传统选科推荐方案（基于协同过滤的简化示例）

def traditional_course_recommend(user_id, all_courses, history_matrix):
    """
    传统推荐算法：基于协同过滤的选科推荐
    局限：冷启动无法处理、无法理解语义需求、依赖密集交互数据
    """
     Step 1: 获取当前用户的历史选科记录
    if user_id not in history_matrix:
         冷启动问题：新用户无历史数据，只能返回热门课程
        return sorted(all_courses, key=lambda c: c['popularity'], reverse=True)[:5]
    
     Step 2: 寻找相似用户（协同过滤核心）
    similar_users = find_top_k_similar_users(user_id, history_matrix, k=10)
    
     Step 3: 聚合相似用户的选科记录
    recommendations = {}
    for sim_user in similar_users:
        for course in sim_user['selected_courses']:
            if course not in recommendations:
                recommendations[course] = 0
            recommendations[course] += sim_user['similarity_score']
    
     Step 4: 按分数排序返回
    return sorted(recommendations.items(), key=lambda x: x[1], reverse=True)[:5]

 问题：用户问“我想学人工智能方向但数学不太好怎么办”？
 传统方案完全无法理解这个语义需求，只能返回“计算机类”标签下的课程

用户自然语言提问：“我想学人工智能，该选哪些科目？”
                    ↓
         【意图识别与路由】
                    ↓
    ┌───────────────┼───────────────┐
    ↓                               ↓
【RAG检索路径】                【KG推理路径】
从政策文档、校务资料中         从课程关系图中查找：
检索“人工智能专业选科要求”      “计算机类→物理必选”
“高校录取数据”等              “AI方向→数学/编程基础”
                    ↓
            【LLM融合生成】
      综合两路信息，生成个性化选科建议

"""
选科AI助手核心引擎 - 基于RAG + LLM的选科推荐（演示代码）
技术栈：Python 3.9+, LangChain, ChromaDB, OpenAI API
"""

import os
from typing import List, Dict
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA

class CourseSelectionAI:
    """选科AI助手核心类"""
    
    def __init__(self, policy_docs_path: str):
         Step 1: 初始化Embedding模型（将文本转为向量）
        self.embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
        
         Step 2: 加载政策文档并构建向量数据库
         包含：各高校专业选科要求、学科能力评估标准、升学数据
        self.vector_store = self._build_vector_store(policy_docs_path)
        
         Step 3: 初始化LLM（选科推荐的核心生成引擎）
        self.llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.3)
        
         Step 4: 构建RAG链 - 检索 + 增强 + 生成
        self.qa_chain = RetrievalQA.from_chain_type(
            llm=self.llm,
            chain_type="stuff",   将所有检索结果拼接输入
            retriever=self.vector_store.as_retriever(search_kwargs={"k": 5})
        )
    
    def _build_vector_store(self, docs_path: str) -> Chroma:
        """将选科政策文档向量化存储"""
         实际实现：读取文档 → 文本分块 → Embedding → 存入向量库
         这里简化为加载已有向量库
        return Chroma(
            persist_directory=docs_path,
            embedding_function=self.embeddings
        )
    
    def recommend(self, user_query: str, user_profile: Dict) -> str:
        """
        核心推荐方法：RAG检索 + LLM生成
        
        输入示例：
        user_query = "我物理成绩前10%，想报考计算机类专业，但数学中等，该怎么选科？"
        user_profile = {"physics_rank": "top10", "math_level": "medium", 
                        "target_major": "CS", "region": "new_gaokao_3_1_2"}
        """
        
         Step 5: 增强用户查询（融入个人画像信息）
        enhanced_query = f"""
        用户画像：物理成绩{user_profile['physics_rank']}，数学水平{user_profile['math_level']}，
                 目标专业{user_profile['target_major']}，高考模式{user_profile['region']}
        
        用户问题：{user_query}
        
        请结合选科政策文档，给出个性化的选科建议，包括：
        1. 推荐选科组合及理由
        2. 可报考的专业范围
        3. 备选方案（如有）
        """
        
         Step 6: RAG检索+生成
         执行流程：向量检索相关文档 → LLM基于文档内容生成回答
        response = self.qa_chain.run(enhanced_query)
        
        return response
    
    def knowledge_graph_reasoning(self, course_name: str) -> List[str]:
        """
        知识图谱推理模块（简化示例）
        功能：查询某课程的先修依赖关系
        """
         实际实现：使用图数据库（如Neo4j）存储课程关系
         这里用字典模拟知识图谱
        prerequisites_graph = {
            "人工智能导论": ["Python编程", "线性代数"],
            "机器学习": ["人工智能导论", "概率论"],
            "深度学习": ["机器学习", "高等数学"]
        }
        return prerequisites_graph.get(course_name, [])


 运行示例
if __name__ == "__main__":
     初始化选科AI助手
    assistant = CourseSelectionAI(policy_docs_path="./course_policy_db")
    
     用户场景：物理强但数学一般的同学
    user_profile = {
        "physics_rank": "top10%", 
        "math_level": "medium",
        "target_major": "CS", 
        "region": "new_gaokao_3_1_2"
    }
    
     获取推荐建议
    advice = assistant.recommend(
        "我想学人工智能专业，但数学成绩只是中等，有什么选科建议？", 
        user_profile
    )
    print("=== AI选科建议 ===\n", advice)