에서 96.2%의 inventory recall 및 88.7%의 masked-source recovery를 달성한다. DegreeMap은 100.0%의 hard feasibility를 유지하며, 강력한 baseline보다 +0.066의 personalized utility를 향상시킨다. full pipeline는 99.5%의 요청을 인증하며, privileged gold graph의 utility gap은 0.015이다.