Aurora：由神经符号AI驱动的顾问代理

高等教育中的学术指导面临严重压力，导师与学生的比例通常超过300:1。这种结构性瓶颈限制了及时获取指导的机会，增加了毕业延迟的风险，并加剧了学生支持的不平等。本文提出Aurora，一种模块化的神经符号顾问代理，结合检索增强生成（RAG）、符号推理和标准化课程数据库，以大规模提供符合政策且可验证的建议。Aurora集成了三个组件：(i) 用于保持项目规则一致性的Boyce-Codd范式（BCNF）目录模式，(ii) 用于先决条件和学分执行的Prolog引擎，以及(iii) 用于解释其建议的指令微调大语言模型。为评估性能，我们设计了一套涵盖常见和边缘案例指导场景的结构化评估套件，包括短期排课、长期规划、技能对齐路径和超出范围的请求。在这些多样化的场景中，Aurora将语义与专家答案的一致性从0.68（原始LLM基线）提高到0.93（+36%），在近一半的范围内案例中实现了完美的精确度和召回率，并始终能为无法回答的提示生成正确的回退方案。在普通硬件上，Aurora的平均延迟低于一秒（20个查询平均为0.71秒），比原始LLM基线快约83倍（59.2秒）。通过结合符号严谨性和神经流畅性，Aurora推动了一种准确、可解释且可扩展的AI驱动顾问范式。