CollegeAdvisor
Eine Antwort sollte mit einer Quelle versehen sein.

Eine Bibliothek mit einer Schranke am Ausgang.
Eine für diese Website in Blender gebaute Illustration. Sie erklärt die Idee; es sind keine Daten aus dem Projekt.
Originalbilder, Diagramme und Videos bleiben in ihrer Ausgangssprache.
Zulassung, finanzielle Unterstützung und Transferwege hängen allesamt von konkreten Informationen ab. Bei Athena AI Labs habe ich an einer Anwendung gearbeitet, die zuerst belegendes Material abruft und erst dann eine Antwort formuliert, mit Prüfungen für Fragen, die die verfügbaren Quellen nicht stützen können. Das Designziel war bescheiden und streng: Eine Antwort soll entweder zeigen, woher sie stammt, oder gar nicht erst gegeben werden.
Anbindung der gesamten Anwendung
Ich habe eine SwiftUI-Schnittstelle, eine Python-API und abruferweiterte Generierungsworkflows für Fragen zur Studienberatung entwickelt. Die Integration von Studentenprofilen unterstützte personalisierte Empfehlungen, während die Dokumentenerfassung die Informationen organisierte, die das System abrufen konnte.
Fünf Sammlungen, getrennt gehalten
Die Wissensbasis ist in fünf Sammlungen gegliedert: Förderrichtlinien, Zulassungsvoraussetzungen für Studienfächer, Zahlen aus dem Common Data Set, Anrechnungsvereinbarungen für Transfers und ausgearbeitete Antworten mit ihren Quellen. Durch die Trennung durchsucht eine Frage zur Anrechnung von Studienleistungen anderes Material als eine Frage zur Förderung, und ein Ergebnis kann angeben, aus welcher Art von Quelle es stammt.
Abruf vor der Generierung
Eine Frage wird zunächst nach ihrer Bedeutung mit diesen Sammlungen abgeglichen, und Ergebnisse aus offiziellen .edu- und .gov-Quellen werden höher gewichtet als anderes Material. Die veröffentlichten Designdokumente beschreiben auch eine Schlüsselwortsuche; der Weg, den ich hier beschreibe, ist die dichte Vektorsuche. Die Aufgabe des Sprachmodells ist es, die Antwort zu formulieren. Die Fakten liefern die abgerufenen Belege.
Quelle, Rechnung oder Verzicht
Manche Fragen sollten gar nicht aus Text beantwortet werden. Förder- und Kostenangaben werden von einem deterministischen Rechner berechnet statt generiert. Fragen, die ein rechtliches Urteil, Vorhersagen oder persönliche Vorlieben verlangen, werden vor dem Retrieval abgefangen. Und wenn die besten Belege schwach sind, enthält sich das System und erklärt, warum. Im projekteigenen Stresstest-Set wurden die meisten Fälle dadurch gelöst, dass das System die Antwort verweigerte.
Die Arbeit kontrollierbar machen
Ich habe CollegeAdvisor-RAG auf Hugging Face mit Architekturhinweisen und Nutzungsanleitung veröffentlicht. Ein Modelleintrag ist außerdem auf Kaggle verfügbar. Das Portfolio konzentriert sich auf das Retrieval- und Zitierdesign; Benchmark-Angaben in einer Modellkarte sollten nicht als Garantie für jede Zulassungsfrage verstanden werden.
Das Abrufen erledigt die sachliche Arbeit.
- 01
Nach Bedeutung suchen, nach Autorität ordnen
Jeder Datensatz wird eingebettet und in einer von fünf ChromaDB-Sammlungen gespeichert. Eine Frage ruft Kandidaten aus jeder Sammlung ab; Kandidaten, die maßgebliche Domains zitieren, werden höher gewichtet, bevor die besten Ergebnisse übernommen werden. Ein Mindestscore hält schwache Treffer aus der Antwort heraus.
- 02
Überprüfen Sie die Frage und die Quelle
Spezialisierte Handler leiten Fragen zu Förderung, Transfer und Zulassung an das passende Material weiter. Eine Prüfung nach dem Prinzip „Quelle oder Verzicht“ hält unzureichende Belege sichtbar, statt jede Frage in eine selbstsichere Antwort zu zwingen. Der Kontext der Studierenden gelangt über die Anwendung und die API ins System.
- 03
Ein kleineres Modell, eine schmalere Aufgabe
Die veröffentlichte Architektur verwendet ein an LoRA angepasstes TinyLlama 1.1B-Modell für die Antwortformatierung. Die beschafften Beweise liefern sachlichen Inhalt. Durch die Trennung dieser Verantwortlichkeiten lässt sich leichter prüfen, ob eine Antwort durch ihre Zitate gestützt wird.
Die Architekturdetails folgen der veröffentlichten Modellkarte und meiner eigenen Arbeit am Projekt. Sie beschreiben den Aufbau des Systems und sind keine Garantie dafür, dass jeder abgerufene Sachverhalt aktuell oder jede Antwort richtig ist.
Erkunden Sie die ModellkarteDie ehrlichen Grenzen.
- Die Evaluationen wurden vom Projekt selbst geschrieben. Es gibt keinen unabhängigen Benchmark und keine Genauigkeitszahl aus echter Nutzung.
- Eine Quellenangabe zeigt, woher eine Antwort stammt. Sie beweist nicht, dass die Quelle aktuell ist.
- Bei der Hugging-Face-Veröffentlichung handelt es sich um ein dokumentiertes Modellartefakt, nicht um einen gehosteten Beratungsdienst.
Folgen Sie den Beweisen.
- 01Frage
Studentenkontext und spezifischer Informationsbedarf.
- 02Abrufen
Suche über fünf Quellensammlungen mit Gewichtung maßgeblicher Domains.
- 03Validieren
Spezielle Handhabungs- und Enthaltungsprüfungen.
- 04Reagieren
Eine mit unterstützenden Zitaten formatierte Antwort.
Wo sich das verbindet.
Agenten besser bewertenBeide behandeln „der Prüfer hat Ja gesagt“ als etwas, das man untersucht, nicht als etwas, dem man vertraut.
ReleafDieselbe Produktform: eine SwiftUI-App vor Python-Diensten.
Sprache in BewegungBeide sehen von Anfang an vor, sich zu enthalten, wenn die Belege keine Antwort stützen.Das Diagramm ist eine vereinfachte Darstellung der veröffentlichten Architektur. Bei der Hugging Face-Version handelt es sich um ein dokumentiertes Modellartefakt und nicht um einen gehosteten Beratungsdienst.