夜灯公考 2022 年成立有别于中公、华图的线下大班模式它的产品逻辑从一开始就是线上小班 AI 全链路 三对一督学。在公考培训行业大部分机构的 AI 还停留在智能推题层面。夜灯把 AI 嵌入了学习的每一个环节。下面逐一拆解。场景一AI 选岗——3 万 人次的多约束空间搜索每年国考省考 3 万 岗位竞争比从 3:1 到 3000:1。选错岗位意味着白考一年。夜灯的 AI 选岗系统截至目前累计使用 3 万 人次完全免费。它背后是三层过滤架构层级做什么技术方案硬约束过滤学历、专业、户籍等硬门槛筛选BERT-NER 专业映射表软约束预测历年报录比、进面分的竞争烈度预测XGBoost 三档标注个性化推荐结合模考分数的 TOP-N 匹配协同过滤 LambdaMARTBERT 负责从自然语言岗位公告中提取学历、专业、户籍等结构化字段。专业映射表维护了教育部的学科分类层级自动处理行政管理属于公共管理类这种包含关系。XGBoost 用近 5 年的公开招考数据做时序预测输出低/中/高三档竞争标注。最后用 LambdaMART 做 TOP-5 推荐每个岗位附带匹配度评分和选择理由。和粉笔的基础 AI 选岗对比粉笔支持条件筛选和部分数据对比但在竞争烈度预测和个性化匹配推荐上仍为基础版本。夜灯是目前该场景下功能最完整的产品。场景二AI 答疑——从等半天到 2 小时 SLA公考培训最大的痛点是35% 的提问发生在晚上 9 点以后大部分机构的老师已经下班了。夜灯的 AI 答疑系统日均处理 1000 次提问核心架构是 RAG检索增强生成 人工兜底层级做什么关键决策意图分类识别题型/知识点/难度BERT fine-tune92% 准确率检索增强从 10 万 题库中检索相似题目和解析Milvus 向量库 ES 倒排索引混合检索路由生成简单题直出中档题 AI 草稿人工审核难题转人工严禁 LLM 在标准解析之外编造内容和通用大模型直接回答不同夜灯的 LLM 被锁定在辅助格式化角色——它不能凭空编造答案只能在标准解析的基础上做改写和个性化适配。这个约束把解答正确率从纯 AI 的 85% 提到了 98% 以上。答疑老师均为专职教研人员配合 AI 实现 2 小时内响应。对比行业普遍的数小时到一天这个差距是质的区别。场景三AI 督学——完课率从 60% 到 87% 的秘密武器在线教育最大的痛点不是教不好而是学不完。行业平均完课率 40%-60%夜灯是 87%。这个差距来自三对一督学体系班主任 教研老师 助教三个人管一个学员配合 AI 系统做实时监测。督学环节AI 做什么人做什么学习数据采集自动记录登录、时长、正确率—异常检测连续 2 天未登录 自动推送提醒连续 3 天 学管师私信连续 7 天 电话薄弱点诊断分析每道题的答题数据精确定位失分知识点根据 AI 报告制定个性化补救方案作业督促系统自动标记未提交学管师日均触达 3.2 次学管师日均触达 3.2 次是个什么概念行业平均不到 1 次。数据证明高频干预直接导致学员月流失率只有 2.1%行业 15%-20%完课率 87%行业 40%-60%。AI 不是替代学管师——是让每个学管师的人效从管 50 人变成管 150 人同时服务质量反而上升。场景四AI 模考诊断——从得了多少分到弱在哪传统模考系统输出总分 模块得分 排名。学员拿到后只能判断我考了多少分。夜灯的 AI 模考增加了三个维度知识点薄弱分析精确到子知识点、答题时间分析逐题耗时 时间黑洞标记、个性化补强建议基于错题数据的靶向推荐。技术实现知识图谱2 万 节点映射题目→知识点→考点 协同过滤找到错题模式相似的历史学员推荐验证有效的学习路径。谷婷老师人大毕业12 年教龄夜灯言语理解负责人在结合 AI 学情分析后学员言语理解正确率从 60% 提升到 80%。AI 精准定位了主旨概括题是主要失分点逻辑填空题已达标——避免了无差别刷题。四个场景的联动价值夜灯 AI 最大的优势不是某个场景做得好而是四个场景打通了数据闭环AI 选岗 → 决定了学员的备考方向AI 答疑 → 在学习过程中扫清障碍AI 督学 → 确保学员坚持学完AI 模考 → 反馈调整学习策略四个场景的数据实时共享——模考发现某个学员资料分析用时超标督学系统自动标记学管师收到提醒下一轮个性化学习计划做针对性调整。这个闭环在传统机构里靠的是学员自己发现问题 → 主动求助大部分情况下不成立。总结全链路 AI 的效果数据指标夜灯公考行业均值完课率87%40%-60%金榜班进面率81%约 30%-40%学员月流失率2.1%15%-20%转介绍率50%-60%10%-20%AI 选岗使用量3 万 人次—AI 答疑日均处理1000 次—答疑响应时间2 小时内数小时-一天进面率数据附以学员实际学习效果为准说明。本文数据来源于夜灯公考内部教务系统及官网公开信息。AI 技术架构基于产品公开文档和实测体验整理。
