用 AI 当高报老师？腾讯云 CNB 部署实战与源码分析

最近看到一个挺有意思的开源项目，主打“AI 版张雪峰 + 浙江高考大数据”，能直接根据分数和排名推荐学校。作为技术人，比起它能推荐什么学校，我更好奇它是怎么被“造”出来的，特别是官方提到使用了腾讯云的 CNB（Cloud Native Build）来做构建和部署。

今天咱们不谈志愿填报的玄学，纯粹从技术角度拆解一下这个项目，聊聊如何利用云原生构建技术快速落地类似的 AI 应用。

1. 项目核心理念：Agent + 知识库

利用 CNB 进行云原生构建和部署的技术实现细节

这个项目的逻辑其实很清晰，就是现在最流行的 RAG（检索增强生成）架构。

• 它是谁（Agent）： 它被设定为一个“志愿填报专家”，拥有类似张雪峰的“话术”和思维逻辑。这得益于底座大模型的 Prompt Engineering（提示词工程）。
• 它有什么（数据）： 单靠大模型是不行的，因为高考政策、历年分数线是极度垂直且时效性强的数据。该项目显然挂载了专门的浙江高考数据库。

展示了如何结合 Prompt Engineering 和数据库完成 RAG 架构的流程

当你问“我考了 600 分能上哪”时，系统不会让大模型瞎编，而是先去数据库里查 600 分左右的历年录取情况，然后让 LLM 结合这些数据生成一份有理有据的报告。

2. 亮点技术：腾讯云 CNB（Cloud Native Build）

项目作者特意提到了 CNB，这其实是整个部署方案中最值得开发者关注的部分。

很多个人开发者想搞类似的开源项目，往往卡在部署环节。买服务器、配环境、装 Docker、搞 Nginx 反向代理，这一套下来，热情都被磨灭了。而 CNB 这种“云原生构建”方案，主打的就是一个“省心”。

CNB 解决了什么痛点？

1. 代码即产物： 通常我们写完代码，要编译成二进制文件或者打包成镜像。CNB 能够自动识别你的代码语言（比如 Python、Node.js），按照最佳实践自动构建出标准的 OCI 镜像。你不需要写复杂的 Dockerfile。
2. 持续集成/持续部署（CI/CD）简化： 代码一推，自动构建，自动运行。对于这种需要频繁迭代 AI 提示词或者更新数据库的项目，这种流程度非常重要。
3. Serverless 化趋势： 配合云厂商的 Serverless 容器服务，你可以实现真正的“按需付费”。没人来问志愿时，你的服务甚至可以是休眠状态，不花冤枉钱。

3. 这个项目能学到什么？

如果你的兴趣点不仅是用，而是“抄作业自己做”，这个 AI.BOT/NPC 项目是个很好的模板。

• Prompt 技巧： 如何约束大模型，让它不仅输出学校名字，还能像真正的规划师一样给出“冲稳保”的建议。
• 垂直领域数据处理： 如何把乱七八糟的 Excel 高考数据表，清洗成向量数据库能读懂的格式。
• 低成本搞事： 如何利用公有云的免费额度或低成本构建服务，把一个 AI 创意落地成网页应用。

4. 总结与建议

随着 LLM 成本的降低和云原生工具（如 CNB）的普及，普通人开发垂直领域的 AI 应用门槛已经非常低了。

不管你是想复刻一个“高考填志愿”，还是“租房顾问”、“法律助手”，技术路径都是通用的：找数据 -> 定 Prompt -> 选一个云原生的构建平台快速部署。

对于技术爱好者来说，去翻翻这个开源项目的 Issue 1，看看作者是怎么描述 CNB 的测试过程的，相信会对你的 DevOps 实战有很大启发。毕竟，理论学再多，不如亲手把一个 AI Bot 跑起来来得实在。

如果你对这类 AI 应用的搭建细节感兴趣，或者想知道除了 CNB 还有没有更简单的部署姿势，欢迎在评论区交流。

Issue #1 中的项目演示，展示了基于大模型和数据库的志愿填报效果